Deep Learning to Automate Parameter Extraction and Model Fitting of Two-Dimensional Transistors
यह शोध पत्र एक डीप लर्निंग फ्रेमवर्क प्रस्तुत करता है जो भौतिकी-आधारित सिम्युलेटरों के अनुमान के लिए एक प्री-ट्रेंड न्यूरल नेटवर्क का लाभ उठाकर टू-डायमेंशनल ट्रांजिस्टर के लिए भौतिक मापदंडों के निष्कर्षण और मॉडल फिटिंग को स्वचालित करता है, जिससे पिछले तरीकों की तुलना में काफी कम प्रशिक्षण नमूनों के साथ उच्च सटीकता प्राप्त होती है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
आधुनिक इलेक्ट्रॉनिक्स की दुनिया में, हमारे उपकरणों को शक्ति देने वाले नन्हे ट्रांजिस्टर को समझना तेजी से कठिन होता जा रहा है। वैज्ञानिक पारंपरिक सिलिकॉन से आगे बढ़कर नए पदार्थों की खोज कर रहे हैं, जैसे कि परमाणुओं की अत्यंत पतली परतें जो केवल एक एकल स्तर जितनी मोटी होती हैं। ये द्वि-आयामी (two-dimensional) पदार्थ तेज़ और अधिक कुशल इलेक्ट्रॉनिक्स के लिए बड़ी संभावना रखते हैं, लेकिन वे जटिल तरीकों से व्यवहार करते जिन्हें समझना कठिन है। इन नए पदार्थों को काम करने लायक बनाने के लिए, शोधकर्ताओं को यह मापना होगा कि उनके माध्यम से बिजली कैसे प्रवाहित होती है और फिर पीछे की ओर काम करके उनके भीतर के छिपे हुए भौतिक गुणों का पता लगाना होगा, जैसे कि इलेक्ट्रॉन कितनी आसानी से चलते हैं या उन बिंदुओं पर ऊर्जा अवरोध कितने ऊंचे हैं जहाँ धातु सामग्री से मिलती है। पीछे की ओर काम करने की यह प्रक्रिया बेहतर उपकरण डिजाइन करने के लिए आवश्यक है, लेकिन पारंपरिक रूप से यह एक धीमा, मैनुअल कार्य रहा है जिसमें विशेषज्ञों को अनुमान लगाने और जांचने की आवश्यकता होती है, जिससे अक्सर एक सही उत्तर पाने में घंटों या दिन लग जाते हैं।
स्टैनफोर्ड यूनिवर्सिटी के शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस का उपयोग करके इस प्रक्रिया को नाटकीय रूप रूप से तेज करने के लिए एक नई विधि विकसित की है। कंप्यूटर से उत्तर का अनुमान लगाने के लिए कहने के बजाय, उन्होंने एक डिजिटल सिस्टम को ट्रांजिस्टर के विद्युत मापों और भौतिक गुणों के बीच के संबंध को सीखने के लिए प्रशिक्षित किया। चुनौती यह थी कि कंप्यूटर सिमुलेशन जिन्हें इस सिस्टम को सिखाने की आवश्यकता है, वे चलाने में अविश्वसनीय रूप से धीमे और महंगे हैं, जो अक्सर एक एकल डेटा पॉइंट उत्पन्न करने में मिनटों या घंटों का समय लेते हैं। इस समस्या को हल करने के लिए, शोधकर्ताओं ने एक चतुर दो-चरणीय प्रशिक्षण प्रणाली बनाई। सबसे पहले, उन्होंने धीमे, जटिल भौतिक सिम्युलेटर की नकल करने के लिए एक तेज़, सरल न्यूरल नेटवर्क को प्रशिक्षित किया। उन्होंने इस तेज़ नकल का उपयोग मुफ्त में भारी मात्रा में अभ्यास डेटा उत्पन्न करने के लिए किया। फिर, उन्होंने इस अभ्यास डेटा का उपयोग मुख्य सिस्टम को काम करने का तरीका सिखाने के लिए किया, और अंत में इसे वास्तविक, महंगे सिमुलेशन के साथ फाइन-ट्यून किया।
परिणामस्वरूप, एक ऐसा सिस्टम प्राप्त हुआ जो एक सेकंड के बहुत छोटे हिस्से में ट्रांजिस्टर के छिपे हुए भौतिक मापदंडों को निकाल सकता है। अपने परीक्षणों में, शोधकर्ताओं ने इस नेटवर्क को प्रशिक्षित करने के लिए सिम्युलेटेड उपकरणों के एक सेट के 500 उपकरणों का उपयोग किया। प्रशिक्षित होने के बाद, सिस्टम वास्तविक ट्रांजिस्टर के विद्युत मापों को देखकर आठ अलग-अलग भौतिक गुणों के मानों की उच्च सटीकता के साथ तुरंत भविष्यवाणी कर सकता है। जब उन्होंने टंगस्टन डाइसल्फाइड नामक सामग्री से बने वास्तविक प्रयोगात्मक ट्रांजिस्टर पर इसका परीक्षण किया, तो सिस्टम ने डिवाइस के व्यवहार को सफलतापूर्वक रिवर्स-इंजीनियर किया, जो एक सटीक मिलान को दर्शाता है। शोधकर्ताओं ने पाया कि सिस्टम यह निर्धारित कर सकता है कि पदार्थ के माध्यम से इलेक्ट्रॉन कितनी तेजी से चलते हैं और संपर्कों (contacts) पर ऊर्जा अवरोधों की ऊंचाई कितनी है, जिससे उपकरणों के बीच के उन अंतरों का पता चलता है जिन्हें अन्यथा पहचानना कठिन होता।
यह दृष्टिकोण विशेष रूप से शक्तिशाली है क्योंकि यह आवश्यक कंप्यूटिंग पावर को नाटकीय रूप से कम कर देता है। पिछले तरीकों के लिए समान परिणाम प्राप्त करने के लिए दसियों हजार या यहाँ तक कि लाखों सिम्युलेटेड उपकरणों के डेटा पर प्रशिक्षण की आवश्यकता होती थी। इस सिस्टम को प्री-ट्रेन करने के लिए तेज़ नकल का उपयोग करके, शोधकर्ताओं ने केवल 500 उपकरणों के डेटा के साथ उत्कृष्ट परिणाम प्राप्त किए, जो चालीस गुना से अधिक की कमी है। यह सबसे कठोर और सटीक भौतिक मॉडलों का उपयोग करना संभव बनाता है, जो आमतौर पर बड़े डेटासेट को प्रशिक्षित करने के लिए बहुत धीमे होते हैं। यह विधि लचीली भी सिद्ध हुई; शोधकर्ताओं ने दिखाया कि इसे तीस-पाँच अलग-अलग अज्ञात मापदंडों वाले बहुत अधिक जटिल ट्रांजिस्टरों को संभालने के लिए बढ़ाया जा सकता है, जो यह सुझाव देता है कि इसे परीक्षण किए गए विशिष्ट पदार्थों से परे इलेक्ट्रॉनिक घटकों की एक विस्तृत श्रृंखला पर लागू किया जा सकता है।
शोधकर्ताओं ने तीन अलग-अलग चिप्स पर निर्मित इक्यावन वास्तविक-दुनिया के ट्रांजिस्टरों पर अपने प्रशिक्षित सिस्टम को लागू करके अपने कार्य को प्रमाणित किया। सिस्टम ने इन उपकरणों के विद्युत वक्रों (electrical curves) को सफलतापूर्वक मैच किया, जिससे टीम को चिप्स में मोबिलिटी और संपर्क अवरोधों के वितरण का मानचित्र बनाने में मदद मिली। विवरण का यह स्तर वैज्ञानिकों को यह समझने में मदद करता है कि विनिर्माण प्रक्रिया अंतिम उत्पाद को कैसे प्रभावित करती है, जैसे कि धातु संपर्क अर्धचालक (semiconductor) के साथ कैसे क्रिया करते हैं। हालांकि सिस्टम विद्युत वक्रों को मिलाने में अत्यधिक सटीक है, लेखक नोट करते हैं कि एक पूर्ण मिलान यह गारंटी नहीं देता कि निकाला गया प्रत्येक एकल नंबर भौतिक रूप से पूर्ण है, क्योंकि गुणों के विभिन्न संयोजन कभी-कभी समान विद्युत परिणाम उत्पन्न कर सकते हैं। हालांकि, उपकरणों के बड़े समूहों को समझने और उनके प्रदर्शन की सीमाओं को समझने के उद्देश्य से, यह विधि एक मजबूत और तीव्र उपकरण प्रदान करती है।
अपने कोड और डेटा को सार्वजनिक रूप से उपलब्ध कराकर, शोधकर्ता इन तकनीकों के और अधिक विकास को प्रोत्साहित करने की आशा करते हैं। यह कार्य मैनुअल, समय लेने वाले विश्लेषण से स्वचालित, उच्च-थ्रूपुट दृष्टिकोण की ओर एक बदलाव है। यह वैज्ञानिकों को वक्रों को फिट करने के उबाऊ काम के बजाय उन वक्रों से प्राप्त भौतिक अंतर्दृष्टि की व्याख्या करने पर ध्यान केंद्रित करने की अनुमति देता है। जैसे-जैसे द्वि-आयामी इलेक्ट्रॉनिक्स का क्षेत्र बढ़ता जा रहा है, इस तरह के उपकरण प्रयोगात्मक खोजों को विश्वसनीय, उच्च-प्रदर्शन तकनीक में बदलने के लिए आवश्यक होंगे। इन सूक्ष्म उपकरणों के आंतरिक कामकाज को जल्दी और सटीक रूप से समझने की क्षमता अगली पीढ़ी के इलेक्ट्रॉनिक्स को वास्तविकता में लाने की दिशा में एक महत्वपूर्ण कदम है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।