近年来，机器学习在器件制造方面开始发挥出越来越重要的作用。随着相关的实验数据越来越丰富，训练机器学习模型来预测未知器件的性能也成为可能。研究院课题组基于图卷积神经网络，开发了一种能够预测忆阻器性能的机器学习模型。由于该模型具有优秀的迁移学习能力，课题组基于此对当前实验数据较少的卤化物钙钛矿忆阻器构建了图卷积神经网络模型，并通过该模型优化卤化物钙钛矿忆阻器的制造。
课题组根据忆阻器的电极参数以及阻变层的元素特征，将常规的忆阻器器件抽象为可以用图神经网络处理的图结构，并训练图卷积网络模型预测忆阻器的开关比。为提高预测精度，课题组通过扩大数据集训练出图卷积网络模型，并应用到不同类型的忆阻器预测获得了较高的准确率，从方法上证明了模型具有迁移学习的能力。随后课题组在此模型的基础上，根据有限的新型未知卤化物钙钛矿忆阻器的实验数据，训练出了能够准确预测卤化物钙钛矿忆阻器开关比的图卷积网络模型，从而得到了卤化物钙钛矿忆阻器优化的元素种类、元素化学计量比以及结构参数。该研究揭示了使用机器学习优化忆阻器器件制造的可能性，为忆阻器器件的制造和优化以及机器学习的应用开辟了新的方向。该工作最近在2024年度国际期刊Physica Scripta发表。
