机器学习方法用于预测Schottky结构的电特性,使用在PVP接口层中添加石墨烯和ZnTiO3纳米结构
Ali Barkhordari1, Hamid Reza Mashayekhi2, Pari Amiri3,4
1Faculty of Physics, Shahid Bahonar University of Kerman, Kerman, Iran. alibarkhordari20@yahoo.com.
Scientific reports
|August 22, 2023
概括
机器学习算法准确地预测了Schottky二极管的电气参数. 支持矢量回归模型显示出最佳性能,表明纳米复合材料接口层通过减少泄漏电流和接口状态来提高二极管性能.
科学领域:
- 材料科学 材料科学 材料科学
- 电气工程 电气工程
- 计算物理 计算物理
背景情况:
- 肖特基二极管 (SD) 是重要的半导体设备. 优化它们的电气参数对于设备性能至关重要.
- 接口层可以显著影响SDs的电气特性.
- 机器学习 (ML) 为分析复杂设备物理和预测参数提供了一种强大的方法.
研究的目的:
- 为了研究纳米复合材料接口层对肖特基型结构的影响.
- 采用各种ML算法来预测SD的关键电气参数.
- 为了比较不同ML算法的性能,分析SD电气特性.
主要方法:
- 施托基型结构的制造,具有或没有纳米复合材料接口层 (PVP/ZnTiO3/Gr).
- 使用热离子排放方法研究电流-电压 (I-V) 特性.
- 应用ML算法,包括高斯过程回归 (GPR),内核回归 (KRR),支持向量回归 (SVR) 和人工神经网络 (ANN) 进行参数预测.
主要成果:
- 机器学习算法证明了预测和实验电气参数 (泄漏电流,屏障高度,理想系数,电阻,整正比率,接口状态密度) 之间的良好一致.
- 支持向量回归 (SVR) 模型提供了与实际值最接近的预测.
- 纳米复合材料接口层的存在,特别是与石墨烯的存在,导致泄漏电流和接口状态密度降低,屏障高度增加.
结论:
- ML算法是分析和预测Schottky二极管的电参数的有效工具.
- SVR模型是这种预测分析的高度准确的方法.
- 纳入含有石墨烯的纳米复合材料接口层显著提高了Schottky二极管的性能.
