Ứng dụng trí tuệ nhân tạo trong mô phỏng và dự đoán phổ quang học của vật liệu TiN

Mục đích

- Thiết kế và mô phỏng bộ hấp thụ sử dụng vật liệu TiN với phổ hấp thụ tuyệt đối băng thông rộng trong vùng bước sóng ánh sáng mặt trời. - Xác định mô hình học máy phù hợp để dự đoán phổ quang học, đồng thời sử dụng mô hình này cho kỹ thuật thiết kế ngược cũng như tối ưu hóa cấu trúc bộ hấp thụ.

Ý nghĩa khoa học và thực tiễn của đề tài

Bên cạnh đó, đề tài cung cấp một phương pháp độc đáo, kết hợp giữa mô phỏng và trí tuệ nhân tạo để thiết kế hệ cấu trúc nano có khả năng hấp thụ ánh sáng mặt trời hiệu quả, đồng thời tối ưu hóa hiệu suất hấp thụ của chúng. Kết quả nghiên cứu của chúng tôi có thể đóng góp vào sự hiểu biết về tương tác giữa ánh sáng và cấu trúc nano, đồng thời tạo ra các ứng dụng mới trong lĩnh vực năng lượng tái tạo và vật liệu plasmonic mới.

MÔ PHỎNG VÀ TÍNH TOÁN 2.1. Phần mềm mô phỏng CST Studio Suite

Hàm điện môi của vật liệu TiN

Yếu tố này đảm bảo mô hình mô phỏng phản ánh đúng các quy luật vật lý, giúp nắm bắt chính xác cách vật liệu phản ứng với ánh sáng, đảm bảo kết quả thu được từ mô phỏng có tính khả dụng, đáng tin cậy trong nghiên cứu và ứng dụng thực tế. Với mô phỏng phiếm hàm mật độ DFT, các tính toán về hàm điện môi của vật liệu TiN (nhóm không gian Fm3m) được thực hiện bằng gói phần mềm Quantum Espresso [42 – 44]. Do phần ảo chịu trách nhiệm về độ hấp thụ và tiêu tán năng lượng của vật liệu nên kết quả nghiên cứu sự hấp thụ dựa trên hàm điện môi DFT được dự đoán sẽ không đạt độ chính xác cao từ vùng hồng ngoại 𝜆 ≥ 1000 nm.

Dưới sự đồng nhất trong cả hàm điện môi và phổ hấp thụ cũng như phần trăm thể tích của Ti trong TiN, có thể khẳng định sự tương tác giữa các nguyên tử Ti trong TiN đóng vai trò quan trọng và chủ đạo trong quá trình xây dựng hàm điện môi của TiN. Trong đó, 𝜀𝑒𝑓𝑓 là giá trị điện môi hiệu dụng trung bình, 𝜀𝑚 và 𝜀ⅈ lần lượt là giá trị điện môi của vật liệu nền và vật liệu pha tạp, 𝛿ⅈ là tỉ lệ thể tích của vật liệu được đưa vào. Phổ hấp thụ của cấu trúc khi thay đổi tỉ lệ thể tích của TiO2 trong TiN Trước đó, Zhang và cộng sự đã thực hiện một nghiên cứu về vật liệu TiNO ứng dụng cho bộ hấp thụ năng lượng mặt trời chọn lọc quang phổ, trong đó TiNO_L và TiNO_H tương ứng với vật liệu TiNO có tỷ lệ N/O thấp và cao [51].

Độ tin cậy của phần mềm CST

Sự giảm độ dẫn nhiệt sẽ làm giảm khả năng tản nhiệt, hạn chế quá trình truyền nhiệt, dẫn đến tăng nhiệt độ bề mặt khi hấp thụ ánh sáng và tăng lượng nhiệt thu được. Do bài báo chỉ cung cấp thông số cấu trúc, chúng tôi chọn sử dụng dữ liệu về hàm điện môi TiN thực nghiệm từ nghiên cứu [39] và hàm điện môi SiO2 thực nghiệm từ nghiên cứu [50]. Dựa vào thông tin được cung cấp trong bài báo, nghiên cứu này sử dụng dữ liệu hàm điện môi TiN từ nghiên cứu [53] và giá trị chiết suất của SiO2 là n = 1,45.

Tuy nhiên, hai kết quả vẫn chưa hoàn toàn trùng khớp, điều này có thể được giải thích bởi việc trong nghiên cứu [8] sử dụng phần mềm mô phỏng thương mại Lumerical. Do trong bài báo chỉ cung cấp thông số cấu trúc, chúng tôi chọn sử dụng dữ liệu hàm điện môi W thực nghiệm từ nghiên cứu [49] và hàm điện môi SiO2 thực nghiệm từ nghiên cứu [50]. Qua sự nhất quán ở các tính toán lại này có thể thấy khả năng của CST trong mô hình hóa và dự đoán chính xác các phản ứng điện từ liên quan đến tương tác ánh sáng với cấu trúc bộ hấp thụ.

Kết quả mô phỏng và tính toán

Việc thay đổi đường kính ngoài từ 300 – 340 nm làm cho các cấu trúc vòng gần nhau hơn, giúp tăng cường đáng kể sự liên kết plasmonic này, dẫn đến tăng độ hấp thụ của cấu trúc và làm đỉnh hấp thụ ở bước sóng 1550 nm có sự mở rộng. Khi tăng đường kính ngoài từ 340 – 370 nm, sự tương tác plasmonic giữa các vòng giảm cũng như sự tán xạ giữa ánh sỏng và vật liệu trở nờn rừ ràng hơn nờn phổ hấp thụ của sự dịch chuyển đỏ mạnh và độ hấp thụ suy giảm rừ rệt. Như đã trình bày ở trên, do độ dày đâm xuyên của trường điện từ trong vật liệu TiN tối đa 25 nm, độ dày đế h2 được chọn với kích thước tối thiểu ở 70 nm để đảm bảo ánh sáng không thể truyền qua.

Điều này được giải thích bởi ở góc chiếu thông thường, ánh sáng tới vuông góc với bề mặt, sóng điện từ xuyên qua cấu trúc một cách hiệu quả và tương tác với phần lớn diện tích của các vòng TiN, giúp tối đa hóa cơ hội hấp thụ ánh sáng. Khi góc chiếu tới lớn hơn 40o, tương tác plasmonic giữa các vòng nano không xảy ra, đồng thời lượng ánh sáng được giữ lại bên trong vòng nano cũng ít hơn, do đó dẫn đến độ hấp thụ giảm đáng kể. Ở bước sóng 780 nm, cùng với sự tương tác plasmonic giữa các vòng TiN; sự giam giữ ánh sáng bên trong vòng TiN và sự hấp thụ của đế TiN cũng dẫn đến sự tăng cường đáng kể của điện trường bên trong các vòng TiN.

ỨNG DỤNG TRÍ TUỆ NHÂN TẠO 3.1. Giới thiệu về trí tuệ nhân tạo

Dự đoán phổ hấp thụ dựa trên sự biến thiên của thông số cấu trúc Mối quan hệ cấu trúc – tính chất là một khía cạnh quan trọng trong khoa

Thay vì phụ thuộc vào phương pháp truyền thống và các thử nghiệm đắt đỏ, dự đoán thuận cho phép nhà nghiên cứu sử dụng các mô hình học máy để dự đoán phổ hấp thụ của vật liệu biến hóa, dựa trên các thông số đặc trưng của chúng. Điều này không chỉ giúp giảm thiểu thời gian và chi phí mà còn tăng cường hiệu suất phát triển các bộ hấp thụ tiên tiến, hứa hẹn mở ra những tiềm năng lớn trong nghiên cứu và ứng dụng của vật liệu biến hóa trong các lĩnh vực khác nhau. Bằng cách so sánh kết quả dự đoán với giá trị thực tế trên tập kiểm chứng, sử dụng các độ đo như sai số toàn phương trung bình MSE (Mean Squared Error), hệ số xác định R2 (coefficient of determination) hoặc các phương pháp đánh giá khác, chúng ta có thể đánh giá hiệu suất của mô hình và đảm bảo tính tổng quát hóa trên dữ liệu mới, không thuộc tập huấn luyện.

Trong nghiên cứu này, sau khi tạo được bộ dữ liệu gồm 1800 phổ hấp thụ với 1807200 giá trị, chúng tôi thử nghiệm các thuật toán khác nhau gồm K- nearest neighbors, Decision Tree, Extra Trees để học dáng điệu và biến thiên của phổ quang học. Từ các kết quả trên, có thể thấy thuật toán Extra Trees cho thấy hiệu suất tốt với giá trị trung bình R2 lên đến 0,993, nhưng thời gian học lâu, đòi hỏi sự cân nhắc giữa hiệu suất và thời gian huấn luyện. Mô hình học sâu được phát triển bởi Matthew và đồng nghiệp cho ứng dụng dự đoán phổ quang học của các phân tử đã mang lại kết quả xuất sắc với vị trí và cường độ của các đỉnh phổ được dự đoán chính xác, đạt hệ số R2 ≥ 0,96 [72].

Dự đoán thông số cấu trúc dựa trên sự biến thiên của phổ hấp thụ Trong khi dự đoán thuận cho phép sử dụng các cấu trúc đã biết để dự đoán

Ngoài ra, khi xem xét độ phức tạp của thuật toán, các mô hình học sâu này thường đòi hỏi các kiến trúc và quy trình huấn luyện phức tạp hơn so với các mô hình học máy. Vì vậy, có thể thấy mặc dù mô hình học máy của chúng tôi đơn giản hơn nhưng vẫn nổi bật hơn cả về độ chính xác và thời gian dự đoán. Các thông số cấu trúc mục tiêu và kết quả dự đoán tương ứng bằng thuật toán Decision Tree.

Sau khi thực hiện thuật toán thiết kế ngược, chúng tôi thu được kết quả ấn tượng với R2 đạt 0,99. Bên cạnh đó, có thể thấy độ trùng khớp gần như tuyệt đối giữa mô phỏng CST và thuật toán dự đoán Decision Tree cho bộ thông số đầu ra [400, 120, 340], một lần nữa khẳng định tính chính xác của kỹ thuật dự đoán thuận trên. Sự nhất quán cao giữa phổ mục tiêu và phổ dự đoán trên chứng tỏ tiềm năng sử dụng trí tuệ nhân tạo trong thiết kế các cấu trúc quang học phức tạp với tập huấn luyện lớn.