机器学习驱动的组分依赖截顶金字塔形GaN/AlxGa1?xN量子点光学吸收预测

《Mathematics》：Machine Learning-Driven Prediction of Optical Absorption in Composition-Dependent Truncated Pyramidal GaN/AlxGa1?xN Quantum Dots

　　

本研究提出了一项比较机器学习研究，用于预测截顶金字塔形GaN/Al_xGa_1?xN量子点的光学吸收系数。物理数据集通过使用坐标变换法结合有限差分法（FDM）求解三维薛定谔方程生成。坐标变换将截顶金字塔形几何的倾斜边界映射到规则计算域，从而能够精确表示量子点形状，并便于使用FDM进行数值处理。然后，研究人员计算了不同合金组分下吸收系数随光子能量的变化。以光子能量和合金组分为输入特征，研究人员开发并评估了人工神经网络（ANN）、随机森林（RFR）、决策树（DT）和K近邻（KNN）模型。还考虑了二阶多项式回归模型作为经典基线。在逐点随机80/20分割下，所有模型与数值结果吻合良好，R²值接近1。KNN在大多数合金组分下通常提供最低的预测误差，而ANN在x=0.5时获得略低的MSE和RMSE值。此外，留一组分验证将ANN识别为预测未见组分的最有效模型，其平均R²为0.848，NRMSE为7.19%。这些发现表明，KNN在采样域内进行局部插值时特别有效，而ANN提供更强的组分泛化能力。所提出的框架为计算要求高的量子纳米结构光学性质数值模拟提供了高效替代方案。

**论文解读文章**

**研究背景与问题**
近年来，纳米制造技术的进步使得电荷载流子能够在半导体纳米结构中实现精确受限。当电子在三个空间维度上均被束缚时，形成的结构称为量子点（QDs），表现出离散的类原子能级和高度可调的电学性质。这种三维量子限域赋予QDs独特的光学和电学特性，使其区别于体材料和低维系统。大量理论和实验研究分析了其光学响应，包括总折射率变化、线性和非线性吸收系数，以及二次和三次谐波产生等高级非线性过程。这些光学性质受电场、磁场、静水压力和温度等外部因素显著影响，这些因素会改变受限载流子的电子结构和子带间跃迁动力学。然而，对QDs光学性质的精确预测通常依赖于求解三维薛定谔方程的数值模拟，这需要大量计算资源，尤其是当涉及形状、组分和外部参数的多维变化时。因此，开发高效替代模型以加速光学性质预测对光电器件设计具有重要意义。机器学习（ML）技术已被越来越多地应用于建模和预测纳米结构性质，能够处理高维数据集、加速预测，并在解析解不可用或重复数值模拟计算成本高昂时支持决策。本研究旨在结合坐标变换法、有限差分法（FDM）和机器学习技术，预测孤立GaN/Al<sub>x1?xN截顶金字塔形量子点的光学吸收系数，并评估不同ML模型的性能。

**研究内容与结论**
研究人员通过求解三维薛定谔方程（在有效质量近似下）生成物理数据集，采用坐标变换法将截顶金字塔形量子点的倾斜边界映射到规则计算域，然后使用FDM进行数值求解。对于不同合金组分（x = 0.1, 0.2, 0.3, 0.4, 0.5），计算了吸收系数随光子能量的变化，每组约1700个数据点。利用光子能量和合金组分作为输入特征，训练了四种机器学习模型：人工神经网络（ANN）、随机森林（RFR）、决策树（DT）和K近邻（KNN），同时以二阶多项式回归作为经典基线。通过逐点随机80/20分割和留一组分（LOCO）验证评估模型性能。结果表明，在随机分割下所有ML模型均达到接近1的R²值，其中KNN在大多数组分下预测误差最低，而ANN在x=0.5时误差略优。LOCO验证显示ANN对未见组分的预测能力最强（平均R² = 0.848，NRMSE = 7.19%），而KNN在采样域内插值方面表现突出。该研究证明ML模型可作为计算密集型数值模拟的高效替代工具，用于预测量子点光学性质，支持光电器件设计与优化。论文发表在《Mathematics》。

**关键技术方法**
（1）坐标变换法：将截顶金字塔形量子点的物理空间映射到规则计算域，使倾斜边界转化为规则网格，便于FDM求解。
（2）有限差分法（FDM）：在规则计算域上离散化三维薛定谔方程，求解能量本征值和波函数。
（3）机器学习模型：包括ANN（多层感知器，ReLU激活，Adam优化）、RFR（100棵决策树，Bootstrap采样）、DT（无剪枝，平方误差准则）和KNN（k=3，距离加权，欧氏距离）。
（4）模型验证：采用逐点随机80/20分割（评估插值能力）和留一组分（LOCO）验证（评估组分泛化能力），性能指标包括R²、MSE、RMSE、MAE和NRMSE。

**研究结果**
4.1 数据集生成、特征重要性与随机分割验证
4.1.1 数据集收集与特征重要性：通过坐标变换/FDM求解器为五种合金组分（x=0.1~0.5）生成吸收系数数据，每组约1700点。置换特征重要性（PFI）显示光子能量是最影响特征，合金组分贡献较小但显著。所有ML模型预测值与计算曲线高度吻合，准确再现吸收峰位置和强度。随x增大，吸收峰蓝移且强度增加，源于导带偏移增大引起的限域增强。模型预测保持光谱形状和宽度，说明成功学习了非线性关系。训练时间：ANN 467.90 s，RFR 5.94 s，DT 0.0170 s，KNN 0.00466 s；推理时间分别为0.0457、0.2960、0.000546、0.00707 s，相比求解器1500 s/组成，加速因子达3260至32800倍。回归图显示预测点紧密围绕理想对角线，确认高精度。学习曲线显示ANN在20-30个epoch后误差稳定。随训练集增大，MAE和MSE下降并稳定，无过拟合。在随机80/20分割下，KNN在x=0.1~0.4时错误最低，ANN在x=0.5时略优，所有模型R²接近1。
4.1.2 与经典多项式回归基线的比较：二阶多项式回归的全局NRMSE为0.268，是ML模型的51~148倍，R²仅为0.920，说明低阶多项式无法捕捉复杂吸收行为，从而支持使用ML模型。
4.2 留一组分验证：LOCO验证中，ANN表现最佳，平均R²为0.848，NRMSE为7.19%；KNN、RFR和DT在测试组分完全未见时性能有限。此结果补充了随机分割评估，证明ANN在组分泛化方面的优势。

**讨论与结论**
讨论部分指出，KNN在采样域内插值方面最为有效，而ANN在预测未见组分时表现出更强的泛化能力。这些ML模型可作为高效替代工具，用于预测量子点光学性质，支持光电器件设计与优化。尽管本研究聚焦于光子能量和合金组分，但所提框架可扩展至温度、压力、电场、阻尼常数和量子点几何形状等额外输入特征，未来需通过自适应采样策略降低相关计算成本。结论部分总结：本研究使用ANN、RFR、DT和KNN模型预测GaN/AlxGa1?xN截顶金字塔形量子点的光学吸收系数，基于坐标变换和FDM生成的数值数据。二阶多项式回归性能显著低于ML模型，确认了ML模型的必要性。在随机80/20验证下，所有ML模型R²接近1；KNN在x=0.1~0.4时错误最低，ANN在x=0.5时略优。LOCO验证将ANN识别为最有效模型（平均R² = 0.848，NRMSE = 7.19%）。因此，KNN适用于采样域内插值，ANN适用于组分泛化。这些ML模型可作为量子点光学性质预测的高效代理工具，助力光电器件设计优化。未来工作将扩展至其他回归方法，如样条插值、高斯过程回归（GPR）、支持向量回归（SVR）、XGBoost和LightGBM。</sub>