DOI: https://doi.org/10.1038/s41598-025-33495-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41530273
تاريخ النشر: 2026-01-13
المؤلف: Ali Öter وآخرون
الموضوع الرئيسي: أبحاث الجرافين وتطبيقاته
نظرة عامة
يتناول هذا القسم تطوير نهج تعلم تجميعي يهدف إلى توقع أداء كواشف الضوء القائمة على نقاط الكم الجرافينية المخدرة بالبيزموت عبر مستويات إضاءة مختلفة (22 إلى 110 مW/mm²). استخدمت الدراسة أربعة خوارزميات تعزيز—التعزيز التكيفي، وتعزيز التدرج، وتعزيز التدرج المتطرف، وتعزيز الفئات—تم تدريبها على مجموعات بيانات تم جمعها تحت ظروف إضاءة مختلفة (ظلام، 22، 66، و110 مW/mm²)، مع تخصيص بيانات عند 44 و88 مW/mm² لأغراض الاختبار.
حسن نموذج التجميع بشكل كبير من دقة التوقع، حيث حقق معامل تحديد ($R^2$) قدره 0.9874 ومتوسط خطأ مطلق (MAE) قدره 0.1840 عند 88 مW/mm². تنبأ هذا النموذج بفعالية بخصائص التيار-الجهد اللوغاريتمي لكواشف الضوء وقدر مقاييس الأداء الرئيسية، مما يبرز إمكانيته في تبسيط عملية توصيف التجارب في التطبيقات الضوئية الإلكترونية.
مقدمة
تسلط المقدمة الضوء على أهمية كواشف الضوء في تطبيقات مختلفة مثل الاتصالات البصرية، والتصوير، واستشعار البيئة، مع التأكيد على إمكانيات نقاط الكم الجرافينية (GQDs) المخدرة بعناصر مختلفة لتعزيز أدائها. تشير الدراسات السابقة إلى أن GQDs يمكن أن تحسن كفاءة كواشف الضوء، بما في ذلك تلك التي تستخدم مواد MoS\(_2\) والبيروفسكايت، مما يؤدي إلى زيادة الاستجابة الضوئية وزيادة الضوئية. ومن الجدير بالذكر أن كاشف الضوء ذو الهيكل غير المتجانس ذو الطبقتين الذي يجمع بين GQDs والبيروفسكايت أظهر نسب تشغيل/إيقاف أفضل واستجابة ضوئية مقارنة بالأجهزة ذات الطبقة الواحدة، بينما أظهرت GQDs بين أوراق الجرافين قدرة كشف عالية عبر نطاق طيفي واسع.
تركز الدراسة على نقاط الكم الجرافينية المخدرة بالبيزموت (Bi-GQDs) كمادة نشطة، مع تسليط الضوء على مزاياها مقارنة بنقاط الكم البيروفسكايت المخدرة بالهاليد (HPQDs)، التي، على الرغم من خصائصها الضوئية الإلكترونية الممتازة، تعاني من مشكلات في الاستقرار ومخاوف تتعلق بالسمية. تُقدم Bi-GQDs كبديل أكثر استقرارًا وصديقًا للبيئة، حيث يعزز تخدير البيزموت هيكلها النطاقي وديناميات الحامل. وهذا يجعل Bi-GQDs مرشحًا واعدًا لدراسة إثبات المفهوم، بهدف الاستفادة من خصائصها الفريدة لتحسين أداء كواشف الضوء.
طرق
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح معايير اختيار المشاركين، والمواد المستخدمة، والمنهجيات المحددة المطبقة لجمع البيانات وتحليلها. يبرز القسم أهمية القابلية للتكرار والشفافية في البحث من خلال تقديم وصف شامل للتقنيات والأدوات المستخدمة، بما في ذلك أي تحليلات إحصائية تم إجراؤها.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات حول الاعتبارات الأخلاقية التي تم أخذها في الاعتبار خلال الدراسة، مثل الموافقة المستنيرة من المشاركين والموافقة من مجالس المراجعة المؤسسية ذات الصلة. بشكل عام، يخدم هذا القسم لضمان إمكانية إعادة إنتاج البحث بدقة وتقييمه بشكل نقدي من قبل باحثين آخرين في هذا المجال.
مناقشة
تسلط المناقشة الضوء على التحديات المرتبطة بالطرق التجريبية التقليدية لتوصيف أداء كواشف الضوء، مع التأكيد على إمكانيات تقنيات التعلم الآلي (ML) لتبسيط هذه العملية. أظهرت طرق التجميع، وخاصة خوارزميات التعزيز مثل AdaBoost، وتعزيز التدرج، وXGBoost، وCatBoost، وعدًا كبيرًا في تعزيز دقة التوقع لمقاييس كواشف الضوء مثل الاستجابة والكشف. على سبيل المثال، حققت الدراسة دقة تزيد عن 94% في توقع هذه المقاييس، حيث أظهر AdaBoost أعلى درجة R² قدرها 0.9599 عند مستوى إضاءة قدره 44 مW/mm²، مما يدل على فعاليته في نمذجة استجابات الأجهزة تحت ظروف معتدلة.
تقدم البحث إطار عمل تجميعي يدمج نقاط القوة لعدة خوارزميات تعزيز لتوقع أداء كواشف الضوء Bi-doped graphene quantum dots (GQDs)/p-Si عبر مستويات إضاءة متغيرة. لم يحسن هذا النهج دقة التوقع فحسب—كما يتضح من R² قدره 0.9874 وانخفاض متوسط الخطأ التربيعي (MSE) عند مستويات إضاءة أعلى—بل سهل أيضًا تقدير معلمات الأداء الرئيسية دون الحاجة إلى بيانات تجريبية واسعة. تشير النتائج إلى أن الاستفادة من تقنيات التعلم الآلي التجميعية يمكن أن تقلل بشكل كبير من عبء العمل التجريبي مع توفير توقعات موثوقة، مما يسرع من تصميم وتحسين تقنيات كواشف الضوء المتقدمة. قد تستكشف الأبحاث المستقبلية تطبيق هذه المنهجية على أجهزة ضوئية أخرى وت考虑 متغيرات بيئية إضافية لتعزيز قدرات التوقع بشكل أكبر.
DOI: https://doi.org/10.1038/s41598-025-33495-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41530273
Publication Date: 2026-01-13
Author(s): Ali Öter et al.
Primary Topic: Graphene research and applications
Overview
This section discusses the development of a stacking ensemble learning approach aimed at predicting the performance of bismuth-doped graphene quantum dots-based photodetectors across various illumination levels (22 to 110 mW/mm²). The study utilized four boosting algorithms—Adaptive Boosting, Gradient Boosting, Extreme Gradient Boosting, and Categorical Boosting—trained on datasets collected under different illumination conditions (dark, 22, 66, and 110 mW/mm²), with data at 44 and 88 mW/mm² reserved for testing purposes.
The ensemble model significantly improved prediction accuracy, achieving a coefficient of determination ($R^2$) of 0.9874 and a mean absolute error (MAE) of 0.1840 at 88 mW/mm². This model effectively predicted the logarithmic current-voltage characteristics of the photodetectors and estimated key performance metrics, highlighting its potential to streamline the experimental characterization process in optoelectronic applications.
Introduction
The introduction highlights the significance of photodetectors in various applications such as optical communication, imaging, and environmental sensing, emphasizing the potential of graphene quantum dots (GQDs) doped with different elements to enhance their performance. Previous studies indicate that GQDs can improve the efficiency of photodetectors, including those utilizing MoS\(_2\) and perovskite materials, leading to increased photoresponsivity and photogain. Notably, a bilayer heterostructure photodetector combining GQDs and perovskite demonstrated superior on/off ratios and photoresponsivity compared to single-layer devices, while GQDs between graphene sheets exhibited high detectivity across a wide spectral range.
The study focuses on bismuth-doped graphene quantum dots (Bi-GQDs) as the active material, highlighting their advantages over halide perovskite quantum dots (HPQDs), which, despite their excellent optoelectronic properties, suffer from stability issues and toxicity concerns. Bi-GQDs are presented as a more stable and environmentally friendly alternative, with Bi doping enhancing their band structure and carrier dynamics. This makes Bi-GQDs a promising candidate for the proof-of-concept study, aiming to leverage their unique properties for improved photodetector performance.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the selection criteria for participants, the materials used, and the specific methodologies applied to gather and analyze data. The section emphasizes the importance of replicability and transparency in research by providing a thorough description of the techniques and tools utilized, including any statistical analyses performed.
Additionally, the section may include information on the ethical considerations taken into account during the study, such as informed consent from participants and approval from relevant institutional review boards. Overall, this section serves to ensure that the research can be accurately reproduced and critically evaluated by other scholars in the field.
Discussion
The discussion highlights the challenges associated with traditional experimental methods for characterizing photodetector performance, emphasizing the potential of machine learning (ML) techniques to streamline this process. Ensemble methods, particularly boosting algorithms like AdaBoost, Gradient Boosting, XGBoost, and CatBoost, have shown significant promise in enhancing predictive accuracy for photodetector metrics such as responsivity and detectivity. For instance, the study achieved over 94% accuracy in predicting these metrics, with AdaBoost demonstrating the highest R² score of 0.9599 at an illumination level of 44 mW/mm², indicating its effectiveness in modeling device responses under moderate conditions.
The research introduces a stacking ensemble framework that combines the strengths of multiple boosting algorithms to predict the performance of Bi-doped graphene quantum dots (GQDs)/p-Si photodetectors across varying illumination levels. This approach not only improved prediction accuracy—evidenced by an R² of 0.9874 and reduced mean squared error (MSE) at higher illumination levels—but also facilitated the estimation of key performance parameters without extensive experimental data. The findings suggest that leveraging ensemble ML techniques can significantly reduce the experimental workload while providing reliable predictions, thereby accelerating the design and optimization of advanced photodetector technologies. Future research may explore the application of this methodology to other photonic devices and consider additional environmental variables to enhance predictive capabilities further.