机器学习促进在有限数据条件下对2D半导体晶体管的低接触电极进行高效选
Penghui Li1,2, Linpeng Dong1,2, Chong Li3
1Shaanxi Province Key Laboratory of Thin Films Technology and Optical Test, Xi'an Technological University, Xi'an, 710032, China.
Advanced materials (Deerfield Beach, Fla.)
|April 12, 2024
概括
机器学习有效地使用有限的数据对2D半导体设备的低屏障电极材料进行选. 这种方法通过减少试错来加速高性能晶体管的开发.
科学领域:
- 材料科学 材料科学 材料科学
- 半导体物理 半导体物理
- 机器学习 机器学习
背景情况:
- 高性能二维半导体设备需要低屏障,高注射电极.
- 传统的电极材料选方法是低效和任意的.
- 机器学习 (ML) 提供了一个解决方案,但需要大量的数据.
研究的目的:
- 开发一个ML方案,用于选2D晶体管的低接触电极材料,数据有限.
- 克服阻碍在半导体设备开发中的实际ML应用的数据要求.
主要方法:
- 提出了一个自编码规范化的对抗神经网络和一个特征适应的变量主动学习算法的组合方案.
- 该模型仅使用15%的可用数据点进行训练.
- 密度状态描述器被用于持续改进和物理洞察.
主要成果:
- 获得的平均平方误差为0.17 eV (垂直的肖特基屏障) 和0.27 eV (横向的肖特基屏障).
- 实现了2.88%的精度,用于道概率预测.
- 在各种训练数据集大小中展示了最佳的预测性能.
- 经验评估和MOSFET设备的构造验证了运输特性.
结论:
- 拟议的ML方案有效地选2D半导体设备的电极材料,但数据有限.
- 这种方法显著加速了高性能二维半导体设备的开发.
- 这些发现突显了ML在先进电子设备的材料发现方面的潜力.
