一个基于物理的自动神经网络生成框架,用于新兴设备建模
Guangxin Guo1, Hailong You1, Cong Li1
1School of Microelectronics, Xidian University, Xi'an 710071, China.
Micromachines
|June 28, 2023
概括
本研究介绍了一种自动物理信息神经网络 (AutoPINN) 框架,以应对半导体建模方面的挑战. 自动PINN确保设备的精确,物理一致的神经网络模型,加速开发.
科学领域:
- 半导体设备建模模的半导体设备
- 在工程领域的人工智能.
- 计算物理学的计算物理.
背景情况:
- 传统的基于方程的半导体建模面临着精度和时间的限制.
- 基于神经网络 (NN) 的模型提供了潜力,但受到非物理行为和复杂结构优化的影响.
- 现有的NN模型缺乏流性和单调性,限制了实际应用.
研究的目的:
- 提出一个自动物理信息神经网络 (AutoPINN) 生成框架.
- 在基于NN的紧模型中解决非物理行为.
- 为了自动确定半导体设备模拟的最佳NN结构.
主要方法:
- 开发了一个结合物理信息神经网络 (PINNs) 和两步自动神经网络 (AutoNN) 的框架.
- PINN包含物理信息,以确保模型的有效性.
- 在没有专家干预的情况下,AutoNN自动优化NN架构.
主要成果:
- 在Gate-all-around晶体管设备上,AutoPINN框架实现了不到0.05%的误差.
- 在高阶衍生品和单调性中证明了保持平滑性.
- 通过测试错误和损失景观分析验证了有希望的概括能力.
结论:
- 自动PINN有效地解决非物理行为,并自动选择NN结构.
- 该框架加速新兴半导体设备的开发和模拟.
- 这种方法为传统建模方法提供了强大而高效的替代方案.
关键词:
自动化机器学习 (AutoML)电路模拟电路模拟器紧型的模型是紧型的模型.新兴设备建模新兴设备建模场效应晶体管 (FET) 是一个神经网络的神经网络的神经网络身体知情的身体知情.一个半导体设备的半导体设备.更多相关视频
10:45Anatomically Inspired Three-dimensional Micro-tissue Engineered Neural Networks for Nervous System Reconstruction, Modulation, and Modeling
Published on: May 31, 2017
13.2K
14:14Targeting Neuronal Fiber Tracts for Deep Brain Stimulation Therapy Using Interactive, Patient-Specific Models
Published on: August 12, 2018
8.9K
