08/08/2026
📃 (🇬🇧 ⬇️)
🔥 Ուրախությամբ հայտնում ենք, որ Քվանտային նյութերի և նանոֆոտոնիկայի լաբորատորիայի՝ միջազգային գործընկերների հետ համատեղ իրականացված նոր գիտական աշխատանքը՝ «𝐈𝐝𝐞𝐧𝐭𝐢𝐟𝐢𝐜𝐚𝐭𝐢𝐨𝐧 𝐨𝐟 𝐢𝐦𝐩𝐮𝐫𝐢𝐭𝐲 𝐜𝐨𝐧𝐟𝐢𝐠𝐮𝐫𝐚𝐭𝐢𝐨𝐧𝐬 𝐢𝐧 𝐪𝐮𝐚𝐧𝐭𝐮𝐦 𝐝𝐨𝐭𝐬 𝐟𝐫𝐨𝐦 𝐩𝐡𝐨𝐭𝐨𝐢𝐨𝐧𝐢𝐳𝐚𝐭𝐢𝐨𝐧 𝐬𝐩𝐞𝐜𝐭𝐫𝐚 𝐮𝐬𝐢𝐧𝐠 𝐦𝐚𝐜𝐡𝐢𝐧𝐞 𝐥𝐞𝐚𝐫𝐧𝐢𝐧𝐠», հրապարակվել է 𝐒𝐨𝐥𝐢𝐝 𝐒𝐭𝐚𝐭𝐞 𝐂𝐨𝐦𝐦𝐮𝐧𝐢𝐜𝐚𝐭𝐢𝐨𝐧𝐬 միջազգային ամսագրում (Q2, Impact Factor = 2.8)։
🔬 Աշխատանքում ուսումնասիրվել է, թե ինչպես կարելի է ֆոտոիոնացման սպեկտրների միջոցով բացահայտել քվանտային կետերում խառնուրդային ատոմների տարածական դասավորությունը՝ համադրելով տեսական մոդելավորումն ու մեքենայական ուսուցման մեթոդները։
💡 Ցույց է տրվել, որ խառնուրդային ատոմների տարբեր դասավորությունները ֆոտոիոնացման սպեկտրներում ձևավորում են իրենց բնորոշ «սպեկտրային մատնահետքերը», որոնք կարող են օգտագործվել քվանտային կետի ներքին կառուցվածքի նույնականացման համար։
🤖 Մեքենայական ուսուցման մոդելները հնարավորություն են տվել լուծել հակադարձ խնդիրը՝ ֆոտոիոնացման սպեկտրից կանխատեսելով քվանտային կետի կառուցվածքային առանձնահատկությունները։ SVM մոդելը ապահովել է մոտ 94%, իսկ MLP մոդելը՝ մոտ 90% դասակարգման ճշգրտություն։
🚀 Ստացված արդյունքները նոր հնարավորություններ են ստեղծում սպեկտրոսկոպիկ չափումների հիման վրա քվանտային նանոկառուցվածքների ներքին կառուցվածքի արագ և ավտոմատ նույնականացման համար։
🤝 Հետազոտությունն իրականացվել է միջազգային համագործակցությամբ՝ Հայաստանի, Թունիսի, Շվեդիայի և Ռուսաստանի գիտնականների մասնակցությամբ։
💼 Հետազոտության հայաստանյան մասն իրականացվել է ՀՀ ԿԳՄՍՆ Բարձրագույն կրթության և գիտության կոմիտեի կողմից ֆինանսավորվող № 24FP-2A029 գիտահետազոտական ծրագրի շրջանակում։
👏 Շնորհավորում ենք մեր թիմակիցներին և բոլոր գործընկերներին այս գիտական արդյունքի կապակցությամբ։
—————————————
📃
🔥 We are pleased to announce that a new scientific work by the Quantum Materials and Nanophotonics Laboratory, carried out in collaboration with our international partners, entitled “𝐈𝐝𝐞𝐧𝐭𝐢𝐟𝐢𝐜𝐚𝐭𝐢𝐨𝐧 𝐨𝐟 𝐢𝐦𝐩𝐮𝐫𝐢𝐭𝐲 𝐜𝐨𝐧𝐟𝐢𝐠𝐮𝐫𝐚𝐭𝐢𝐨𝐧𝐬 𝐢𝐧 𝐪𝐮𝐚𝐧𝐭𝐮𝐦 𝐝𝐨𝐭𝐬 𝐟𝐫𝐨𝐦 𝐩𝐡𝐨𝐭𝐨𝐢𝐨𝐧𝐢𝐳𝐚𝐭𝐢𝐨𝐧 𝐬𝐩𝐞𝐜𝐭𝐫𝐚 𝐮𝐬𝐢𝐧𝐠 𝐦𝐚𝐜𝐡𝐢𝐧𝐞 𝐥𝐞𝐚𝐫𝐧𝐢𝐧𝐠,” has been published in 𝐒𝐨𝐥𝐢𝐝 𝐒𝐭𝐚𝐭𝐞 𝐂𝐨𝐦𝐦𝐮𝐧𝐢𝐜𝐚𝐭𝐢𝐨𝐧𝐬 (Q2, Impact Factor = 2.8).
🔬 The study investigates how photoionization spectra can be used to identify the spatial arrangement of impurities inside quantum dots by combining theoretical modeling with machine-learning techniques.
💡 The results demonstrate that different impurity arrangements produce distinct “spectral fingerprints” in the photoionization spectra, which can be used to identify the internal structure of quantum dots.
🤖 Machine-learning models were then employed to solve the inverse problem — predicting the structural characteristics of quantum dots directly from their photoionization spectra. The Support Vector Machine (SVM) achieved approximately 94% classification accuracy, while the Multi-Layer Perceptron (MLP) reached approximately 90%.
🚀 These findings open new possibilities for the rapid and automated identification of the internal structure of quantum nanostructures from spectroscopic measurements.
🤝 The research was carried out through international collaboration involving scientists from Armenia, Tunisia, Sweden, and Russia.
💼 The Armenian contribution was supported by the RA MESCS Higher Education and Science Committee within the framework of Research Project No. 24FP-2A029.
👏 Congratulations to our team members and all collaborators on this scientific achievement!
