（钙钛矿）
研制钙钛矿半导体器件，采用基于深度神经网络的方法，对其栅极电压进行调节，建立基于深度神经网络的黑体光源的光波、能量等特性参量。
并对其进行深度学习，建立基于深度神经网络的深度模型，对待测光谱线进行深度重构，获得1 nm（400nm-800nm）的光谱线。
本项目拟采用硅基/MAPbBr3薄膜作为硅基薄膜，通过硅基薄膜在600-900 nm处激发出光生载流子，使其在硅基薄膜中无载流子。
（二维钙钛矿材料 X 射线衍射图）
从而使硅基薄膜中的硅基薄膜在600-900 nm处激发出更多的光生载流子，从而实现对硅基薄膜的宽谱检测。
在此基础上，采用深度神经网络技术，对火焰中 K 离子的光谱特性进行建模，并对其进行训练与测试。
采用光电流回归法，重构出 K 离子的谱线，并将其与温度数据进行转换，得到的结果与实验结果相比，偏差小于5%。
造成这种偏差的原因有二：一是光谱仪的误差，目前基于光谱仪的光谱仪采用了基于深度神经网络的光谱仪，通过对光谱仪的光谱仪进行数据处理，光谱仪的分辨能力会出现一些偏差，从而造成了光谱仪的温度测量结果的偏差。
（光谱仪）
另外，添加了不同种类的金属离子后，其在燃烧过程中所受的作用也会不同。然而，以钙钦矿为基础的单个元件的温度测量存在着一些偏差。
本项目拟在前期研究基础上，利用深度神经网络技术，对光谱仪的光谱仪进行深入研究，并在此基础上，深入研究其在光谱仪上的应用，为实现光谱仪光谱仪测量提供理论依据和技术支持。
在测试过程中，采用了一种新的方法，即采用了一种新的方法来重构 K 的光谱曲线。在此基础上，采用高精密热电偶仪与红外线成象技术，对所提出的测试方法进行验证。
本项目拟采用基于深度学习的方法对单个钙钛矿材料进行光谱和火焰温度的检测，并将其用于化学试剂、农业监测、生物分析和半导体产业等光谱检测。
另外，本项目还将进一步将该技术推广到包括火箭引擎燃烧室、火灾预警等在内的高温燃烧领域，为新型火焰温度测量技术提供理论依据和技术支撑。
参考资料
《Lazar S, Kolibaba T, and Grunlan J. Flame-retardant surface treatments [J]. Nature Reviews Materials, 2020, 5(4):259-275. 》
《Thaylan P, Mondelli C, Agrachev M, et al. Flame-made ternary Pd-In2O3-ZrO2 catalyst with enhanced oxygen vacancy generation for CO2 hydrogenation to methanol [J]. Nature Communications, 2022, 13(1):5610-5610. 》
《Osimitz T, Kacew S, and Hayes A. Assess flame retardants with care [J]. Science, 2019, 365(6457):992-993. 》
