实验室中所有人都动了起来，陈辉也没有闲着，他已经在继续观察实验数据了。
似乎对于实验结果一点也不关心的样子。
他并没有关注机器学习模型的问题，刚才鄂老已经跟他简单介绍过了，他们对缺陷样本采用几何变换和物理模拟的方式来平衡样本分布。
使用迁移学习，将碳化硅缺陷检测预训练模型迁移至氧化镓，采用元学习，让模型从少量缺陷样本中快速学习特征比如位错的线缺陷方向，再结合主动学习，主动标记“难样本”，引导工程师补充高价值数据等一系列手段。
已经取得了一些成效。
鄂维南院士是机器学习方面的专家，陈辉没有过多插手，他相信这些问题很快就能被解决。
陈辉看向了另一个问题，在导模法生长中，熔体流动影响温度梯度，温度梯度又导致晶体应力，使得最后生成晶体缺陷密度过高，成为废品。
而这个问题又涉及到温度场、流场、应力场、电场的多物理场耦合，
如果仅考虑温度场的FEA模型预测的晶界缺陷密度为10cm，但实际因熔体对流扰动，缺陷密度达3×10cm。
所以想要得到比较准确的数据，就需要协同求解。
其中温度场涉及热传导方程，流场涉及纳维斯托克斯方程，应力场涉及弹性力学方程，这些方程原本在各自的领域就已经足够复杂，现在需要协同求解，无疑是难上加难。
内容未完，下一页继续阅读