Learning Silicon Dopant Transitions in Graphene using Scanning Transmission Electron Microscopy
Zusammenfassung
Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.
Kurz
Der bereitgestellte Text ist nur der Abstract eines Berichts über maschinelles Lernen zur Bestimmung und Nutzung von Übergangsraten einzelner Siliziumatome auf Graphen, um sie zu festgelegten Zielen zu führen. Die Forschenden berichten von Sensitivitäts- und Genauigkeitsanalysen; konkrete Methoden, Messwerte und Grenzen sind im Auszug nicht enthalten.
Mittel
Der bereitgestellte Text umfasst nur den Abstract, nicht den vollständigen Bericht. Darin stellen die Forschenden einen Ansatz des maschinellen Lernens vor, der Übergangsraten von Siliziumatomen auf einem Graphengitter bestimmen soll, wenn diese durch den Elektronenstrahl eines Rastertransmissionselektronenmikroskops angeregt werden. Die ermittelten Raten werden laut Abstract genutzt, um ein einzelnes Siliziumatom zu vorher festgelegten Zielorten im Gitter zu führen.
Der Text berichtet von Sensitivitäts- und Genauigkeitsanalysen, die nach Darstellung der Autorinnen und Autoren die Allgemeingültigkeit des Ansatzes belegen. Konkrete Methoden, Messwerte und Ergebnisse dieser Analysen fehlen im Auszug. Deshalb lässt sich anhand des vorliegenden Materials nicht näher einschätzen, wie gut die Steuerung funktioniert oder welche Grenzen sie hat. Der Beitrag wird dem NeurIPS Workshop 2023 zugeordnet.
Ausführlich lesen
Der bereitgestellte Text enthält nur den Abstract sowie Angaben zu Autorinnen und Autoren und zum Veranstaltungsort, keinen vollständigen Bericht. Er beschreibt einen Ansatz des maschinellen Lernens, mit dem Übergangsraten von Siliziumatomen auf Graphen bestimmt werden sollen. Graphen wird dabei als Gitter aus Kohlenstoffatomen eingeordnet. Die Übergänge der Siliziumatome werden durch den Elektronenstrahl eines Rastertransmissionselektronenmikroskops angeregt.
Laut Abstract verwenden die Forschenden die erlernten Übergangsraten anschließend, um ein einzelnes Siliziumatom durch das Gitter zu zuvor festgelegten Zielorten zu führen. Als Ergebnisse nennt der Text Sensitivitäts- und Genauigkeitsanalysen, die nach Darstellung der Autorinnen und Autoren die Allgemeingültigkeit des Ansatzes zeigen sollen.
Der Auszug legt weder das konkrete Lernverfahren noch die Versuchsanordnung, Messwerte oder Details der Analysen dar. Daher lässt sich aus dem bereitgestellten Material nicht beurteilen, wie genau die Steuerung gelang, welche Einschränkungen festgestellt wurden oder worauf die behauptete Allgemeingültigkeit im Einzelnen beruht. Als Veranstaltungsort wird der NeurIPS Workshop 2023 genannt.
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Tempo und Grenzen
- SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 58 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Vertrauen in Modelle
- SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 48 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 47 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug