基于物理引导的序列建模：用于快速仿真和2D memristive 器件设计探索
材料科学
2025-05-21 v1 应用物理
计算物理
摘要
对 memristive 器件中 hysteretic 开关动力学进行建模计算负担重大，由于离子和电子传输过程相互耦合。这一挑战在新兴的二维(2D)器件中尤为突出，这些器件拥有高维设计空间，目前仍有大部分未被探索。我们引入一种物理引导的建模框架，将高保真有限体积(FV)电荷传输仿真与长短期记忆(LSTM)人工神经网络(ANN)集成，用于预测动态电压-电流行为。训练于物理仿真数据，该ANN 代理相较于FV模型实现了超过四个数量级的加速，同时保持对物理意义输入参数的直接访问权限和高精度，通常归一化误差<1%。这使得一些此前计算上不可行的迭代任务得以实现，包括从实验数据进行逆向建模、通过指标映射和灵敏度分析进行设计空间探索，以及受约束的多目标设计优化。重要的是，该框架通过对底层FV模型的直接链接，保留了物理可解释性，包括载流子密度、空位分布和电势分布等详细空间动力学。我们的ethods 建立了一个可扩展的框架，用于高效探索、解释和基于模型的设计2D memristive 和神经形态器件。
引用
@article{arxiv.2505.13882,
title = {Physics-Guided Sequence Modeling for Fast Simulation and Design Exploration of 2D Memristive Devices},
author = {Benjamin Spetzler and Elizaveta Spetzler and Saba Zamankhani and Dilara Abdel and Patricio Farrell and Kai-Uwe Sattler and Martin Ziegler},
journal= {arXiv preprint arXiv:2505.13882},
year = {2025}
}