English(EN) A Physics-Chemistry-Informed Neural Network (PCINN) for Real-Time Spatial-ALD Coverage Prediction and Reliable Kinetics Inversion

新型PCINN模型高精度预测SALD表面覆盖度

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-04 04:00

研究人员开发了一种物理化学感知神经网络 (PCINN)，旨在高精度、高速度地预测空间原子层沉积 (SALD) 中的表面覆盖度。这种混合代理模型能在毫秒级时间内达到计算流体动力学 (CFD) 级别的精度，在实时应用方面显著优于传统的计算流体动力学方法。PCINN架构被设计为可解释的，并在模型中集成了一个可训练的化学层，能够稳健地识别吸附和解吸能等动力学参数。 AI

影响该模型有望加速原子层沉积工艺的设计和控制，从而在材料科学和制造领域实现更快的迭代和优化。

排序理由该集群包含一篇详细介绍新科学模型及其应用的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Ning Hu, Chang Liu, Yunlei Jiang, Yuan Dong · 2026-08-04 04:00

A Physics-Chemistry-Informed Neural Network (PCINN) for Real-Time Spatial-ALD Coverage Prediction and Reliable Kinetics Inversion

arXiv:2608.00212v1 Announce Type: new Abstract: Spatial atomic layer deposition (SALD) is a leading atmospheric-pressure, high-throughput route to industrial ALD, but design and control are limited by the cost of predicting surface coverage: high-fidelity CFD is far too slow for …

报道来源 [1]

A Physics-Chemistry-Informed Neural Network (PCINN) for Real-Time Spatial-ALD Coverage Prediction and Reliable Kinetics Inversion

相关实体

相关话题