电场调控下CdTe/CdS核壳量子点吸收系数的机器学习预测研究

本文推荐研究者采用人工神经网络（ANN）、决策树（DT）和随机森林回归器（RFR）等机器学习（ML）算法，结合有限元法（FEM）数值模拟，系统分析了TiO2和SiO2介质中CdTe/CdS核壳量子点（CSQD）的电场依赖性光吸收特性。研究发现，随机森林模型预测精度最优，为纳米光电器件设计提供了高效计算工具。

　　

亮点

引言

长期以来，低维异质结构一直是设计高速高效纳米/微米光电器件的核心研究对象。系统尺寸的缩减会限制粒子运动的自由度，从而增强量子限域效应。这种限域作用会扩大离散能级间距，进而显著改变材料的电光响应特性。

三维薛定谔方程

本研究通过有限元法（FEM）数值模型与机器学习（ML）预测模型的对比，探究了CdTe/CdS核壳纳米结构中电子与杂质相互作用的特性。特别关注轴向电场对该结构光电响应的调控作用，该电场会改变电子行为。纳米结构被嵌入不同介电基质中，其光学性质通过先进算法进行预测。

机器学习算法

如引言所述，ML算法能基于多参数生成预测。我们通过结合FEM模拟和CDM理论构建的数据库，采用ANN、DT和RFR三种算法优化光吸收系数（OAC）设计。这些算法成功预测了介电基质中CdS/CdTe核壳量子点（CSQD）在不同条件下的特性。

计算结果

图1(a)展示了CdTe/CdS球形纳米结构的FEM网格剖面，高精度网格确保了波函数行为的准确解析；(b)图呈现了核壳量子点的导带偏移势能剖面，其中核半径R_c与壳层半径R_s决定了量子限域强度。

结论

本研究通过ML模型（ANN/DT/RFR）与FEM模拟的对比，揭示了TiO₂和SiO₂介质对CdS/CdTe核壳量子点光吸收系数的差异化调控机制：TiO₂导致吸收峰红移和振幅增强，而SiO₂则引起蓝移和振幅减弱。随机森林回归器展现出最优预测性能，为量子点光学性质的模拟提供了新范式。