基于机器学习的高精度硅纳米线肖特基二极管光致发光与电流-电压特性分析

本研究针对硅纳米线(SiNWs)肖特基二极管的opto-electrical特性预测难题，通过数学建模(MT)和决策树(DT)算法，实现了对光致发光(PL)强度和I-V特性的高精度预测。其中7阶高斯函数模型对300 s蚀刻样品的PL预测达到R2=0.9988，9阶多项式模型对I-V特性预测的MSE低至1×10?14，为纳米材料表征提供了创新方法论。

　　

在纳米科技蓬勃发展的今天，硅纳米线(SiNWs)因其独特的量子限域效应和超高表面积体积比，成为新一代光电器件的明星材料。然而，如何精准预测其复杂的光电行为，始终是困扰研究者的难题。传统表征方法难以捕捉蚀刻参数(d_etch)与性能间的非线性关系，而机器学习(ML)与物理模型的结合为此提供了新思路。

这项发表在《Journal of Luminescence》的研究，由国内研究人员Radhouane Laajimi团队领衔，开创性地将数学建模(MT)与决策树(DT)算法相结合，对Ag/SiNWs/Si肖特基二极管的光致发光(PL)和电流-电压(I-V)特性进行双重预测。通过银辅助化学蚀刻(Ag-ACE)制备不同蚀刻时间(30/90/300 s)的样品，团队发现：7阶高斯函数构建的MT模型对300 s样品的PL预测精度惊人(R²=0.9988，MAE=2.9×10^-5)，而9阶多项式模型对I-V曲线的预测误差更是达到10^-14量级。这种"物理机理+数据驱动"的双轨策略，为纳米材料性能预测树立了新范式。

关键技术包括：1) 银催化两步蚀刻法(MACE)制备SiNWs阵列；2) 光致发光谱(PL)和I-V测试系统；3) 基于scikit-learn的决策树算法；4) 高阶高斯/多项式数学建模。

【Elaboration and characterization techniques】
通过AgNO₃/HF溶液体系制备的SiNWs呈现显著表面态效应，PL测试显示其可见光发射强度与d_etch呈非线性关系，打破体硅无发光的传统认知。

【Machine learning models】
DT算法虽能捕捉PL强度趋势，但MT模型展现出压倒性优势——对300 s样品的I-V预测R²达0.9998，证明高阶多项式可精准描述载流子输运的复杂机制。

【Conclusion】
该研究首次实现ML与数学建模在SiNWs光电特性预测中的协同应用，MT模型误差比文献报道的ANFIS模型低4个数量级。特别值得注意的是，7阶高斯函数成功量化了表面态对PL的调控作用，而9阶多项式则揭示了肖特基势垒高度与蚀刻参数的隐式关联。

这项工作的深远意义在于：1) 建立可解释的ML模型替代传统试错法；2) 为SiNWs在光电探测器、LED等器件的性能优化提供数字化工具；3) 开创的"双模型验证"框架可推广至其他纳米材料体系。正如作者Hosni Ajlani教授强调的，该方法将加速纳米光电器件从实验室走向产业化的进程。