Novel AI-Based Methodology for Predicting Superconducting Films' Resistance-Temperature Properties with Nanomaterials

Abstract

Інтеграція найсучасніших наноструктур у моделі прогнозування покращує наше розуміння властивостей надпровідності. Використовуючи методи штучного інтелекту та моделювання, математичний метод використовує унікальні характеристики наночастинок для покращення прогнозів опору та температури. У цьому документі пропонується новий підхід штучного інтелекту (ШІ) для прогнозування аспектів опору та температури надпровідних плівок, наповнених наноматеріалами. У цій статті ми пропонуємо новий метод штучного інтелекту під назвою прогресивне оптимізоване адаптивне дерево рішень Red Fox (PRFO-ADT) для прогнозування надпровідності плівкових покриттів. Етап попередньої обробки достатньої інформації, який стосується таких проблем, як створення ознак і нормалізація, є частиною методики дослідження. Використовується різноманітний набір даних, включаючи коефіцієнти синтезу, властивості наноматеріалів і моделі опору-температури кількох надпровідних плівок. Далі зібрані дані проходять етап попередньої обробки з використанням мінімально-максимальної нормалізації. Запропонований нами метод відкриває двері для складного розуміння ландшафтів опору та температури їхніх надпровідних плівок шляхом дослідження кількох нанотехнологій та їх різного впливу на алгоритм прогнозування. Порівняно з іншими існуючими підходами, PRFO-ADT є ефективним і створює нижчий рівень помилок із загальним значенням 1,2 RMSE, 1,25 MSE, 1,1 MAPE і 4,8 с часу обчислення.

Integrating state-of-the-art nanostructures into prediction models enhances our understanding of superconductivity properties. Using artificial intelligence techniques and modeling, the mathematical method leverages the unique characteristics of nanoparticles to improve resistance-temperature projections. This paper proposes a novel artificial intelligence (AI) approach for predicting the resistance-temperature aspects of nanomaterial-infused superconducting films. In this paper, we offer a novel AI method called Progressive Red Fox Optimized Adaptive Decision Tree (PRFO-ADT) to predict the super conductiveness of film coatings. A sufficient information pretreatment step that addresses issues like feature creation and normalizing is part of the study's technique. A diversified dataset is employed, including synthesis factors, nanomaterial properties, and resistance-temperature patterns of several superconducting films. Next, the gathered data undergo the preprocessing stage using a min-max normalization. Our proposed method opens the door to a sophisticated comprehension of the resistance-temperature landscapes of their superconductivity films by investigating several nanotechnologies and their different effects on the prediction algorithm. Compared to other existing approaches, PRFO-ADT is efficient and produces a lower rate of errors, with a total of 1.2 RMSE, 1.25 MSE, 1.1 MAPE, and 4.8s of computing time.