ショットキーバリアフォトダイオードの内部パラメータを効率的に特性評価するための機械学習モデル

Scientific Reports volume 13、記事番号: 13990 (2023) この記事を引用

569 アクセス

1 オルトメトリック

メトリクスの詳細

我々は、デバイス電流の高度に非線形な熱電子放射 (TE) 表現に関する知識を与えることなく、ショットキー フォトダイオード (SPD) の内部パラメータを分析および抽出するための ANN ベースのモデルを提案します。 私たちは、以前に公開された 3 つのデバイスからの 36 のプライベート データセットに基づいて ML モデルをトレーニング、評価、実証します。これらのモデルは、酸化グラフェン (GO) ドープ p-Si ショットキー バリア ダイオード (SBD) の照明および周囲温度下での電流応答を示します。 GO ドーピング レベルは 0%、1%、3%、5%、10% です。 照度は暗所（0 mW/cm2）から 30 mW/cm2 の範囲でした。 その後、予測は 60 mW/cm2 の強度で完全に行われます。 各ダイオードについて、Cheung-Cheung 法を使用して個別に計算されたバリア高さ (\(\phi \))、理想係数 (n)、および直列抵抗 (\(R_s\)) のいくつかの値がトレーニング データセットに含まれています。 予測は、80 および 100 mW/cm2 のモデル開発データと、開発データセットの一部ではなかった 5% および 20% の GO ドーピングの外部データに対して、不特定の強度で行われます。 ANN は、すべてのデータセットにわたって平均二乗誤差と平均絶対誤差スコアが 0.003 未満を達成しました。 これは、熱電子放出 (TE) 方程式の固有の理解に依存することなく、フォトダイオードの光応答を正確に捕捉し、ショットキー バリア ダイオード (SBD) の内部パラメータを正確に予測する際の ANN モデルの効果的な学習機能を示しています。 SBD。 ANN モデルはこのプロセスで高い精度を達成しました。 提案された ML モデルは、デバイス開発サイクルの分析時間を大幅に短縮でき、さまざまな分野の他のデータセットに適用できます。

今日、人工知能 (AI) システムは、多くの分野で熟練した人間のパフォーマンスに匹敵する、またはそれを超える能力を実証しています。これは、1 年前にはほとんど不可能であった偉業であり、前例のない速度で進化しています1。 物理科学および応用科学におけるデータ抽出と分析に AI 技術を適用することに注目が集まっています2。 フォトダイオードの内部パラメータをモデル化するために ML ベースのアルゴリズムを適用した研究はわずかです。 Ruiz Euler ら 3 は、ディープ ニューラル ネットワーク (DNN) を利用して、多端子ナノエレクトロニクス デバイスを最適化しました。 彼らは勾配降下法アルゴリズム 4 を採用し、シリコン内のドーパント原子の無秩序なネットワークにおけるデバイス機能の予測に成功しました。 El-Mahalawy と El-Safty5 は、量子ニューラル ネットワーク (QNN) を使用して NTCDA/p-Si UV フォトダイオードの特性をモデル化し、傾向を正確に捉え、さまざまな照明下での未知の電流値を外挿しました。 ML アルゴリズムは、レーザー溶接 6、7、8、光フォトダイオード 9、10、有機ダイオード 11、およびフォトニクス 12 にも応用されています。

この研究では、照明に対する半導体フォトダイオード (SPD) の電流応答が経験的にわかっている場合に、半導体フォトダイオード (SPD) の内部パラメータを評価するために ML を組み立て、トレーニングし、適用します。 これは半導体ダイオードの標準的な実験です。 SPD の電流応答は、TE 方程式によって決まります。 これは、前述の内部パラメータ \(\phi \)、n、\(R_s\)、印加電圧バイアス V、および周囲パラメータ (デバイスの絶対温度 T、照度 P) に依存する複雑な方程式です。典型的な SPD 測定 (特定の P および T における) における経験的データ ポイントは、外部の観測可能なダイオード電流 I と V で構成されます。ちなみに、TE モデルでは、I は \(R_s との組み合わせでそれ自体に循環的に依存します) \)、V、T、\(\phi \)、および n は式に従って

ここで、q は電荷、k はボルツマン定数、A はダイオード面積、\(A^*\) はリチャードソン定数です13、14、15、16。 特定の SPD について、n、\(R_s\)、および \(\phi \) を特徴付けることが重要です。 明らかに、式 (1) は、過去 50 年間に多くの方法が考案されてきたため、これらのパラメーターを評価するのは非常に困難です。 多くはまだ使用されていますが、実際のデバイスでは通常 \(R_s\) がゼロではないため、ほとんどすべてが大幅な単純化近似に依存しています 17、18、19、20。 そのような方法の 1 つは、1980 年代に開発された Cheung-Cheung 法です18。 これは、電流において線形である 2 つの関数に依存しています。