🔬 物理学

A physics-informed uncertainty-aware surrogate for $p$ - $n$ junction diodes

本文提出了一种用于一维 $p$ - $n$ 结二极管的具有不确定性感知能力的物理信息代理模型，该模型能够精确预测内部器件状态和关键感兴趣量且误差极小，同时提供了一种通过用户指定容差来验证结果并将其扩展到更复杂结结构的形式体系。

原作者： Suchita Kulkarni

发布于 2026-10-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Suchita Kulkarni

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

设计驱动现代生活的微型电子元件，往往感觉像是在航行于一片广袤且未知的领域。为了构建一个半导体器件（例如控制电路中电流流动的二极管），工程师必须解决一组复杂的物理定律，这些定律描述了电场和带电粒子在特定形状内的相互作用方式。传统上，这是通过强大的计算机模拟来完成的，这些模拟就像是一个虚拟实验室。这些模拟极其精确，但速度也很慢。如果一位设计师想要测试成千上万种不同的变体——改变器件的长度、改变材料中添加的杂质浓度或施加的电压——他们就必须为每一个新想法从头开始运行模拟。这个过程非常耗时，以至于会成为整个设计周期的瓶颈。科学家们长期以来一直在寻找一种更快的探索设计空间的方法，一种无需每次都运行完整的、沉重的模拟就能预测器件行为的方法。

在对速度的追求中，研究人员转向了一种被称为“物理信息代理模型”（physics-informed surrogate）的人工智能类型。可以将它想象成一个聪明的捷径。这种计算机模型不仅仅是记忆过去的答案，它还学习了支配该器件的基础物理定律。它通过确保其预测符合这些物理定律，来学习预测二极管的内部状态——即电势以及电子和空穴的密度。一旦模型理解了内部状态，它就可以计算出工程师关心的重要数值，例如流经器件的电流或存储电荷的区域宽度。然而，挑战始终在于信任。如果一个模型更快，我们如何知道它不仅仅是在瞎猜？如果没有衡量自身不确定性的方法，快速的答案并不一定是有用的答案。

一名来自格拉茨大学的研究人员开发了一种新方法来解决这个问题。他们专门为 p-n 结二极管创建了一个物理信息代理模型，这类二极管是许多电子电路的基础构建模块。他们的目标不仅是建立一个快速的预测器，还要建立一个能够知道自己何时正确、何时可能错误的预测器。他们在大量的模拟二极管数据集中训练了该系统，这些数据改变了器件长度和掺杂浓度（即为了使半导体具有导电性而添加杂质的程度）。模型学会了根据这些参数和施加的电压来预测器件的内部状态。基于这种内部状态，研究人员推导出了五个关键感兴趣的量：终端电流、耗尽层宽度、峰值电场以及电子和空穴的存储电荷。

研究人员发现，计算电流的方式至关重要。一种常见的方法涉及对预测的内部状态进行数学求导，以寻找电荷的流动。然而，他们发现这种方法在他们的模型上表现得非常糟糕。因为电流取决于在器件极薄的一层内发生剧烈变化的斜率，模型很难准确计算它，有时产生的误差甚至高达十倍或更多。相反，他们使用了一种基于半导体物理学中既定关系的无导数方法。这种替代方法依赖于对电势进行积分而非对其进行微分，事实证明这种方法要可靠得多，能够在广泛的条件下准确预测电流。

除了预测数值之外，研究人员还引入了一个系统来量化每一个答案的不确定性。他们意识到，模型的准确性很大程度上取决于器件被“耗尽”的程度，即该区域被剥离了移动载流子的状态。通过分析误差如何随耗尽比例而变化，他们为每个预测构建了一个安全区间。这个区间就像是一个置信带，告诉用户可能的真实值的范围有多宽。他们将该系统应用于数千个模型从未见过的全新器件。结果显示，真实值大约有 90% 的时间落在预测区间内。这意味着，当模型给出一个答案时，它也可以告诉工程师：“我有 9% 的把握认为真实值在这个范围内。”

这项研究还揭示了这种速度的极限。该模型在训练过的条件范围内表现得异常出色，但当被要求预测该范围之外的行为时，它就会开始挣扎。具体来说，当施加到器件的电压超过被称为“内置电势”的阈值时，器件的物理行为会发生根本性的变化。由于模型在训练期间从未见过这种机制，它无法预测正确的行为，而是继续根据不再适用的模式进行猜测。这凸显了一个关键发现：虽然代理模型是探索已知设计空间的强大工具，但它无法在不失去可靠性的情况下，简单地外推到全新的物理机制中。

最终，这项工作证明了创建一个不仅能输出数字，而且具备物理感知能力的快速计算机模型是可能的。通过为每个预测附加一个可靠性度量，研究人员将一个简单的预测器变成了一个值得信赖的助手。对于器件物理学家来说，这意味着他们可以快速探索大量的设计方案，同时确切地知道计算机的答案何时是可靠的，以及何时需要运行更慢、更严谨的模拟来进行复核。这种方法成功地弥合了设计中对速度的需求与工程中对准确性的绝对必要性之间的鸿沟，为设计下一代电子元件提供了路径。

技术摘要：一种面向 p-n 结二极管的物理信息驱动且具备不确定性感知能力的代理模型

问题陈述
设计半导体器件通常需要针对特定的几何结构、掺杂分布和边界条件，使用如 Synopsys Sentaurus 或 Silvaco Atlas 等技术计算机辅助设计（TCAD）工具来求解耦合的静电与载流子输运方程（漂移-扩散方程）。尽管这些求解器非常精确，但其计算成本高昂，使得在涉及器件长度、掺杂和工作偏压变化的庞大设计空间中进行探索变得不切实际。现有的机器学习代理模型通常分为三类：端电压响应模型（速度快但缺乏内部状态）、物理信息驱动求解器（代表内部状态但通常缺乏不确定性量化）以及网格原生算子（处理复杂几何结构但需要特定的网格结构）。当前的挑战在于开发一种代理模型，使其不仅能预测器件的内部状态（势能和载流子密度）以及特定几何族中的导出感兴趣量（QoIs），还能在无法获取地面真值（ground truth）的情况下，提供可靠的、用户可指定的误差估计。

方法论
作者开发了一种以器件参数（长度 $L$ 、掺杂 $n_D$ 和偏压 $V$ ）为条件的物理信息神经网络（PINN）代理模型。

控制方程与参数化： 系统使用带有 Shockley-Read-Hall (SRH) 复合的漂移-扩散方程进行建模。作者采用了准费米能级（QFL）参数化方法，求解静电势 ( $\tilde{\phi}$ ) 以及电子/空穴准费米势 ( $\tilde{v}_n, \tilde{v}_p$ )，而非直接求解载流子密度。这避免了由于漂移项与扩散项在数量级上相互抵消而导致的数值不稳定问题。
网络架构： 三个独立的感知机（MLP）分别用于预测 $\tilde{\phi}$ 、 $\tilde{v}_n$ 和 $\tilde{v}_p$ 。网络使用特征线性调制（FiLM）将隐藏层与器件参数（ $L, n_D, V$ 以及用于 2D 的几何描述符）进行耦合。输入包括按器件长度和德拜长度归一化的空间坐标，使网络能够解析不同尺度下的特征。
损失函数： 训练过程最小化以下各项的加权和：
1. 数据损失： 相对于参考数据（来自开源 TCAD 求解器 DEVSIM）的均方误差。
2. 物理损失： Poisson 方程和连续性方程的残差。
3. 边界条件损失： 接触点的狄利克雷（Dirichlet）条件和绝缘边界的诺依曼（Neumann）条件。
  至关重要的是，作者通过引入 DEVSIM 数据解决了“密度门控”问题，即解决在低密度区域梯度消失的问题，确保网络即使在物理残差不敏感的区域也能收敛。
无导数电流读取： 本文的一个关键方法论贡献是计算端电流的方法。在长且高掺杂的器件中，对网络输出进行微分以求电流（ $J_{grad}$ ）会失效，因为网络无法解析所需的陡峭准费米能级斜率。相反，作者使用基于 Gummel 关系的无导数读取法（ $J_{RO}$ ）来积分电势和载流子分布。这种方法即使在内部状态梯度不完美的情况下，也能准确恢复电流。
不确定性量化： 为了在没有地面真值的情况下评估有效性，作者采用了**局部共形预测（localised conformal prediction）**框架。他们将误差定义为器件耗尽比例（ $\kappa = \log_{10}(W_{dep}/L)$ ）的函数。利用校准数据集，他们构建了一个加权的 90% 分位数误差条 $b(\kappa)$ 。在查询时，如果计算出的误差条在用户指定的容差 $\tau$ 范围内，则该代理模型即可“担保”其结果。

核心贡献

无导数电流读取： 本文证明了对于 PINN，在存在陡峭梯度的情形下，无法通过自动微分内部状态来可靠地获得端电流。所提出的基于积分的读取法（Gummel 关系）表现出鲁棒性，而微分电流可能会出现一个数量级的偏差或符号错误。
不确定性感知代理模型： 不同于仅提供点估计的标准 PINN，本研究为预测附带了经过校准的误差区间。该区间以单个物理变量（耗尽比例）为条件，使代理模型能够自我报告其何时可能是不准确的（例如在完全耗尽机制下）。
跨几何结构的泛化能力： 该形式化方法在一维对称和非对称结以及二维平面二极管上得到了验证，表明该架构和读取方法并不受特定几何结构或掺杂对称性的限制。

结果

准确度： 对于一维对称结，代理模型在静电势上的中值 L1 误差为 0.11%，在电子密度上的误差为 1.5%，在空穴密度上的误差为 0.61%。端电流（ $J_{RO}$ ）在测试器件上的中值相对误差为 0.70%。
不确定性覆盖率： 校准后的误差条在所有五个感兴趣量（电流、耗尽宽度、峰值场强、存储电子电荷、存储空穴电荷）上，对测试器件的边际覆盖率约为 90%。
外推极限： 代理模型在训练范围内（ $V < 0.8 V_{bi}$ ）表现良好。然而，在超越内建电势（ $V > V_{bi}$ ）进行外推时会失效，此时中值误差上升至 74%，因为器件进入了训练数据中不存在的电阻限制机制。
基准测试： 在 2D 和非对称 1D 基准测试中，该框架在内部状态和 QoI 方面保持了较低的误差，最大的偏差出现在特定机制下的存储电荷预测中（例如 2D 中 $Q_n$ 的偏差为 13%）。

意义与主张
本文声称展示了一个成功的物理信息驱动代理模型框架，它超越了简单的预测，提供了可靠性评估。通过利用以物理状态变量为条件的共形预测方法，该代理模型可以告知器件物理学家，其特定预测是否落在预期的容差范围内。作者强调，虽然目前该方法仅限于特定的掺杂族和正向偏置，但它为建立可信赖的代理模型奠定了基础。文中明确指出，其不确定性区间是边际的（在整个群体器件中有效），而非针对单个器件的保证，并且仅在校准支持范围（特定的耗尽比例范围）内有效。研究结论认为，虽然物理信息驱动的方法非常强大，但集成不确定性量化对于在设计探索中实现实际部署至关重要。

技术摘要：一种面向 p-n 结二极管的物理信息驱动且具备不确定性感知能力的代理模型

类似论文