ترجمه فارسی مقاله شبکه عصبی آگاه از فیزیک برای پیش بینی راه حل TCAD با دامنه خارج از آموزش با تخصص دامنه به حداقل

چکیده

Machine learning (ML) is promising in assisting technology computer-aided design (TCAD) simulations to alleviate difficulty in convergence and prolonged simulation time. While ML is widely used in TCAD, they either require access to the internal solver, require extensive domain expertise, are only trained by terminal quantities such as currents and voltages, and/or lack out-of-training-range prediction capability. In this paper, using Si nanowire as an example, we demonstrate that it is possible to use a physics-informed neural network (PINN) to predict out-of-training-range TCAD solutions without accessing the internal solver and with minimal domain expertise. The machine not only can predict a 2.5 times larger range than the training but also can predict the inversion region by only being trained with subthreshold region data. The physics-informed module is also trained with data without the need for human-coded equations making this easier to be extended to more sophisticated systems.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین (ML) نوید بخش کمک به شبیه سازی طراحی رایانه (TCAD) برای کاهش دشواری در همگرایی و زمان شبیه سازی طولانی مدت است.در حالی که ML به طور گسترده ای در TCAD مورد استفاده قرار می گیرد ، آنها یا نیاز به دسترسی به حل کننده داخلی دارند ، نیاز به تخصص دامنه گسترده ای دارند ، فقط توسط مقادیر ترمینال مانند جریان و ولتاژ آموزش می یابند و/یا توانایی پیش بینی دور از آموزش را ندارند.در این مقاله ، با استفاده از SI Nanyquire به عنوان نمونه ، ما نشان می دهیم که می توان از یک شبکه عصبی آگاه از فیزیک (PINN) برای پیش بینی راه حل های TCAD با دامنه خارج از آموزش بدون دسترسی به حل کننده داخلی و با حداقل تخصص دامنه استفاده کرد.این دستگاه نه تنها می تواند محدوده 2.5 برابر بیشتر از آموزش را پیش بینی کند بلکه می تواند منطقه وارونگی را تنها با آموزش داده های منطقه زیر آستانه پیش بینی کند.ماژول آگاهانه فیزیک همچنین بدون نیاز به معادلات کدگذاری شده توسط انسان ، با داده ها آموزش داده می شود و این امر باعث می شود که این امر به سیستم های پیشرفته تر آسانتر شود.