基于TCAD仿真数据使用Physics Informed Neural Network进行Ga$_2$O$_3$迁移率参数标定
机器学习
2026-01-08 v2
摘要
本文展示了仅使用TCAD仿真数据训练的机器学习方法实现自动TCAD参数校准与提取的可行性。该方法经实验数据验证。制造了不同有效阳极工作函数（WF）的钙钛石势垒二极管（SBDs），使用新兴的超宽带隙材料石化氧化物（Ga2O3），并在 various 温度下测量其电压-电流特性。其用于自动校准Ga2O3 Philips统一迁移率（PhuMob）模型参数的五个关键参数。该机器由自编码器和神经网络组成，仅使用TCAD仿真数据进行训练，仿真数据在WF、T和五个PhuMob参数（共七种变异）中进行 varied。随后，从噪声的实验曲线中提取Ga2O3 PhuMob参数。随后使用提取的参数进行TCAD仿真，显示该参数的质量在预通电 regime 下与专家校准相当，但在通电状态 regime 下则不尽如人意。通过采用简单的物理信息神经网络，该机器在所有 regime 下的表现都与人类专家相当。
引用
@article{arxiv.2504.02283,
title = {Ga$_2$O$_3$ TCAD Mobility Parameter Calibration using Simulation Augmented Machine Learning with Physics Informed Neural Network},
author = {Le Minh Long Nguyen and Edric Ong and Matthew Eng and Yuhao Zhang and Hiu Yung Wong},
journal= {arXiv preprint arXiv:2504.02283},
year = {2026}
}
备注
7 pages, 10 figures