面向物理逆向建模的近似贝叶斯计算
机器学习
2021-11-29 v1 统计计算
机器学习
摘要
半导体器件模型对于理解薄膜晶体管（TFTs）中的电荷输运至关重要。利用这些 TFT 模型进行推断涉及估计用于拟合实验数据的参数。这些实验数据可包含提取的载流子迁移率或测量的电流。估计这些参数有助于我们对器件性能进行推断。使用模型参数针对给定实验数据拟合 TFT 模型依赖人类专家对多个参数的手动微调。其中若干参数可能对实验数据具有混淆效应，使其在手动调参过程中的个体效应提取成为非直观过程。为避免这一繁杂过程，我们提出一种自动化模型参数提取新方法，从而实现精确模型拟合。本工作中，采用基于模型选择的近似贝叶斯计算（aBc）利用不同栅压值下观测到的迁移率生成估计参数的后验分布。此外，研究表明可利用梯度提升树从迁移率曲线准确预测所提取参数。本工作还将所提框架与精细调优的神经网络进行比较分析，其中所提框架表现更优。
引用
@article{arxiv.2111.13296,
title = {Approximate Bayesian Computation for Physical Inverse Modeling},
author = {Neel Chatterjee and Somya Sharma and Sarah Swisher and Snigdhansu Chatterjee},
journal= {arXiv preprint arXiv:2111.13296},
year = {2021}
}