쇼트키 배리어 포토다이오드 내부 매개변수의 효율적인 특성화를 위한 기계 학습 모델

Aug 30, 2023

Scientific Reports 13권, 기사 번호: 13990(2023) 이 기사 인용

601 액세스

1 알트메트릭

측정항목 세부정보

우리는 장치 전류의 고도의 비선형 열이온 방출(TE) 표현에 대한 지식을 제시하지 않고 쇼트키 포토다이오드(SPD)의 내부 매개변수를 분석하고 추출하기 위한 ANN 기반 모델을 제안합니다. 우리는 이전에 발표된 세 가지 장치의 36개 개인 데이터 세트에 대해 ML 모델을 훈련, 평가 및 시연합니다. 이는 산화 그래핀(GO) 도핑된 p-Si 쇼트키 배리어 다이오드(SBD)의 조명 및 주변 온도 하에서 전류 반응을 나타냅니다. GO 도핑 수준은 0%, 1%, 3%, 5%, 10%입니다. 조명 범위는 어두운(0mW/cm2)부터 30mW/cm2까지였습니다. 그런 다음 예측은 60mW/cm2의 강도에서 완전히 이루어집니다. 각 다이오드에 대해 Cheung-Cheung 방법을 사용하여 독립적으로 계산된 장벽 높이(\(\phi\)), 이상 계수(n) 및 직렬 저항(\(R_s\))의 일부 값이 훈련 데이터 세트에 포함되었습니다. 예측은 80 및 100mW/cm2의 모델 개발 데이터와 개발 데이터 세트의 일부가 아닌 5% 및 20% GO 도핑의 외부 데이터에 대해 지정되지 않은 강도에서 수행됩니다. ANN은 모든 데이터세트에서 0.003 미만의 평균 제곱 오차와 평균 절대 오차 점수를 달성했습니다. 이는 열이온 방출(TE) 방정식에 대한 본질적인 이해에 의존하지 않고도 포토다이오드의 광 반응을 정확하게 캡처하고 쇼트키 배리어 다이오드(SBD)의 내부 매개변수를 정확하게 예측하는 ANN 모델의 효과적인 학습 기능을 보여줍니다. SBD. ANN 모델은 이 과정에서 높은 정확도를 달성했습니다. 제안된 ML 모델은 기기 개발 주기에서 분석 시간을 획기적으로 단축할 수 있으며 다양한 분야의 다른 데이터 세트에 적용할 수 있습니다.

오늘날 인공지능(AI) 시스템은 다양한 분야에서 숙련된 인간의 능력과 맞먹거나 능가하는 능력을 보여주고 있습니다. 이는 1년 전에는 거의 불가능했지만 전례 없는 속도로 발전하고 있습니다1. 물리과학 및 응용과학 분야의 데이터 추출 및 분석에 AI 기술을 적용하는 데 점점 더 중점을 두고 있습니다2. 포토다이오드의 내부 매개변수를 모델링하기 위해 ML 기반 알고리즘을 적용한 연구는 소수에 불과합니다. Ruiz Euler 등3은 심층 신경망(DNN)을 활용하여 다중 단자 나노전자공학 장치를 최적화했습니다. 그들은 경사 하강 알고리즘4을 사용하여 실리콘 내 도펀트 원자의 무질서한 네트워크에서 장치 기능을 성공적으로 예측했습니다. El-Mahalawy와 El-Safty5는 QNN(양자 신경망)을 사용하여 NTCDA/p-Si UV 포토다이오드의 특성을 모델링하여 추세를 정확하게 포착하고 다양한 조명에서 알려지지 않은 전류 값을 추정했습니다. ML 알고리즘은 레이저 용접6,7,8, 광학 포토다이오드9,10, 유기 다이오드11 및 포토닉스12에서도 응용 분야를 찾았습니다.

이 연구에서는 조명에 대한 현재 응답이 경험적으로 알려진 경우 반도체 포토다이오드(SPD)의 내부 매개변수를 평가하기 위해 ML을 조립, 학습 및 적용합니다. 이것은 반도체 다이오드에 대한 표준 실험이다. SPD의 현재 응답은 TE 방정식에 의해 결정됩니다. 이는 앞서 언급한 내부 매개변수 \(\phi \), n, \(R_s\), 인가된 전압 바이어스 V 및 주변 매개변수(절대 장치 온도 T 및 조명 P)에 따라 달라지는 복잡한 방정식입니다. 일반적인 SPD 측정(주어진 P 및 T에서)의 경험적 데이터 포인트는 관찰 가능한 외부 다이오드 전류 I 및 V로 구성됩니다. 또한 TE 모델에서 I는 \(R_s)와 결합하여 자체적으로 순환 종속됩니다. \), V, T, \(\phi\) 및 n은 표현식에 따라

여기서 q는 전자 전하, k는 볼츠만 상수, A는 다이오드 면적, \(A^*\)는 Richardson 상수13,14,15,16입니다. 주어진 SPD에 대해 관심은 n, \(R_s\) 및 \(\phi\)를 특성화하는 것입니다. 분명히, Eq. (1)은 지난 50년 동안 많은 방법이 고안되어 이러한 매개변수를 평가하기가 극히 어렵습니다. 많은 장치가 여전히 사용되고 있지만 실제 장치에서 일반적으로 0이 아닌 \(R_s\)로 인해 거의 모두 단순화된 근사에 크게 의존하고 있습니다17,18,19,20. 그러한 방법 중 하나가 1980년대에 개발된 Cheung-Cheung 방법입니다18. 이는 전류에서 선형인 두 가지 기능에 의존합니다.