Deep Learning to Automate Parameter Extraction and Model Fitting of Two-Dimensional Transistors
本文提出了一种深度学习框架，通过利用预训练神经网络来近似基于物理的模拟器，实现了二维晶体管物理参数的自动提取与模型拟合，并以显著少于以往方法的训练样本量实现了高精度。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代电子技术的领域中，为我们的设备提供动力的微小晶体管正变得越来越难以理解。科学家们正在超越传统的硅材料，去探索新的材料，例如只有单层原子厚度的超薄片层。这些二维材料在实现更快、更高效的电子设备方面具有巨大的潜力，但它们的行为方式复杂且难以预测。为了使这些新材料发挥作用，研究人员必须测量电流如何流经它们，然后通过逆向推导来确定其内部隐藏的物理特性，例如电子移动的难易程度，或金属与材料接触点的能量势垒高度。这种逆向推导的过程对于设计更好的设备至关重要，但传统上这是一个缓慢且手动的任务，需要专家进行反复的猜测与尝试，往往需要数小时甚至数天才能得到一个正确答案。
斯坦福大学的一个研究小组开发出一种新方法，利用人工智能极大地加速了这一过程。他们并没有让计算机去盲目猜测答案，而是训练了一个数字系统，使其学习电学测量值与晶体管物理特性之间的关系。挑战在于，用于训练该系统的计算机模拟运行速度极慢且成本高昂，生成单个数据点往往需要数分钟甚至数小时。为了解决这个问题，研究人员创建了一个巧妙的两步训练系统。首先，他们训练了一个快速且简单的神经网络，使其模仿缓慢且复杂的物理模拟器。他们利用这个快速的“模仿者”免费生成了海量的练习数据。接着，他们利用这些练习数据来教授主系统如何工作，最后再使用少量的、昂贵的真实模拟数据对其进行微调。
结果显示，该系统可以在不到一秒的时间内提取出晶体管的隐藏物理参数。在测试中，研究人员使用一组由500个模拟器件组成的集合来训练该网络。训练完成后，系统能够通过观察真实晶体管的电学测量数据，瞬间预测出八种不同物理属性的数值，且准确度极高。当他们在一种名为二硫化钨的材料制成的实际实验晶体管上测试该系统时，系统成功地对器件的行为进行了逆向工程，其与测量数据的匹配精度表明达到了近乎完美的拟合。研究人员发现，该系统可以确定电子在材料中的移动速度以及接触点的能量势垒高度，从而揭示出不同器件之间原本难以察觉的差异。
这种方法之所以特别强大，是因为它极大地降低了对计算能力的需求。以往的方法需要基于数万甚至数百万个模拟器件的数据才能达到类似的结果。通过使用快速模仿器进行预训练，研究人员仅用500个器件的数据就取得了优异的结果，这减少了四十倍以上的训练量。这使得使用最严谨、最精确的物理模型成为可能，而这些模型通常因为运行太慢而无法用于大规模数据集的训练。该方法还表现出了极高的灵活性；研究人员展示了它可以扩展到处理更为复杂的、拥有多达35个未知参数的晶体管，这表明它可以应用于除所测试材料之外的各种电子元件。
研究人员通过将训练好的系统应用于制造在三个不同芯片上的51个真实世界晶体管，验证了他们的工作。该系统成功匹配了这些器件的电学曲线，使团队能够绘制出整个芯片上迁移率和接触势垒的分布图。这种细粒度的信息有助于科学家理解制造过程如何影响最终产品，例如金属接触点如何与半导体发生相互作用。虽然该系统在匹配电学曲线方面非常精确，但作者指出，完美的匹配并不保证每一个提取出的数值在物理上都是完美的，因为不同的属性组合有时会产生相似的电学结果。然而，对于表征大规模器件组并理解其性能极限而言，该方法提供了一个稳健且快速的工具。
通过向公众开放其代码和数据，研究人员希望鼓励这些技术的进一步发展。这项工作代表了从手动、耗时的分析向自动化、高通量分析方法的转变。它使科学家能够减少在曲线拟合等繁琐工作上的精力，转而专注于解释这些曲线所提供的物理洞察。随着二维电子技术领域的持续发展，像这样的工具对于将实验性发现转化为可靠、高性能的技术至关重要。快速且准确地理解这些微小器件内部运作机制的能力，是让下一代电子产品走向现实的关键一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。