用于场效应晶体管量子输运预测的物理集成神经网络
无序系统与神经网络
2024-09-02 v1 材料科学
计算物理
摘要
基于量子力学的输运模拟对于理解物理机制至关重要，因而在超短沟道场效应晶体管的设计中具有重要意义，但其面临着高计算强度的首要挑战。传统机器学习有望加速 FET 设计的优化，但由于缺乏高保真数据集和物理知识的整合，其在该领域的应用受到限制。在此，我们引入了一个物理集成神经网络框架，利用内部开发的高保真数据库来预测亚 5 纳米全环绕栅极（GAA）FET 的输运曲线。数据库中的输运曲线收集自文献和我们的第一性原理计算。除了硅之外，我们还将具有不同结构相的砷化铟、磷化铟和硒纳米线作为 FET 沟道材料。然后，我们构建了一个物理知识集成的超向量神经网络（PHVNN），其中将五个新的物理特征加入到输入中以预测输运特性，实现了 0.39 的足够低的平均绝对误差。特别是，约 98% 的电流预测残差在一个数量级以内。使用 PHVNN，我们有效地筛选出了与 n 型具有相同品质因数的对称 p 型 GAA FET，这对于制造同质 CMOS 电路至关重要。最后，我们的自动微分分析为 PHVNN 提供了可解释的见解，这突出了我们新输入参数的重要贡献并提高了 PHVNN 的可靠性。我们的方法提供了一种快速筛选合适 GAA FET 的有效方法，有望加速下一代电子器件的设计过程。
引用
@article{arxiv.2408.17023,
title = {Physics-integrated Neural Network for Quantum Transport Prediction of Field-effect Transistor},
author = {Xiuying Zhang and Linqiang Xu and Jing Lu and Zhaofu Zhang and Lei Shen},
journal= {arXiv preprint arXiv:2408.17023},
year = {2024}
}
备注
13 pages, 4 figures