利用基于物理的神经网络的仿真增强机器学习方法对Ga2O3晶体管（TCAD）的迁移率参数进行校准

《IEEE Transactions on Electron Devices》：Ga2O3 TCAD Mobility Parameter Calibration Using Simulation Augmented Machine Learning With Physics-Informed Neural Network

基于机器学习自动校准和提取Ga2O3肖特基二极管PhuMob模型参数的研究。通过TCAD仿真数据训练的混合模型（自编码器+神经网络）在preturn-on regime下参数质量与专家校准相当，但在on-state regime表现不佳。引入物理信息神经网络（PINN）后，模型在两种工作状态下均达到专家水平精度。

　　

摘要：

在本文中，我们展示了利用机器学习（ML）进行自动技术计算机辅助设计（TCAD）参数校准和提取的可行性，其中机器仅通过TCAD仿真数据进行训练。该方法通过实验数据进行了验证。使用新型超宽禁带材料氧化镓（Ga2O?）制备了具有不同有效阳极功函数（WF）的肖特基势垒二极管（SBDs），并在不同温度下对其进行了测量。这些二极管的电流-电压（I-V）曲线被用于自动校准Philips统一的迁移率（PhuMob）模型参数。共校准了五个关键的PhuMob参数：μ_max、μ_min、N_ref、α和θ。该系统由一个自动编码器（AE）和一个神经网络（NN）组成，仅通过包含WF变化以及五个PhuMob参数变化的TCAD仿真数据进行训练（总共七种变化情况）。随后，从带有噪声的实验曲线中提取了Ga2O3 PhuMob参数。使用这些提取的参数进行的后续TCAD仿真表明，在关断状态下，参数的质量与专家校准的结果相当；但在导通状态下则不然。通过使用基于简单物理知识的神经网络（PINN），该系统在所有工作状态下都能与人类专家的表现相当。