.png){kind=icon}
返回
Active Learning-Driven Inkless Additive Nanomanufacturing for Printed Electronics
.png){kind=icon}
PRE
AI
DOI：10.1002/admt.71023.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无墨添加剂纳米制造用于印刷电子技术，具有广泛材料和基板适用性的前景，但高维印刷参数空间使得调整印刷参数耗时。我们提出了一种贝叶斯优化研究，通过印刷银数据构建数字孪生体，以基准测试替代模型、获取函数和批量大小，以实现用户指定的目标电阻。测试的替代模型包括高斯过程、随机森林和贝叶斯神经网络替代模型，以及预期改进和置信界获取函数。总共，我们评估了48种独特模型配置，并与随机采样基线进行比较。对于印刷银，批量大小为一的贝叶斯神经网络实现了最低平均累积遗憾，平均效率约为随机采样的四倍。为平衡性能和基板空间，选择了预期改进和批量大小为四的随机森林模型作为验证测试模型。将该选定配置应用于铜并增加一个印刷参数，该模型在五个验证集中少于30条印刷线内实现了距离1 Ω目标0.15 Ω的电阻。总体而言，该工作流程产生了一个经过调整和验证的模型，能够高效地指导实验接近目标，同时学习参数空间。
Keyword:
Bayesian optimization
printed electronics
nanomanufacturing
digital twin
active learning
期刊
IF:
6.2
论文数:
5.3K
被引数:
2.4W
机构
引用论文
Additive Nanomanufacturing of Multifunctional Materials and Patterned Structures: A Novel Laser-Based Dry Printing Process多功能材料和图案化结构的添加剂纳米制造: 一种新型的基于激光的干法打印工艺
OAAI
OAAI分享收藏分享收藏Dry Printing and Additive Nanomanufacturing of Flexible Hybrid Electronics and Sensors柔性混合电子和传感器的干式打印和添加剂纳米制造
OAAI
OAAI分享收藏Active and transfer learning with partially Bayesian neural networks for materials and chemicals基于部分贝叶斯神经网络的材料与化学领域的主动学习与迁移学习.png)
DIGITAL DISCOVERYOAAI
DIGITAL DISCOVERYIF5.6
OAAI分享收藏Machine Learning Enables Process Optimization of Aerosol Jet 3D Printing Based on the Droplet Morphology基于液滴形态的机器学习实现气溶胶喷射3D打印工艺优化
PREAI
分享收藏Optimized inkjet-printed silver nanoparticle films: theoretical and experimental investigationsRSC AdvancesOAAI
RSC AdvancesIF0
OAAI分享收藏
查看更多内容