Модели машинного обучения для эффективной характеристики внутренних параметров фотодиода с барьером Шоттки

Научные отчеты, том 13, Номер статьи: 13990 (2023) Цитировать эту статью

127 доступов

1 Альтметрика

Подробности о метриках

Мы предлагаем модели на основе ИНС для анализа и извлечения внутренних параметров фотодиода Шоттки (СПД), не предоставляя им каких-либо знаний о сильно нелинейном термоэмиссионном (TE) выражении тока устройства. Мы обучаем, оцениваем и демонстрируем модели ML на тридцати шести частных наборах данных из трех ранее опубликованных устройств, которые обозначают текущие реакции при освещении и температуре окружающей среды p-Si диодов Шоттки с барьером Шоттки (SBD), легированных оксидом графена (GO). Уровни допинга GO составляют 0%, 1%, 3%, 5% и 10%. Освещенность варьировалась от темной (0 мВт/см2) до 30 мВт/см2. Тогда прогнозы полностью выполняются при интенсивности 60 мВт/см2. Для каждого диода в набор обучающих данных были включены некоторые значения высоты барьера (\(\phi \)), коэффициента идеальности (n) и последовательного сопротивления (\(R_s\)) независимо рассчитанные с использованием метода Ченга-Чунга. Прогнозы сделаны при неуказанных интенсивностях на основе данных разработки модели при 80 и 100 мВт/см2, а также на внешних данных при 5% и 20% легировании ОГ, которые не были частью набора данных разработки. ИНС достигла среднеквадратической ошибки и среднего показателя абсолютной ошибки ниже 0,003 по всем наборам данных. Это демонстрирует эффективные возможности обучения моделей ИНС, позволяющие точно фиксировать фотоотклики фотодиодов и точно прогнозировать внутренние параметры диодов с барьером Шоттки (SBD), и все это без опоры на внутреннее понимание уравнения термоэлектронной эмиссии (TE) для СБД. Модели ИНС достигли высокой точности в этом процессе. Предложенные модели машинного обучения могут значительно сократить время анализа в циклах разработки устройств и могут применяться к другим наборам данных в различных областях.

Сегодня системы искусственного интеллекта (ИИ) демонстрируют способности, которые соответствуют или превосходят возможности квалифицированного человека во многих областях, — достижение, которое было едва возможно еще год назад и которое развивается с беспрецедентной скоростью1. Все большее внимание уделяется применению методов искусственного интеллекта для извлечения и анализа данных в физических и прикладных науках2. Лишь в нескольких исследованиях алгоритмы на основе машинного обучения применялись для моделирования внутренних параметров фотодиодов. Руиз Эйлер и др.3 использовали глубокие нейронные сети (DNN) для оптимизации многотерминальных устройств наноэлектроники. Они использовали алгоритм градиентного спуска4 и успешно предсказали функциональность устройства в неупорядоченных сетях атомов примеси в кремнии. Эль-Махалави и Эль-Сафти5 использовали квантовую нейронную сеть (QNN) для моделирования характеристик УФ-фотодиода NTCDA/p-Si, точно фиксируя тенденции и экстраполируя неизвестные значения тока при различном освещении. Алгоритмы МО также нашли применение в лазерной сварке6,7,8, оптических фотодиодах9,10, органических диодах11 и фотонике12.

В этом исследовании мы собираем, обучаем и применяем ML для оценки внутренних параметров полупроводниковых фотодиодов (SPD), когда их текущие реакции на освещение известны эмпирически. Это стандартный эксперимент для полупроводниковых диодов. Текущий отклик УЗИП определяется уравнением TE. Это сложное уравнение, которое зависит от вышеупомянутых внутренних параметров \(\phi \), n, \(R_s\), от приложенного напряжения смещения V и от параметров окружающей среды, то есть абсолютной температуры устройства T и освещенности P. Точка эмпирических данных при типичном измерении УЗИП (при заданных P и T) состоит из внешнего наблюдаемого диодного тока I и V. Кстати, в модели TE I циклически зависит сам от себя в сочетании с \(R_s \), V, T, \(\phi \) и n согласно выражению

где q — заряд электрона, k — постоянная Больцмана, A — площадь диода, \(A^*\) — постоянная Ричардсона13,14,15,16. Для данного SPD интерес состоит в том, чтобы охарактеризовать n, \(R_s\) и \(\phi \). Очевидно, уравнение (1) чрезвычайно сложно оценить по этим параметрам, поскольку за последние пять десятилетий было разработано множество методов. Многие из них до сих пор используются, но почти все полагаются на тяжелые упрощающие аппроксимации из-за того, что \(R_s\) в реальных устройствах обычно ненулевой17,18,19,20. Одним из таких методов является метод Ченга-Чунга, разработанный в 1980-х годах18. Он опирается на две функции, линейные по току: