Makine öğrenmesi destekli 2D malzemelerin karakterizasyonu

Bu tez çalışmasında, Atomik Kuvvet Mikroskobu (AKM) ile elde edilen ardışık görüntüler kullanılarak yüzeydeki konum kaymalarının yön ve hız bakımından analiz edilmesi amaçlanmıştır. Bu doğrultuda hem klasik makine öğrenmesi algoritmaları hem de derin öğrenme yaklaşımları kullanılarak yön tahmini ve kayma hızı tahmini yapılmıştır. İlk aşamada, X ve Y eksenlerindeki mikrometre cinsinden kayma miktarları giriş değişkeni olarak kullanılarak yön sınıflandırması gerçekleştirilmiştir. Bu sınıflandırma için Random Forest ve Destek Vektör Makineleri (SVM) algoritmaları uygulanmıştır. Random Forest modeli %98.6 test doğruluğu ile yüksek bir başarı gösterirken, SVM algoritması %94.6 doğruluk sağlamıştır. Random Forest modeli, sınıf bazında da daha dengeli F1-score sonuçları vermiştir. İkinci aşamada ise, ardışık görüntü çiftleri arasındaki zaman farkı ve konum değişimleri kullanılarak kayma hızları hesaplanmış, bu veriler zaman serisi analizi yapabilen LSTM (Uzun Kısa Süreli Bellek) ağı ile modellenmiştir. Model mimarisi iki LSTM katmanından oluşmakta olup sırasıyla 64 ve 32 nöron içermekte ve her iki katmanda da tanh aktivasyon fonksiyonu kullanılmaktadır. Çıkış katmanı ise tek nöronlu yoğun (dense) yapıdadır. Farklı sayılarda eğitim veri çifti ile yapılan denemelerde modelin performansı sistematik olarak değerlendirilmiş ve her konfigürasyonda model 50 epok boyunca eğitilmiştir. Modelin tahmin başarısı; Ortalama Kare Hata (MSE), Determinasyon Katsayısı (R²), Kök Ortalama Kare Hata (RMSE) ve Ortalama Mutlak Hata (MAE) metrikleri üzerinden analiz edilmiştir. Test verisi üzerinde elde edilen sonuçlar, modelin düşük hata oranlarıyla tahminler yapabildiğini ve R² değerinin yüksek seviyelerde olduğunu göstermektedir. Bu da LSTM mimarisinin, zaman bağımlı mikroskobik verilerle çalışırken kayma hızlarını başarıyla tahmin edebildiğini göstermektedir.