1,721,014 research outputs found
Going Beyond Counting First Authors in Author Co-citation Analysis
Get PDFThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Machine Learning for Intelligent Monitoring of Perovskite Thin-Film Fabrication for Photovoltaics
Get PDFDie dringende Notwendigkeit, die Klimakrise zu bewältigen, erfordert einen raschen Übergang zu erneuerbaren Energien, wobei der Solarenergie eine Schlüsselrolle bei der Deckung des weltweit steigenden Energiebedarfs zukommt. Während die siliziumbasierte Photovoltaik den Markt dominiert, nähert sich ihr Wirkungsgrad den theoretischen Grenzen, sodass neue Ansätze erforderlich sind, um die Wirkungsgrade von Solarzellen weiter zu verbessern und den geplanten massiven Ausbau der Photovoltaik-Kapazität zu realisieren. Tandemsolarzellen, die Silizium mit Metallhalogenid-Perowskiten kombinieren, bieten einen vielversprechenden Weg zu höheren Wirkungsgraden und kostengünstiger Herstellung durch lösungsmittelbasierte Verfahren. Die ausgezeichneten optoelektronischen Eigenschaften von Perowskiten, wie einstellbare Bandlücken und hohe Absorptionskoeffizienten, machen sie zu idealen Kandidaten für die nächste Generation der Photovoltaik.
Trotz bemerkenswerter Fortschritte bei der Perowskit-Photovoltaik im Labormaßstab bleiben Langzeitstabilität und gleichbleibend hohe Wirkungsgrade bei der industriellen Skalierung auf große Flächen zentrale Herausforderungen für die Kommerzialisierung der Perowskit-Technologie. Die Überführung in die industrielle Produktion erfordert die Ablösung des derzeitigen Standardverfahrens Rotationsbeschichtung für die kleinflächige Fertigung durch skalierbare Techniken wie die Klingen- oder Schlitzdüsenbeschichtung. Neben der ohnehin schon komplexen Formationsdynamik bringt die Skalierung auf große Flächen zusätzliche Herausforderungen mit sich, da die Wahrscheinlichkeit von Defekten und Inhomogenitäten steigt, was die Herstellung gleichmäßiger, qualitativ hochwertiger Dünnschichten erschwert. Da Ex-Situ-Techniken diese dynamischen Prozesse nicht erfassen können, sind fortschrittliche In-Situ-Überwachungssysteme unerlässlich, um die Dünnschichtbildung zu überwachen und zu steuern, die Homogenität zu gewährleisten, Defekte zu minimieren und Fertigungsparameter zu optimieren.
Diese Arbeit greift dieses Problem auf, indem sie ein System entwickelt, das fortschrittliche In-Situ-Bildgebung mit maschinellem Lernen kombiniert, um die Bildung von Perowskit-Dünnschichten zu überwachen, zu analysieren und zu optimieren und so eine Brücke zwischen Laborprozessen und industrieller Produktion zu schlagen. Ein auf Photolumineszenz und diffuser Reflexion basierendes bildgebendes System wird vorgestellt, das räumliche, zeitliche und spektrale Informationen während der Filmbildung erfasst und so die Erkennung von Defekten wie Löchern und Schichtdickenschwankungen ermöglicht. Mit hoher zeitlicher Auflösung liefert das System Einblicke in die kritischen Phasen der Perowskit-Dünnschichtbildung, bestehend aus Trocknung, Nukleation und Kristallwachstum. Mit diesem Monitoringsystem werden zwei umfangreiche experimentelle Datensätze erstellt, die Daten von mehr als 3300 klingenbeschichteten Perowskit-Solarzellen und 4448 Dünnschichten enthalten. Diese Datensätze bilden die Grundlage für eine datenbasierte Analyse der komplexen Zusammenhänge zwischen In-Situ-Überwachungsdaten und dem Wirkungsgrad von Solarzellen.
Da die Komplexität der Daten die analytischen Fähigkeiten des Menschen übersteigt, werden maschinelle Lernverfahren auf diesen Daten trainiert, um Materialzusammensetzungen, Dünnschichteigenschaften und Wirkungsgrade von Solarzellen präzise vorherzusagen, noch bevor deren Herstellung abgeschlossen ist. Maschinelles Lernen verbessert die In-Situ-Charakterisierung, indem es komplexe Daten in frühzeitige Qualitätsbeurteilungen umwandelt, Materialinkonsistenzen erkennt, Dünnschichtvariationen identifiziert und Wirkungsgradvorhersagen für eine verbesserte Dünnschichtqualität und Reproduzierbarkeit liefert. Die Modelle übertreffen dabei deutlich Referenzwerte, die menschliche Vorhersagefähigkeiten repräsentieren. Neuronale Netze zeigen insbesondere für industrielle Anwendungen vielversprechende Ergebnisse, da ihre Leistungsfähigkeit mit zunehmender Datensatzgröße stärker ansteigt. Der Übergang von prädiktiver zu präskriptiver Analyse ermöglicht durch maschinelles Lernen gesteuerte Handlungsempfehlungen zur Prozessoptimierung, indem Überwachungsdaten anhand variabler Prozessparameter prognostiziert und der entsprechende Solarzellenwirkungsgrad vorhergesagt wird. Methoden der erklärbaren künstlichen Intelligenz identifizieren kritische Phasen der Dünnschichtbildung, beleuchten Zusammenhänge zwischen In-Situ-Daten und Solarzellenwirkungsgrad und übersetzen diese Erkenntnisse in anwendbare Empfehlungen.
Dieser Ansatz der fortschrittlichen In-Situ-Charakterisierung integriert mit maschinellem Lernen überwindet die Einschränkungen der manuellen Defekterkennung, erlaubt eine Zuordnung der Prozessdaten zum Wirkungsgrad und ermöglicht eine verbesserte Prozesskontrolle. Durch die Überwindung zentraler Hürden für die Kommerzialisierung wird eine skalierbare Hochdurchsatz-Produktion von Perowskit-Solarzellen mit verbesserter Reproduzierbarkeit und Qualität ermöglicht, welche die industrielle Verbreitung beschleunigt und zur globalen Energiewende beiträgt
Variations on the Author
Get PDF“Variations on the Author” discusses two of Eduardo Coutinho’s recent films (Um Dia na Vida, from 2010, and Últimas Conversas, posthumously released in 2015) and their contribution to the general question of documentary authorship. The director’s filmography is characterized by a consistent yet self-effacing form of authorial self-inscription: Coutinho often features as an interviewer that rather than express opinions propels discourses; an interviewer that is good at listening. This mode of self-inscription characterizes him as an author who is not expressive but who is nonetheless markedly present on the screen. In Um Dia na Vida, however, Coutinho is completely absent form the image, while Últimas Conversas, on the contrary, includes a confessional prologue that moves the director from the margins to the center of his films. This article examines the ways in which these works stand out in the filmography of a director who offers new insights into the notion of cinematic authorship
Appropriate Similarity Measures for Author Cocitation Analysis
Get PDFWe provide a number of new insights into the methodological discussion about author cocitation analysis. We first argue that the use of the Pearson correlation for measuring the similarity between authors’ cocitation profiles is not very satisfactory. We then discuss what kind of similarity measures may be used as an alternative to the Pearson correlation. We consider three similarity measures in particular. One is the well-known cosine. The other two similarity measures have not been used before in the bibliometric literature. Finally, we show by means of an example that our findings have a high practical relevance.information science;Pearson correlation;cosine;similarity measure;author cocitation analysis
Perturbation-based inference for diffusion processes: Obtaining effective models from multiscale data
No full textWe consider the inference problem for parameters in stochastic differential equation models from discrete time observations (e.g. experimental or simulation data). Specifically, we study the case where one does not have access to observations of the model itself, but only to a perturbed version which converges weakly to the solution of the model. Motivated by this perturbation argument, we study the convergence of estimation procedures from a numerical analysis point of view. More precisely, we introduce appropriate consistency, stability, and convergence concepts and study their connection. It turns out that standard statistical techniques, such as the maximum likelihood estimator, are not convergent methodologies in this setting, since they fail to be stable. Due to this shortcoming, we introduce and analyse a novel inference procedure for parameters in stochastic differential equation models which turns out to be convergent. As such, the method is particularly suited for the estimation of parameters in effective (i.e. coarse-grained) models from observations of the corresponding multiscale process. We illustrate these theoretical findings via several numerical examples.CSQ
Dispelling the Myths Behind First-author Citation Counts
Get PDFWe conducted a full-scale evaluative citation analysis study of scholars in the XML research field to explore just how different from each other author rankings resulting from different citation counting methods actually are, and to demonstrate the capability of emerging data and tools on the Web in supporting more realistic citation counting methods. Our results contest some common arguments for the continued
use of first-author citation counts in the evaluation of scholars, such as high correlations between author rankings by first-author citation counts and other citation
counting methods, and high costs of using more realistic citation counting methods that are not well-supported by the ISI databases. It is argued that increasingly available digital full text research papers make it possible for citation analysis studies to go beyond what the ISI databases have directly supported and to employ more
sophisticated methods
Perturbation-based inference for diffusion processes: Obtaining effective models from multiscale data
No full textStatistical and numerical methods for diffusion processes with multiple scales
Get PDFIn this thesis we address the problem of data-driven coarse-graining, i.e. the process of inferring simplified models, which describe the evolution of the essential characteristics of a complex system, from available data (e.g. experimental observation or simulation data). Specifically, we consider the case where the coarse-grained model can be formulated as a stochastic differential equation. The main part of this work is concerned with data-driven coarse-graining when the underlying complex system is characterised by processes occurring across two widely separated time scales. It is known that in this setting commonly used statistical techniques fail to obtain reasonable estimators for parameters in the coarse-grained model, due to the multiscale structure of the data. To enable reliable data-driven coarse-graining techniques for diffusion processes with multiple time scales, we develop a novel estimation procedure which decisively relies on combining techniques from mathematical statistics and numerical analysis. We demonstrate, both rigorously and by means of extensive simulations, that this methodology yields accurate approximations of coarse-grained SDE models. In the final part of this work, we then discuss a systematic framework to analyse and predict complex systems using observations. Specifically, we use data-driven techniques to identify simple, yet adequate, coarse-grained models, which in turn allow to study statistical properties that cannot be investigated directly from the time series. The value of this generic framework is exemplified through two seemingly unrelated data sets of real world phenomena.Open Acces
- …
