Forecasting Dielectric Behavior of Nano-Epoxy Materials through AI-based Electronic Properties

Abstract

Для прогнозування діелектричної поведінки наноепоксидних композитів було запропоновано складні алгоритми машинного навчання. Діелектричні характеристики були точно оцінені для максимізації використання наноепоксидного композиту в електроніці. Використовуючи моделі штучного інтелекту та дані про їхні електричні властивості, метою є прогнозування діелектричної поведінки наноепоксидних матеріалів. Для досягнення узгодженого внеску характеристик набір даних був попередньо оброблений за допомогою нормалізації min-max, яка нормалізувала діапазон вхідних характеристик. Тому представлена модель Malleable AdaBoost, керована алгоритмом пошуку білки (FSS-MAdaBoost), яка поєднує MAdaBoost з FSS. Ця гібридна модель може подолати типові недоліки покращеної точності прогнозування та успішної обробки складних та нелінійних зв'язків між характеристиками. Запропонована модель порівнюється з існуючою моделлю. Продуктивність була оцінена за допомогою вимірювань RMSE (0,018) та MAE (0,01). Згідно з вищезазначеними результатами, модель на основі FSS-MAdaBoost перевершує попередні підходи зі значно нижчими значеннями RMSE та MAE, що свідчить про кращі прогнози та надійність. Результати вказали на перспективні напрямки прогнозування діелектричних властивостей за допомогою моделі FSSMAdaBoost для наноепоксидних матеріалів, надаючи цінну інформацію, яку вчені-матеріалознавці та інженери можуть використовувати для оптимізації дизайну матеріалів, тим самим покращуючи електронні застосування.

To predict the dielectric behavior of nano-epoxy composites, sophisticated machine learning algorithms were suggested. Dielectric characteristics were precisely estimated to maximize the use of the nano-epoxy composite in electronics. Using AI models and data on their electrical properties, the objective is to predict the dielectric behavior of nano-epoxy materials. To achieve consistent feature contributions, the dataset was preprocessed using min-max normalization, which normalized the range of input characteristics. Therefore, present the Finetuned Squirrel Search Algorithm-driven Malleable AdaBoost model (FSS-MAdaBoost), which combines MAdaBoost with the FSS. This hybrid model may overcome the typical drawbacks of improved prediction accuracy and the successful handling of complicated and nonlinear connections between features. The suggested model is compared to an existing model. The performance was evaluated using RMSE (0.018) and MAE (0.01) measures. According to the foregoing results, the FSS-MAdaBoost-based model outperforms previous approaches with much lower values of RMSE and MAE, indicating superior predictions and dependability. The results indicated promising directions for dielectric property forecasting using the FSS-MAdaBoost model for nano-epoxy materials, providing valuable insights that material scientists and engineers can use to optimize material design, thereby improving electronic applications.