关于TDTR(Time-Domain ThermoReflectance)使用机器学习

该项目是使用机器学习对材料的性质参数进行预测。

 

首先说一下TDTR：

 

 大体的意思就是先使用一束激光引起材料的加热事件，然后在使用另一束延迟激光收集此加热事件的信息并将此热信号转化为电信号。这一过程涉及到以下参数的使用：

 

Controlled Parameters: 被控参数（受控参数）（包括km，hm，f，w0，（t）等）：

就是为进行这个实验而需要达到的目的参数。这里的km，hm中的m指的是metal，因为该实验探测的两层材料（第一层为薄Al，也就是metal（当然也可以为其他metal）；第二层为要探测的材料的性质（各种材料），也就是substrate）

与之相对应的是控制参数（Controlling Parameters）:

就是为了达到该目的参数而使用的手段，即控制其他参数。

举个例子：

要控制锅炉的温度是600摄氏度，那么这个600就是被控参数，而我们需要使得它稳定在600度，可能需要调控燃气的使用量、加热的时间等等，这里的使用量和时间也就是控制参数。由此我们可以知道，受控参数是可以调整的，并且稳定在某一个值，可以看作常数。

 

Output Parameters：输出参数（包括Ksub，G等）：

就是所需要的性质参数（Ksub中的sub指的是substrate，k是thermal conductivity。G指的是两层材料之间的导热率，也就是thermal conductance）

 

而在这里，t是指该时间点的信号值，km，hm等是可以控制在某一个值的，f和w0是我们使用激光的频率和大小，需要注意的是，km，hm等一旦确定，输出参数（性质参数）便已经确定，此时就算改变f和w0，输出参数也不会改变。

 

ML Model：

首先需要数据集：

即将被控参数和性质参数（Output Parameters）输入TDTR模型（或进行TDTR实验）来产生对应的信号（注意，这里虽然说是信号，但是实际上是某一个时间点的信号值，也就是相位比R）。这样我们就可以得到Controlled Parameters，Output Parameters，Signal三组数据。将这三组数据投入到机器学习模型中进行训练。训练完成之后，输入新的Controlled Parameters和Signal，就可以得到返回的性质参数。即：

 

 

因此我们可以知道，当f，w0改变后，为得到预测值而经历计算的拟合方程是不一样的。

所以需要解决这个问题：对于不同的输入f和w0，它们对应的拟合方程不同，需要如何进行正确预测？

如果成功解决了这个问题，那么我们就可以将两层材料叠在一起（一层metal，一层substrate），同时我们已经知道了metal的一些参数，那么就可以通过metal的参数和TDTR模型产生的信号来预测这两层材料叠加起来的导热效果，或者是单独substrate的导热率，由此我们可以尝试组合很多metal与substrate来找到最优材料。那么更深一层，是否也可以有更多层的材料叠加？