用于预测 GaN HEMT 的 I-V 特性的半监督物理引导深度学习框架
应用物理
2021-10-25 v2 机器学习
摘要
本文提出了一种新颖的深度学习框架（DLF），解决了采用深度学习技术求解基于物理的问题时的两个主要障碍：1) 训练深度学习模型需要大型数据集，2) 深度学习模型与现象物理规律的一致性。该框架具有通用性，只要已知某现象的行为，也可用于建模其他研究领域中的现象。为演示该技术，我们开发了一种半监督物理引导神经网络（SPGNN），用于预测氮化镓基高电子迁移率晶体管（GaN HEMT）的 I-V 特性。我们提出了一种两阶段训练方法：第一阶段，利用场效应晶体管的 I-V 方程作为模型的损失函数，通过无监督学习方法训练深度学习模型，从而将物理行为嵌入模型中；第二阶段，使用极少量的实验数据对深度学习模型进行微调。SPGNN 将训练数据需求减少了 80% 以上，即使在未见条件下也能达到优于或等于传统神经网络（TNN）的性能。SPGNN 以小于 1% 的误差预测了 32.4% 的未见测试数据，仅有 0.4% 的未见测试数据误差超过 10%。
引用
@article{arxiv.2110.10724,
title = {Semi-supervised physics guided deep learning framework for predicting the I-V characteristics of GAN HEMT},
author = {Shivanshu Mishra and Bipin Gaikwad and Nidhi Chaturvedi},
journal= {arXiv preprint arXiv:2110.10724},
year = {2021}
}