論文の概要: Ga$_2$O$_3$ TCAD Mobility Parameter Calibration using Simulation Augmented Machine Learning with Physics Informed Neural Network

• arxiv url: http://arxiv.org/abs/2504.02283v1
• Date: Thu, 03 Apr 2025 05:09:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-04 12:55:50.186939
• Title: Ga$_2$O$_3$ TCAD Mobility Parameter Calibration using Simulation Augmented Machine Learning with Physics Informed Neural Network
• Title（参考訳）: Ga$_2$O$_3$ TCAD Mobility Parameter Calibration using Simulation Augmented Machine Learning with Physics Informed Neural Network (特集:一般セッション)
• Authors: Le Minh Long Nguyen, Edric Ong, Matthew Eng, Yuhao Zhang, Hiu Yung Wong,
• Abstract要約: 実験データを用いて,機械学習を用いてTCADパラメータのキャリブレーションを行う可能性を示す。 オートエンコーダ(AE)とニューラルネットワーク(AE-NN)とからなるマシンを用いる。 TCAD抽出パラメーターは、パラメータの質がプリターンオン・レジームのエキスパートに匹敵するが、オンステート・レジームでは良くないことを示している。
• 参考スコア（独自算出の注目度）: 3.194221922047046
• License:
• Abstract: In this paper, we demonstrate the possibility of performing automatic Technology Computer-Aided-Design (TCAD) parameter calibration using machine learning, verified with experimental data. The machine only needs to be trained by TCAD data. Schottky Barrier Diode (SBD) fabricated with emerging ultra-wide-bandgap material, Gallium Oxide (Ga$_2$O$_3$), is measured and its current-voltage (IV) is used for Ga$_2$O$_3$ Philips Unified Mobility (PhuMob) model parameters, effective anode workfunction, and ambient temperature extraction (7 parameters). A machine comprised of an autoencoder (AE) and a neural network (NN) (AE-NN) is used. Ga$_2$O$_3$ PhuMob parameters are extracted from the noisy experimental curves. TCAD simulation with the extracted parameters shows that the quality of the parameters is as good as an expert's calibration at the pre-turned-on regime but not in the on-state regime. By using a simple physics-informed neural network (PINN) (AE-PINN), the machine performs as well as the human expert in all regimes.
• Abstract（参考訳）: 本稿では,実験データを用いて検証した機械学習を用いて,TCADパラメータのキャリブレーションを行う可能性を示す。 マシンはTCADデータによってのみ訓練される。 超広帯域材料で作製されたショットキーバリアダイオード(SBD)、ガリウム酸化物(Ga$_2$O$_3$)を計測し、その電流電圧(IV)をGa$_2$O$_3$ Philips Unified Mobility(PhuMob)モデルパラメータ、有効陽極動関数、環境温度抽出(7パラメータ)に使用する。 オートエンコーダ(AE)とニューラルネットワーク(AE-NN)とからなるマシンを用いる。 Ga$_2$O$_3$PhuMobパラメータはノイズのある実験曲線から抽出される。 抽出したパラメータを用いたTCADシミュレーションにより, パラメータの品質は, プリターンオン方式のエキスパートのキャリブレーションと同等であるが, オンステート方式では良くないことがわかった。 単純な物理インフォームドニューラルネットワーク (PINN) を用いて、このマシンはあらゆる状況における人間の専門家と同様に機能する。

関連論文リスト

• Generalizable and Fast Surrogates: Model Predictive Control of Articulated Soft Robots using Physics-Informed Neural Networks [4.146337610044239]
  本研究では,データ効率を重視した音声ソフトロボット(ASR)のための物理インフォームドニューラルネットワーク(PINN)を提案する。 高価な実世界のトレーニングデータの量は、ひとつのシステムドメインに1つのデータセットとして最小限に削減されます。 PINNでは、精度の低いFPモデルの予測速度を最大466倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-04T01:16:33Z)
• Optimizing Hyperparameters for Quantum Data Re-Uploaders in Calorimetric Particle Identification [11.099632666738177]
  本稿では,1量子ビットデータ再アップロード(QRU)量子モデルの粒子分類への応用について述べる。 このモデルは、強力な分類性能を提供しながら、最小の量子ビットを必要とする。
  論文  参考訳（メタデータ） (2024-12-16T23:10:00Z)
• Machine learning Hubbard parameters with equivariant neural networks [0.0]
  等変ニューラルネットワークに基づく機械学習モデルを提案する。 ここでは,繰り返し線形応答計算を用いて自己整合的に計算したハバードパラメータの予測を行う。 本モデルでは,Hubbard $U$および$V$パラメータの平均絶対相対誤差を平均3%,5%とする。
  論文  参考訳（メタデータ） (2024-06-04T16:21:24Z)
• Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
  本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。 従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。 当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
  論文  参考訳（メタデータ） (2024-05-23T14:39:52Z)
• A Three-regime Model of Network Pruning [47.92525418773768]
  我々は、ニューラルネットワーク(NN)トレーニングのハイパーパラメータが刈り取り性能に与える影響をモデル化するために、温度のようなパラメータと負荷のようなパラメータを使用します。 プレプルーニングモデルにおける負荷様パラメータの値に依存すると、プレプルーニングモデルにおける温度様パラメータの値が増加するか、その後のプルーニング性能が向上または損なわれる可能性がある。 本モデルでは, 高温のダイコトモス効果は, ポストプランニングモデルにおいて, 異なるタイプの大域構造間の遷移と関係していることが明らかとなった。
  論文  参考訳（メタデータ） (2023-05-28T08:09:25Z)
• Automatic Parameterization for Aerodynamic Shape Optimization via Deep Geometric Learning [60.69217130006758]
  空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。 どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。 2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
  論文  参考訳（メタデータ） (2023-05-03T13:45:40Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• A CNN-Transformer Deep Learning Model for Real-time Sleep Stage Classification in an Energy-Constrained Wireless Device [2.5672176409865686]
  本稿では,単一チャネル脳波データに基づく自動睡眠ステージ分類のためのディープラーニング(DL)モデルを提案する。 このモデルは、ローカル処理によるリアルタイム操作のために、エネルギーとメモリ制限されたデバイス上で動作するように設計された。 我々は、Arduino Nano 33 BLEボード上で、提案モデルの小型版をテストし、完全に機能し、精度が高かった。
  論文  参考訳（メタデータ） (2022-11-20T16:22:30Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• On the Sparsity of Neural Machine Translation Models [65.49762428553345]
  性能向上のために冗長パラメータを再利用できるかどうかを検討する。 実験と分析は異なるデータセットとNTTアーキテクチャで体系的に行われる。
  論文  参考訳（メタデータ） (2020-10-06T11:47:20Z)
• Predicting atmospheric optical properties for radiative transfer computations using neural networks [0.0]
  我々は、現代の放射パラメータ化(RRTMGP)をエミュレートするためにニューラルネットワークを訓練することで、ガス光学特性の機械学習に基づくパラメトリゼーションを開発する。 我々のニューラルネットワークベースのガス光学パラメトリゼーションは、ニューラルネットワークのサイズによって、RRTMGPの最大4倍高速である。 機械学習に基づくパラメトリゼーションは、高い精度を維持しつつ、放射移動計算を高速化することができると結論付けている。
  論文  参考訳（メタデータ） (2020-05-05T15:00:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。