用机器学习预测碳管晶体管性能并生成工艺参数

Dissertation Machine Learning in Materials Science -- A case study in Carbon Nanotube field effect transistors

• 结合神经网络与生成流模型预测器件性能
• 可生成满足目标性能的碳管晶体管加工信息
• 对材料性能优化有实用价值，适合器件设计者

本论文探索了多种机器学习方法在碳纳米管场效应晶体管（CNTFET）中的应用，包括神经网络、基于仿真的推断和生成流网络。这些方法用于预测 CNTFET 的性能表现，分析碳纳米管网络的导电特性，并生成满足特定性能目标的晶体管加工信息。研究展示了机器学习在材料科学中从数据驱动建模到工艺设计闭环的潜力。

原文摘要 · Abstract (English)

In this thesis, I explored the use of several machine learning techniques, including neural networks, simulation-based inference, and generative flow networks, on predicting CNTFETs performance, probing the conductivity properties of CNT network, and generating CNTFETs processing information for target performance.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。