一种混合式人工智能框架，用于预测石墨烯纳米片增强型纳米电子材料的电学和热学性能

《Journal of Computational Electronics》：A hybrid artificial intelligence framework for predicting electrical and thermal properties of graphene nanoplatelet-enhanced nanoelectronic materials

纳米电子器件中石墨烯纳米片（GNPs）对电导率和抗压强度的提升作用及深度学习预测模型分析。实验表明0.05%-0.1% GNPs浓度分别提升EC 28.7%-35.2%，CS 18.4%-22.6%。VCNNs模型在EC（R=0.989）和CS（R=0.993）预测中表现最优，MSE较NARNNs低15.4%，较TT2FIS低48.7%。SHapley分析显示GNP浓度是主要影响因素，其次为固化条件。

　　

摘要

纳米电子技术的快速发展对具有优异电学和机械性能的材料提出了更高要求，以支持高性能、微型化设备的发展。石墨烯纳米片（GNPs）作为一种有前景的纳米材料，在提升材料在纳米尺度上的电学和结构特性方面展现了巨大潜力。本研究通过实验研究和先进的深度学习（DL）模型（包括非自回归循环神经网络（NARNNs）、可验证卷积神经网络（VCNNs）以及Tsukamoto类型2模糊推理系统（TT2FIS）），探讨了GNPs对纳米电子元件电导率（EC）和抗压强度（CS）的影响。实验结果表明，当GNPs的掺杂浓度分别为0.05%和0.1%时，电导率分别提高了28.7%和35.2%，抗压强度分别提高了18.4%和22.6%。这些发现凸显了GNPs增强材料在需要高电导率和热环境下机械可靠性的纳米电子设备中的应用潜力。深度学习模型在预测GNPs增强材料的性能方面表现出卓越的准确性，其中VCNNs的表现最为突出。在电导率预测中，VCNNs的相关系数（R）为0.989，优于NARNNs（R = 0.976）和TT2FIS（R = 0.963）；在抗压强度预测中，VCNNs的相关系数（R）为0.993，同样优于NARNNs（R = 0.982）和TT2FIS（R = 0.970）。误差分析进一步验证了VCNNs的优越性，其电导率预测的均方误差（MSE）比NARNNs低15.4%，比TT2FIS低48.7%。同样，在抗压强度预测中，VCNNs的MSE也比NARNNs低12.8%，比TT2FIS低51.3%。Shapley加性解释分析指出，GNPs浓度是影响电导率和抗压强度的主要因素，其次是固化条件。这些结果表明，深度学习方法，尤其是VCNNs，在优化GNPs增强材料以应用于纳米电子领域方面具有巨大潜力，为设计下一代电子设备的先进材料提供了一条快速且经济高效的方法路径。