Modeling Thickness Dependencies of Electrical Parameters and Nanostructure Formation in Vapor-Phase Condensates of LAST Compounds Using Machine Learning

Abstract

The article discusses the modeling of thickness dependencies of the electrical parameters of thin films based on LAST (Pb-Ag-Sb-Te) compounds using machine learning methods. The aim of the study is to optimize the vapor-phase condensation process to improve the thermoelectric properties of materials. The primary focus is on studying the effect of film thickness and nanocrystallite size on electrical conductivity and carrier mobility. Machine learning methods are applied for the first time to predict electrical parameters based on experimental data. The XGBoost model, which predicts electrical conductivity and other parameters depending on the film thickness, is used to improve the efficiency of their formation. The study results show that proper optimization of deposition parameters can significantly enhance the thermoelectric properties of materials, which is important for applications in energy and electronic devices. Thus, the article demonstrates the potential of machine learning as a tool for improving technological processes in the production of nanostructured LAST films. У статті розглядається моделювання товщинних залежностей електричних параметрів тонких плівок на основі сполук LAST (Pb-Ag-Sb-Te) із використанням методів машинного навчання. Метою роботи є оптимізація процесу осадження парофазних конденсатів для покращення термоелектричних властивостей матеріалів. Основну увагу приділено вивченню впливу товщини плівок та розмірів нанокристалітів на електропровідність та рухливість носіїв заряду. У статті вперше застосовано методи машинного навчання для прогнозування електричних параметрів на основі експериментальних даних. Для цього використовувалася модель XGBoost що дозволяє передбачати поведінку електропровідності та інших параметрів залежно від зміни товщини плівок, що сприяє підвищенню ефективності процесу їх формування. Результати дослідження показують, що правильна оптимізація параметрів осадження може значно покращити термоелектричні характеристики матеріалів, що важливо для застосування в енергетичних і електронних пристроях. Таким чином, стаття демонструє потенціал машинного навчання як інструмента для поліпшення технологічних процесів у виробництві наноструктурованих плівок сполук LAST.