🔬 applied physics

Deep Learning to Automate Parameter Extraction and Model Fitting of Two-Dimensional Transistors

تقدم هذه الورقة إطار عمل للتعلم العميق يعمل على أتمتة استخراج المعلمات الفيزيائية وملاءمة النماذج للترانزستورات ثنائية الأبعاد من خلال الاستفادة من شبكة عصبية مدربة مسبقاً لتقريب المحاكيات القائمة على الفيزياء، محققةً دقة عالية بعدد أقل بكثير من عينات التدريب مقارنة بالطرق السابقة.

المؤلفون الأصليون: Robert K. A. Bennett, Jan-Lucas Uslu, Harmon F. Gault, Asir Intisar Khan, Lauren Hoang, Tara Peña, Kathryn Neilson, Young Suh Song, Zhepeng Zhang, Andrew J. Mannix, Eric Pop

نُشر 2026-09-09

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Robert K. A. Bennett, Jan-Lucas Uslu, Harmon F. Gault, Asir Intisar Khan, Lauren Hoang, Tara Peña, Kathryn Neilson, Young Suh Song, Zhepeng Zhang, Andrew J. Mannix, Eric Pop

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في عالم الإلكترونيات الحديثة، أصبحت الترانزستورات الصغيرة التي تشغل أجهزتنا تزداد صعوبة في الفهم. بدأ العلماء يتجاوزون السيليكون التقليدي لاستكشاف مواد جديدة، مثل الصفائح فائقة الرقة المكونة من طبقة واحدة فقط من الذرات. تحمل هذه المواد ثنائية الأبعاد وعوداً كبيرة لإنتاج إلكترونيات أسرع وأكثر كفاءة، لكنها تتصرف بطرق معقدة يصعب التنبؤ بها. ولجعل هذه المواد الجديدة تعمل، يجب على الباحثين قياس كيفية تدفق الكهرباء من خلالها، ثم العمل بشكل عكسي لمعرفة الخصائص الفيزيائية الخفية بداخلها، مثل مدى سهولة حركة الإلكترونات أو ارتفاع حواجز الطاقة عند النقاط التي يلتقي فيها المعدن بالمادة. وتعد عملية العمل العكسي هذه ضرورية لتصميم أجهزة أفضل، لكنها كانت تقليدياً مهمة بطيئة ويدوية تتطلب من الخبراء التخمين والتحقق، وغالباً ما تستغرق ساعات أو أياماً للوصول إلى إجابة واحدة صحية.

لقد طور فريق من الباحثين في جامعة ستانفورد طريقة جديدة لتسريع هذه العملية بشكل كبير باستخدام الذكاء الاصطناعي. فبدلاً من مطالبة الكمبيوتر بتخمين الإجابة، قاموا بتدريب نظام رقمي لتعلم العلاقة بين القياسات الكهربائية والخصائص الفيزيائية للترانزستور. وكان التحدي يكمن في أن عمليات محاكاة الكمبيوتر التي يحتاجها النظام للتعلم بطيئة للغاية ومكلفة لتشغيلها، حيث تستغرق غالباً دقائق أو ساعات لتوليد نقطة بيانات واحدة. ولحل هذه المشكلة، ابتكر الباحثون نظام تدريب ذكي مكون من خطوتين؛ أولاً، قاموا بتدريب شبكة عصبية بسيطة وسريعة لمحاكاة محاكي الفيزياء البطيء والمعقد، واستخدموا هذا المحاكي السريع لتوليد كمية هائلة من بيانات التدريب مجاناً. ثم استخدموا بيانات التدريب هذه لتعليم النظام الأساسي كيفية العمل، قبل صقله نهائياً باستخدام عدد قليل من عمليات المحاكاة الحقيقية والمكلفة.

والنتيجة هي نظام يمكنه استخراج المعلمات الفيزيائية الخفية للترانزستور في جزء من الثانية. وفي اختباراتهم، استخدم الباحثون هذه الطريقة على مجموعة من 500 جهاز محاكى لتدريب الشبكة. وبمجرد تدريبها، أصبح بإمكان النظام النظر في القياسات الكهربائية لترانزستور حقيقي والتنبؤ فوراً بقيم ثمانية خصائص فيزيائية مختلفة بدقة عالية. وعندما اختبروا ذلك على ترانزستورات تجريبية فعلية مصنوعة من مادة تسمى "ثنائي كبريتيد التنغستن"، نجح النظام في الهندسة العكسية لسلوك الجهاز، مطابِقاً البيانات المقاسة بدقة تشير إلى ملاءمة شبه مثالية. ووجد الباحثون أن النظام يمكنه تحديد سرعة حركة الإلكترونات عبر المادة وارتفاع حواجز الطاقة عند نقاط الاتصال، مما كشف عن الاختلافات بين الأجهزة المختلفة التي كان من الصعب رصدها لولا ذلك.

هذا النهج قوي بشكل خاص لأنه يقلل بشكل كبير من قوة الحوسبة المطلوبة. فقد تطلبت الطرق السابقة التدريب على بيانات من عشرات الآلاف أو حتى ملايين الأجهزة المحاكة لتحقيق نتائج مماثلة. ومن خلال استخدام المحاكي السريع للتدريب المسبق للنظام، حقق الباحثون نتائج ممتازة باستخدام بيانات من 500 جهاز فقط، وهو انخفاض يزيد عن أربعين ضعفاً. وهذا يجعل من الممكن استخدام أكثر نماذج الفيزياء صرامة ودقة، والتي عادة ما تكون بطيئة جداً بحيث لا يمكن استخدامها لتدريب مجموعات بيانات كبيرة. كما أثبتت الطريقة مرونة عالية؛ حيث أظهر الباحثون أنه يمكن توسيع نطاقها للتعامل مع ترانزستورات أكثر تعقيداً تحتوي على ما يصل إلى خمسة وثلاثين معلماً غير معروف، مما يشير إلى إمكانية تطبيقها على مجموعة متنوعة من المكونات الإلكترونية بخلاف المواد التي تم اختبارها.

وقد تحقق الباحثون من عملهم من خلال تطبيق النظام المدرب على واحد وخمسين ترانزستوراً من العالم الحقيقي تم تصنيعها على ثلاث رقائق مختلفة. نجح النظام في مطابقة المنحنيات الكهربائية لهذه الأجهزة، مما سمح للفريق برسم خريطة لتوزيع الحركية وحواجز الاتصال عبر الرقائق. ويساعد هذا المستوى من التفصيل العلماء على فهم كيف تؤثر عملية التصنيع على المنتج النهائي، مثل كيفية تفاعل التلامسات المعدنية مع أشباه الموصلات. وبينما يتميز النظام بدقة عالية في مطابقة المنحنيات الكهربائية، يشير المؤلفون إلى أن المطابقة المثالية لا تضمن أن كل رقم مستخرج هو مثالي فيزيائياً، حيث يمكن لمجموعات مختلفة من الخصائص أن تنتج أحياناً نتائج كهربائية متشابهة. ومع ذلك، لأغراض توصيف مجموعات كبيرة من الأجهزة وفهم حدود أدائها، توفر هذه الطة أداة قوية وسريعة.

ومن خلال إتاحة الكود والبيانات الخاصة بهم للجمهور، يأمل الباحثون في تشجيع المزيد من التطوير لهذه التقنيات. ويمثل هذا العمل تحولاً من التحليل اليدوي المستهلك للوقت إلى نهج مؤتمت وعالي الإنتاجية لفهم الجيل القادم من الإلكترونيات. فهو يسمح للعلماء بالتركيز بشكل أقل على العمل الممل المتمثل في مطابقة المنحنيات، وبشكل أكبر على تفسير الرؤى الفيزيائية التي توفرها تلك المنحنيات. ومع استمرار نمو مجال الإلكترونيات ثنائية الأبعاد، ستكون أدوات كهذه ضرورية لتحويل الاكتشافات التجريبية إلى تكنولوجيا موثوقة وعالية الأداء. إن القدرة على الفهم السريع والدقيق للأجزاء الداخلية لهذه الأجهزة المتناهية الصغر هي خطوة حاسمة نحو بث الحياة في الجيل القادم من الإلكترونيات.

ملخص تقني: التعلم العميق لأتمتة استخراج المعلمات وملاءمة النماذج للترانزستورات ثنائية الأبعاد

بيان المشكلة
تتطلب التقنيات شبه الموصلة الناشئة، مثل ثنائيات أشباه الموصلات الانتقالية ثنائية الأبعاد (TMDs)، توصيفاً دقيقاً لاستخراج المعلمات الفيزيائية (مثل الحركية، وارتفاع حاجز شوتكي، وملفات العيوب) من القياسات الكهربائية. تقليدياً، يتم تحقيق ذلك عن طريق ملاءمة منحنيات التيار-الجهد ( $I_d$ - $V_{gs}$ ) المقاسة مع نماذج قائمة على الفيزياء. ومع ذلك، فإن هذه العملية تكرارية، وتستغرق وقتاً طويلاً، وغالباً ما تكون غير متاحة لغير الخبراء. وبينما قامت مناهج التعلم العميق الحديثة بأتمتة هذه المسألة العكسية، إلا أنها تتطلب عادةً مجموعات تدريب تضم من 20,000 إلى 1,000,000 جهاز فريد. وبالنسبة للتقنيات الناشئة التي تُنمذج بواسطة محاكيات فيزيائية مكلفة حوسبياً (مثل Sentaurus Device أو حلول النقل الكمي)، فإن توليد مثل هذه المجموعات الضخمة من البيانات يعد أمراً مستعصياً، حيث يمكن أن تستغرق عملية المحاكاة الواحدة دقائق أو ساعات.

المنهجية
يقترح المؤلفون إطار عمل للتعلم العميق يقلل بشكل كبير من عدد عمليات المحاكاة المكلفة القائمة على الفيزياء من خلال توظيف استراتيجية "النموذج البديل" (surrogate) للتدريب المسبق. يتكون سير العمل من خمس خطوات رئيسية:

توليد البيانات القائمة على الفيزياء: يتم إنشاء مجموعة بيانات أولية صغيرة باستخدام محاكي شامل قائم على الفيزياء (Sentaurus Device) للترانزستورات ذات التأثير المجالي (FETs) ثنائية الأبعاد. تقوم مجموعة البيانات هذه بربط معلمات النموذج المدخلة (8 معلمات تشمل الحركية، وارتفاع الحاجز، وملفات العيوب) بمنحنيات المخرج $I_d$ - $V_{gs}$ .
تدريب البديل الأمامي: يتم تدريب شبكة عصبية أمامية لتقريب المحاكي القائم على الفيزياء. تتعلم هذه الشبكة التنبؤ بمنحنيات $I_d$ - $V_{gs}$ بناءً على مجموعة من المعلمات المدخلة.
التدريب المسبق المعزز: تُستخدم الشبكة الأمامية المدربة لتوليد مجموعة بيانات ضخمة ومنخفضة التكلفة حوسبياً (على سبيل المثال، 100,000 منحنى) عن طريق أخذ عينات من معلمات عشوائية. بعد ذلك، يتم تدريب شبكة عصبية عكسية مسبقاً على هذه البيانات المعززة.
الصقل التاندمي (Tandem Fine-Tuning): يتم صقل الشبكة العكسية باستخدام المجموعة الصغيرة الأصلية من المحاكاة القائمة على الفيزياء. ومن الأهمية بمكان أن هذا التدريب يستخدم نهج "الشبكة العصبية التاندمية": حيث تُغذى المعلمات المتوقعة من الشبكة العكسية في الشبكة الأمامية لتقدير التيار الناتج. تعمل دالة الخسارة (loss function) على معاقبة كل من الخطأ في المعلمات المتوقعة والخطأ في التيار المعاد بناؤه ( $I_{pred}$ مقابل $I_{actual}$ )، مما يعالج مشكلة عدم التفرد في المسألة العكسية حيث يمكن لمجموعات متعددة من المعلمات أن تعطي منحنيات متشابهة.
الاستنتاج: بمجرد تدريبها، تقوم الشبكة العكسية برسم خرائط مباشرة من بيانات $I_d$ - $V_{gs}$ التجريبية إلى المعلمات الفيزيائية الكامنة دون الحاجة إلى مزيد من عمليات المحاكاة القائمة على الفيزياء.

المساهمات الرئيسية

كفاءة البيانات: تحقق الطريقة ملاءمة عالية الجودة باستخدام مجموعات تدريب مكونة من حوالي 500 جهاز فقط، مما يمثل انخفاضاً بنسبة تزيد عن 40 ضعفاً مقارنة بالجهود السابقة في التعلم العمما التي تطلبت عشرات أو مئات الآلاف من الأجهزة.
التدريب الصارم فيزيائياً: على عكس الطرق المقتصرة على النماذج المختصرة (compact models)، يتيح هذا النهج التدريب على نماذج معقدة ومتسقة ذاتياً (TCAD) تتضمن الهندسة، والنقل، والتأثيرات الكهروستاتيكية، دون تكاليف حوسبية باهظة.
القابلية للتعميم: تم إثبات قدرة الإطار على التوسع لنماذج أكثر تعقيداً، حيث نجح في الهندسة العكسية لـ 35 معلمة لترانزستورات GaN HEMTs باستخدام نموذج ASM-HEMT المختصر.
العلم المفتوح: أطلق المؤلفون الكود المصدري ومجموعات البيانات العينة على GitHub لتسهيل الأبحاث المستقبلية في التصميم العكسي للترانزستورات.

النتائج

الأداء المحاكى والتجريبي: عند الاختبار على مجموعة من 1,000 جهاز غير مرئي تمت محاكاتها باستخدام Sentaurus Device، حققت الطريقة وسيط معامل التحديد ( $R^2$ ) قدره 0.995. وفي مجموعة الاختبار التجريبية المكونة من 51 ترانزستور من نوع WS₂ أحادي الطبقة، حققت الطريقة وسيط $R^2$ قدره 0.990. كما أظهرت خطوة التدريب المسبق أنها توفر دفعة في الدقة تعادل مضاعفة حجم مجموعة التدريب القائمة على الفيزياء.
دقة استخراج المعلمات: كانت متوسطات الأخطاء المطلقة للمعلمات الرئيسية منخفضة: الحركية (0.88 سم² فولت⁻¹ ث⁻¹) وارتفاع حاجز شوتكي (18.4 ميلي إلكترون فولت). كانت الأخطاء أعلى قليلاً بالنسبة لمعلمات كثافة العيوب، وهو ما يُعزى إلى التكرار المتبادل في النموذج، رغم أن ملاءمة $I_d$ - $V_{gs}$ الإجمالية ظلت ممتازة.
التحقق التجريبي: تم تطبيق الطريقة على 51 ترانزستور WS₂ تجريبي أحادي الطبقة. أنتجت المعلمات المستخرجة عكسياً منحنيات محاكاة تطابق البيانات التجريبية بشكل وثيق، مع وسيط $R^2$ قدره 0.990. كما طابقت التوزيعات المستخرجة للحركية وارتفاع الحاجز التباينات التجريبية المتوقعة نوعياً.
القابلية للتوسع: تعامل النهج بنجاح مع المسائل عالية الأبعاد، حيث قام بملاءمة 35 معلمة لترانزستورات GaN HEMTs باستخدام مجموعة تدريب مكونة من حوالي 16,000 جهاز، مما يثبت أن الطريقة تتوسع مع تعقيد النموذج طالما ظل توليد مجموعة التدريب ممكناً حوسبياً.

الأهمية والادعاءات
يزعم البحث أن هذا النهج يجعل استخراج المعلمات المؤتمت ممكناً للتقنيات الناشئة حيث كان توليد مجموعات بيانات كبيرة عبر المحاكاة الدقيقة القائمة على الفيزياء يشكل عائقاً في السابق. ومن خلال تقليل متطلبات التدريب من أيام أو أسابيع من وقت المحاكاة إلى أقل من ساعة، تمكنت الطريقة من استخدام نماذج معقدة ودقيقة فيزيائياً لتوصيف الأجهزة وتصميم التكنولوجيا بمساعدة الحاسوب (TCAD).

ويؤكد المؤلفون أنه بينما تقوم هذه الطة بأتمتة عملية الملاءمة، فإنها لا تختار تلقائياً النموذج الفيزيائي الصحيح؛ إذ يجب على المستخدم التأكد من أن النموذج القائم على الفيزياء مناسب للجهاز. علاوة على ذلك، يشيرون إلى أنه بينما تعد الطريقة فعالة للغاية في توصيف التوزيعات الكبيرة من الأجهزة (مثل تحليل الإنتاجية أو مراقبة العمليات)، فإنه بالنسبة لملاءمة جهاز واحد، قد تظل طرق التحسين التقليدية أقل تكلفة حوسبياً. يضع هذا العمل التعلم العميق كأداة عملية لسد الفجوة بين المحاكاة الفيزيائية المعقدة وتحليل البيانات التجريبية في الإلكترونيات من الجيل التالي.

أبحاث مشابهة