基于半导体应变工程的下一代芯片

国际团队展示了卷积神经网络架构如何指导弹性应变工程工作

Skoltech 研究人员和他们来自美国和新加坡的同事创建了一个神经网络，可以帮助以受控方式调整半导体晶体，以实现电子产品的卓越性能。他们表示，这通过利用可能会动态改变材料特性的可控变形，为下一代芯片和太阳能电池的发展开辟了新方向。

论文《用于半导体电子能带结构和有效质量的深度弹性应变工程的机器学习》（Machine learning for deep elastic strain engineering of semiconductor electronic band structure and effective mass）发表在 npj 计算材料杂志上。该团队用钻石的具体结果说明了该方法的应用，但他们表示，总的来说，这里介绍的深度学习技术对于优化各种半导体材料的物理特性可能有用。

纳米级材料可以承受较大的变形。在所谓的应变状态下，由于原子间距离的变化，它们可以表现出非凡的光学、热学、电子和其他特性。应变材料的固有特性可能会发生变化，例如，半导体硅会转变为自由传导电流的材料。

此外，通过改变应变水平，人们可以根据需要改变这些特性。这个概念催生了一个完整的研究领域：弹性应变工程，或 ESE。例如，当我们用尽其他提高芯片性能的选择时，该方法可用于修改半导体的性能，为即将到来的摩尔定律极限提供潜在的解决方法。另一种可能的应用在于太阳能电池开发领域。正如来自 Skoltech 的研究合著者 Alexander Shapeev 所解释的那样，人们可以设计一种具有可调特性的太阳能电池，该特性可以根据需要进行更改，以最大限度地提高性能并适应外部环境。

在他们之前的工作中，Skoltech 博士研究生 Evgenii Tsymbalov、副教授 Alexander Shapeev 和他们的同事使用 ESE 将纳米级金刚石针从绝缘转变为高导电性和金属状，从而深入了解这项技术的可能性范围。现在，该团队引入了一种卷积神经网络架构，可以指导半导体的 ESE 工作。

“我们设计的神经网络将应变张量作为输入并预测电子能带结构——一种描述应变材料电子特性的物理‘快照’。然后可以使用它来计算任何感兴趣的特性，包括带隙、它的特性和电子有效质量张量，”Shapeev 说。

这项工作继续先前的研究并对其进行了扩展。 “我们通过为 ESE 任务设计和实施基于卷积神经网络架构的定制模型，超越了以前使用的方法，”Tsymbalov 说。 “我们还考虑了物理特性和对称性，以改进模型。”

该方法结合了各种数据源，例如，计算便宜但不准确的数据源与精确但昂贵的数据源，以提高模型的准确性和收敛性。 “另一个显著特征是主动学习——我们允许模型猜测哪些数据可能在下一个训练阶段最有用，并将其用于训练。在最后一个阶段，网络是在一组计算成本高的数据上训练的，这些数据来自非常精确的基于GW的计算，这个过程允许我们减少所需的计算量。” Tsymbalov 补充道。

该团队指出，与最先进的解决方案相比，其新的神经网络“在促进结晶固体电子能带结构的自主深度学习方面更加通用、准确和高效”。这使得它在应变空间内的搜索和优化时更快、更准确，从而为给定的品质因数产生最佳应变值。

在他们早期的工作中，研究人员在重复的钻石原位实验场景中测试了模型的先前迭代。 “唉，目前还没有可以用任意 6D 变形张量使钻石变形的器件，但有团队和实验室从实验的角度追求这个方向，”Tsymbalov 评论道。

这项研究是 Skoltech、麻省理工学院和南洋理工大学之间多年合作的一部分，Skoltech 科学家专注于计算和机器学习方面，他们的同事负责这项工作的物理部分。 “我们目前正在写下一篇论文，这篇论文主要讨论弹性应变的边界。这是一个重要的课题，因为ESE安全弹性变形的理论极限尚待发现，”研究人员总结道。

声明：本篇文章属于原创，拒绝转载，如果需要转载，请联系我们，联系电话：0755-25988571。