PHOTOELECTRIC CELL
Статья поступила в редакцию 30.09.15. Ред. per. № 2365
The article has entered in publishing office 30.09.15. Ed. reg. No. 2365
УДК 629.9:004.657
НЕЙРОСЕТЕВЫЕ МОДЕЛИ ФОТОСЕНСОРОВ НА ОСНОВЕ ТОНКИХ ПЛЕНОК
B.C. Абруков, A.B. Смирное
Чувашский государственный университет имени И.Н. Ульянова РФ 428015, Чувашская Республика, Чебоксары Московский пр., 15 тел.: 8(8352)45-56-00; e-mail: abrukov@yandex.ru
doi: 10.15518/isjaee.2015.19.008
Заключение совета рецензентов: 07.10.15 Заключение совета экспертов: 14.10.15 Принято к публикации: 23.10.15
С помощью искусственных нейронных сетей созданы многофакторные вычислительные модели, обобщающие результаты экспериментов по получению фотосенсоров на основе тонких пленок металлов и наноп-ленок линейно-цепочечного углерода. Полученные модели позволяют решать прямые и обратные задачи создания фотосенсоров с заданными характеристиками, а также прогнозировать новые технологии их создания.
Ключевые слова: фотосенсоры, тонкие пленки, металлы, линейно-цепочечный углерод, искусственные нейронные сети, многофакторные вычислительные модели.
NEURAL NETWORK MODELS OF PHOTOSENSORS BASED ON THIN FILMS
V.S. Abrukov, V.A. Smirnov
Chuvash State University named after I.N. Ulyanov 15 Moskovsky ave., Cheboksary, Chuvash Republic, 428015 Russian Federation ph.: 8(8352) 45-56-00, e-mail: abrukov@yandex.ru
doi: 10.15518/isjaee.2015.19.008
Referred 7 October 2015 Received in revised form 14 October 2015 Accepted 23 October 2015
The paper deals with the multifactor computing models, summarizing the results of experiments on the development of photosensors based on thin films of metals and nanofilms of linear-chain carbon, which are created by using artificial neural networks. These models allow engineers to solve the direct and inverse problems of creating of photosensors with desired characteristics, as well as to predict the new technology to create ones.
Keywords: photoelectric sensors, thin films, metals, linear-chain carbon, artificial neural networks, multifactor computational models.
№2^83)
Абруков Виктор Сергеевич Victor S. Abrukov
Сведения об авторе: д-р физ.-мат. наук, зав. кафедрой прикладной физики и нанотех-нологий Чувашского государственного университета имени И.Н. Ульянова.
Образование: Чувашский государственный университет имени И.Н. Ульянова.
Область научных интересов: солнечная энергетика, интеллектуальный анализ данных.
Публикации: 150.
Information about the author: DSc
(physics and mathematics), Head of Applied Physics and Nanotechnology department, Chuvash State University named after I.N. Ulyanova.
Education: Chuvash State University named after I.N. Ulyanov.
Research area: solar energy, data mining.
Publications: 150.
Ж\
à
Смирнов Александр
Вячеславович Alexander V. Smirnov
Сведения об авторе: инженер ЧГУ им. И.Н. Ульянова, председатель Ассоциации молодых физиков Чувашии.
Образование: Чувашский государственный университет.
Область научных интересов: углеродные нанотехнологии, солнечные энергоустановки, пленки серебра.
Публикации: 35.
Information about the author: engineer in CSU named after I.N. Ulyanova, chairman of the Association of Young Physicists of Chuvashia.
Education: Chuvash State University named after I.N. Ulyanov.
Research area: carbon nanotechnology, solar power, silver films.
Publications: 35.
Введение
В настоящее время тонкопленочные технологии относятся к одному из перспективных направлений научных исследований в области электроники и энергетики.
В Чувашском университете проводятся исследования по разработке технологий получения фотосенсоров на основе тонких пленок металлов и нанопле-нок линейно-цепочечного углерода (ЛЦУ) [1, 2].
Фотосенсоры производят методом терморезистив-ного испарения путём напыления пленок металлов на подложку из монокристаллического кремния с последующим напылением на пленки металлов пленок ЛЦУ, легированных и не легированных азотом. Эксперименты проводились в вакууме (установка УВР-3М и «УРМ Алмаз») при давлении 10-4 Па.
Методика создания нейросетевых моделей и обсуждение результатов моделирования
Для всех полученных систем были измерены вольтамперные характеристики при освещении естественным светом и без освещения.
Эксперимент был многофакторным. Поэтому, с целью выявления закономерностей электрофизических характеристик с помощью искусственных нейронных сетей (ИНС), были созданы многофакторные вычислительные модели, способные обобщать все закономерности вольтамперных характеристик.
Следует отметить, что ИНС являются уникальным инструментом аппроксимации функций нескольких переменных и построения многофакторных вычислительных моделей экспериментальных данных. Примеры и технологии ИНС описаны в [3-5].
Для создания ИНС-моделей применялась отечественная аналитическая платформа «Deductor» производства BasegroupLab, г. Рязань (www.basegroup.ru).
Пример экспериментальных данных при построении ИНС-моделей приведен в табл. 1. В целом при моделировании использовались следующие данные: названия металлов (Cd, Ag, Ni) и сплава Ag-Ni; значения полной электронной энергии атомов этих металлов, энергии ионизации, сродства к электрону, электроотрицательности по Полингу; наличие или отсутствие пленок ЛЦУ; значения темнового тока, фототока и напряжения, а также отношения к фототока к темновому току.
Пример экспериментальных данных по характеристикам фотосенсоров и параметрам технологии, использованных при создании ИНС-моделей (часть данных)
An example of the experimental data on the characteristics and parameters of photosensor technologies used to create ANN-models (a part of the data)
Таблица 1
Table 1
Полная электронная ЛЦУ ЛЦУ
энергия, а.е.э лег.Ы
-6707,54 нет нет
-6707,54 нет нет
-6707,54 нет нет
-6707,54 нет нет
-6707,54 нет нет
-6707,54 нет нет
-6707,54 нет нет
-6707,54 нет нет
-6707,54 нет нет
-6707,54 нет нет
-6707,54 нет нет
-6707,54 нет нет
Термообработка
нет нет нет нет нет нет нет нет нет нет нет да
U, В
0,50 3,13 4,54 5,56 6,36 6,97 7,78 8,18 8,38 8,99 10,00 4,54
k -фото / —темн
0,95 6,80
8.45 9,68
10,49 10,62 9,13 8,57 8,47 8,38
8.46 1,54
-6707,54 -5466,94
нет нет
нет
да
да да
10,00 0,20
280,66 0,63
-5466,94 -5199,47
нет нет
да да
да да
20,00 0,20
386,15 0,76
-5199,47 -1507,96
нет нет
да да
да нет
20,00 0,61
46,25 0,31
-1507,96 -1507,96
нет нет
да да
нет
да
20,00 0,30
1,76 0,07
-1507,96 -5466,94
нет нет
да нет
да да
10,00 3,02
3,65 1,04
-5466,94 -5466,94
нет
да
нет нет
да да
20,00 1,52
5,71 1,39
-5466,94 -5199,47
да нет
нет
да
да нет
10,00 1,01
23,04 95,59
-5199,47 -5199,47
нет
да
да нет
нет
да
20,00 0,30
2,69 3,41
-5199,47
да
да
10,00
66,98
В табл. 2 приведены результаты корреляционного анализа экспериментальных данных. Оценивалась корреляция между отношением фототока к темно во -му току и рядом других характеристик и параметров («Входные поля»). Анализ полученных результатов позволяет сделать важный вывод - значения корреляции показывают, что линейной связи к с входными
факторами нет (кроме темнового тока /темн., для которого некоторая линейная связь имеется), и, следовательно, задача является существенно нелинейной. Для выявления этой связи не подходят классические математические, статистические и графические методы анализа данных.
Результаты корреляционного анализа экспериментальных данных The results of correlation analysis of experimental data
Таблица 2
Table 2
Входные поля Корреляция с выгходными полями
№ Поле k = ^фото / ^темн
1 Полная электронная энергия, а.е.э 0,426
2 Энергия ионизации, кса1/то1 -0,373
3 Сродство к электрону, кса1/то1 0,43
4 Электроотр. по Полингу 0,414
5 ^темн. 0,649
6 ^фото 0,309
7 и, В 0,383
Для моделирования были выбраны структуры ИНС, соответствующие характеру и количеству собранных данных. Было получено несколько ИНС-моделей, решающих как прямые, так и обратные задачи выявления закономерностей, содержащихся в экспериментальных данных.
Ниже приведена методика решения прямой задачи - выявление закономерностей зависимости к от напряжения и и технологических параметров создания фотосенсоров.
На рис. 1 приведена архитектура ИНС, использованная для создания модели прямой задачи.
0 Deductor Studio Lite {СЛи5ег5\Вик\[>е5к1ор\Мои-статья-в Алыерн-энерг-журнал\Е1п-фотасенсорь\фотасенсорь-04-0Э-14^ес^) - [Нейросетъ [5 * 6 и 1]]
^ Файл Мрлгкл Нкд СЕрвИL Очно ?
11 at • Ы > » .6 И1® 5,3t 0
IS I испарим ? ▼ х J Граф иейросети X Что-еели X Дмагда^ч рассииия X Таблица X Статистш а X Гистограмме X
If© Ег » 7 V fei
í£j Сценарии
W MS Ехи< [База аажыс тай ^Нейросетъ [5 кБ к 1] Sí КорреляАнсииый апаш-: ^Нейросетъ [4 к См 2]
Ж KoppeiKUHCrtibift аиагч.: "J> Нгирог-гтр [4 к 3 X 3 к 2]
НИ i
!" «ЯП ■"J1' Щ
Рис. 1. Архитектура ИНС-модели зависимости отношения k фототока к темновому току от напряжения U и технологических параметров создания фотосенсоров. На черном фоне слева - факторы, определяющие значение k Fig. 1. Architecture of ANN-model of the ratio k of the photocurrent to the dark current on the voltage U and technological parameters of a creation of photosensors. On a black background on the left - the factors that determine the value of k
Обучение ИНС заключалось в том, что различные наборы значений первых пяти столбцов табл. 1 подавались на входной слой ИНС, а соответствующие значения к устанавливались в выходном слое ИНС, и с помощью известного метода обучения ИНС-метода «обратного распространения ошибки» создавалась многофакторная вычислительная ИНС-модель, выявляющая зависимости к от входных факторов.
Примеры, иллюстрирующие выявленные моделью закономерности зависимости к от напряжения и технологических параметров создания фотосенсоров (сорта металла в виде значения полной электронной энергии атомов металла, наличия пленок ЛЦУ или ЛЦУ легированной азотом; наличия термообработки), представлены на рис. 2-5 и 7 с краткими комментариями.
Приведена только малая часть (не более 5 %) отличающихся друг от друга графиков, отражающих
выявленные зако
Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.