Modelli di machine learning per la caratterizzazione efficiente dei parametri interni del fotodiodo a barriera Schottky

Rapporti scientifici volume 13, numero articolo: 13990 (2023) Citare questo articolo

127 accessi

1 Altmetrico

Dettagli sulle metriche

Proponiamo modelli basati su ANN per analizzare ed estrarre i parametri interni di un fotodiodo Schottky (SPD) senza presentarli con alcuna conoscenza dell'espressione altamente non lineare dell'emissione termoionica (TE) della corrente del dispositivo. Addestriamo, valutiamo e dimostriamo i modelli ML su trentasei set di dati privati ​​da tre dispositivi precedentemente pubblicati, che denotano le risposte attuali sotto illuminazione e temperatura ambiente dei diodi a barriera Schottky p-Si (SBD) drogati con ossido di grafene (GO). I livelli di doping GO sono 0%, 1%, 3%, 5% e 10%. L'illuminazione variava dal buio (0 mW/cm2) a 30 mW/cm2. Le previsioni vengono quindi effettuate completamente all'intensità di 60 mW/cm2. Per ciascun diodo, nel set di dati di addestramento sono stati inclusi alcuni valori dell'altezza della barriera (\(\phi \)), del fattore di idealità (n) e della resistenza in serie (\(R_s\)) calcolati in modo indipendente utilizzando il metodo Cheung-Cheung. Le previsioni vengono effettuate a intensità non specificate sui dati di sviluppo del modello a 80 e 100 mW/cm2 e su dati esterni al 5% e al 20% di doping GO che non facevano parte del set di dati di sviluppo. La ANN ha ottenuto un errore quadratico medio e un punteggio di errore assoluto medio inferiore a 0,003 in tutti i set di dati. Ciò dimostra le efficaci capacità di apprendimento dei modelli ANN nel catturare accuratamente le fotorisposte dei fotodiodi e nel prevedere accuratamente i parametri interni dei diodi a barriera Schottky (SBD), il tutto senza fare affidamento su una comprensione intrinseca dell'equazione dell'emissione termoionica (TE) per SBD. I modelli ANN hanno raggiunto un'elevata precisione in questo processo. I modelli ML proposti possono ridurre significativamente i tempi di analisi nei cicli di sviluppo dei dispositivi e possono essere applicati ad altri set di dati in vari campi.

Oggi, i sistemi di intelligenza artificiale (AI) stanno dimostrando capacità che eguagliano o superano le prestazioni umane qualificate in molti campi, un’impresa che era appena possibile un anno fa e che si sta evolvendo a un ritmo senza precedenti1. Vi è una crescente attenzione all’applicazione delle tecniche di intelligenza artificiale all’estrazione e all’analisi dei dati nelle scienze fisiche e applicate2. Solo pochi studi hanno applicato algoritmi basati su ML per modellare i parametri interni dei fotodiodi. Ruiz Euler et al.3 hanno utilizzato reti neurali profonde (DNN) per ottimizzare i dispositivi nanoelettronici multiterminale. Hanno utilizzato l'algoritmo di discesa del gradiente4 e sono riusciti a prevedere con successo la funzionalità del dispositivo in reti disordinate di atomi droganti nel silicio. El-Mahalawy ed El-Safty5 hanno utilizzato la rete neurale quantistica (QNN) per modellare le caratteristiche del fotodiodo UV NTCDA/p-Si, catturando con precisione le tendenze ed estrapolando valori di corrente sconosciuti sotto diverse illuminazioni. Gli algoritmi ML hanno trovato applicazioni anche nella saldatura laser6,7,8, nei fotodiodi ottici9,10, nei diodi organici11 e nella fotonica12.

In questo studio, assembliamo, addestriamo e applichiamo l'ML per valutare i parametri interni dei fotodiodi a semiconduttore (SPD) quando le loro risposte attuali alle illuminazioni sono empiricamente note. Questo è un esperimento standard per i diodi a semiconduttore. La risposta attuale di un SPD è governata dall'equazione TE. Si tratta di un'equazione complessa che dipende dai parametri interni sopra menzionati \(\phi \), n, \(R_s\), dalla polarizzazione della tensione applicata V e dai parametri ambientali, ovvero la temperatura assoluta del dispositivo T e l'illuminazione, P Un punto dati empirico in una tipica misurazione SPD (a dati P e T) è costituito dalla corrente del diodo esterna e osservabile I e V. Per inciso, nel modello TE, I dipende circolarmente da se stesso in combinazione con \(R_s \), V, T, \(\phi \), en secondo l'espressione

dove q è la carica elettronica, k è la costante di Boltzmann, A è l'area del diodo, \(A^*\) è la costante di Richardson13,14,15,16. Per un dato SPD, l'interesse è caratterizzare n, \(R_s\) e \(\phi \). Evidentemente, l’Eq. (1) è estremamente difficile da valutare per questi parametri, poiché negli ultimi cinque decenni sono stati ideati molti metodi. Molti sono ancora in uso, ma quasi tutti si basano su pesanti approssimazioni semplificatrici a causa della \(R_s\) tipicamente diversa da zero nei dispositivi reali17,18,19,20. Uno di questi metodi è il metodo Cheung-Cheung, sviluppato negli anni '8018. Si basa su due funzioni lineari nella corrente: