banner
Heim / Blog / Modelle für maschinelles Lernen zur effizienten Charakterisierung der internen Parameter von Schottky-Barriere-Fotodioden
Blog

Modelle für maschinelles Lernen zur effizienten Charakterisierung der internen Parameter von Schottky-Barriere-Fotodioden

Aug 30, 2023Aug 30, 2023

Wissenschaftliche Berichte Band 13, Artikelnummer: 13990 (2023) Diesen Artikel zitieren

601 Zugriffe

1 Altmetrisch

Details zu den Metriken

Wir schlagen ANN-basierte Modelle vor, um die internen Parameter einer Schottky-Fotodiode (SPD) zu analysieren und zu extrahieren, ohne ihnen Kenntnisse über den stark nichtlinearen Ausdruck der thermionischen Emission (TE) des Gerätestroms zu vermitteln. Wir trainieren, bewerten und demonstrieren die ML-Modelle anhand von 36 privaten Datensätzen von drei zuvor veröffentlichten Geräten, die aktuelle Reaktionen unter Beleuchtung und Umgebungstemperatur von mit Graphenoxid (GO) dotierten p-Si-Schottky-Barrieredioden (SBDs) bezeichnen. Die GO-Dopingstufen betragen 0 %, 1 %, 3 %, 5 % und 10 %. Die Beleuchtung reichte von dunkel (0 mW/cm2) bis 30 mW/cm2. Die Vorhersagen erfolgen dann vollständig bei der Intensität von 60 mW/cm2. Für jede Diode wurden einige Werte der Barrierenhöhe (\(\phi \)), des Idealitätsfaktors (n) und des Serienwiderstands (\(R_s\)), die unabhängig voneinander mit der Cheung-Cheung-Methode berechnet wurden, in den Trainingsdatensatz aufgenommen. Die Vorhersagen werden bei nicht spezifizierten Intensitäten anhand der Modellentwicklungsdaten bei 80 und 100 mW/cm2 und anhand externer Daten bei 5 % und 20 % GO-Dotierung durchgeführt, die nicht Teil des Entwicklungsdatensatzes waren. Das ANN erreichte in allen Datensätzen einen mittleren quadratischen Fehler und einen mittleren absoluten Fehlerwert von unter 0,003. Dies zeigt die effektiven Lernfähigkeiten der ANN-Modelle bei der genauen Erfassung der Fotoreaktionen der Fotodioden und der genauen Vorhersage der internen Parameter der Schottky-Barriere-Dioden (SBDs), ohne dass man sich auf ein inhärentes Verständnis der thermionischen Emissionsgleichung (TE) verlassen muss SBDs. Die ANN-Modelle erreichten dabei eine hohe Genauigkeit. Die vorgeschlagenen ML-Modelle können die Analysezeit in Geräteentwicklungszyklen erheblich verkürzen und können auf andere Datensätze in verschiedenen Bereichen angewendet werden.

Heutzutage weisen Systeme der künstlichen Intelligenz (KI) Fähigkeiten auf, die in vielen Bereichen mit der Leistung qualifizierter Menschen mithalten oder diese übertreffen, eine Leistung, die vor einem Jahr kaum möglich war und die sich in einem beispiellosen Tempo weiterentwickelt1. Der Einsatz von KI-Techniken zur Datenextraktion und -analyse in den physikalischen und angewandten Wissenschaften2 rückt immer stärker in den Fokus. Nur wenige Studien haben ML-basierte Algorithmen angewendet, um die internen Parameter von Fotodioden zu modellieren. Ruiz Euler et al.3 nutzten tiefe neuronale Netze (DNN), um nanoelektronische Geräte mit mehreren Anschlüssen zu optimieren. Sie verwendeten den Gradientenabstiegsalgorithmus4 und erzielten erfolgreiche Vorhersagen der Gerätefunktionalität in ungeordneten Netzwerken von Dotierstoffatomen in Silizium. El-Mahalawy und El-Safty5 nutzten das Quantum Neural Network (QNN), um die Eigenschaften der NTCDA/p-Si-UV-Fotodiode zu modellieren, Trends genau zu erfassen und unbekannte Stromwerte unter verschiedenen Beleuchtungen zu extrapolieren. ML-Algorithmen haben auch Anwendung beim Laserschweißen6,7,8, bei optischen Fotodioden9,10, organischen Dioden11 und in der Photonik12 gefunden.

In dieser Studie bauen wir ML zusammen, trainieren und wenden es an, um die internen Parameter von Halbleiterfotodioden (SPDs) zu bewerten, wenn ihre aktuellen Reaktionen auf Beleuchtungen empirisch bekannt sind. Dies ist ein Standardexperiment für Halbleiterdioden. Die aktuelle Reaktion einer SPD wird durch die TE-Gleichung bestimmt. Dies ist eine komplexe Gleichung, die von den oben genannten internen Parametern \(\phi \), n, \(R_s\), von der angelegten Vorspannung V und von den Umgebungsparametern, d. h. der absoluten Gerätetemperatur T und der Beleuchtung P, abhängt . Ein empirischer Datenpunkt in einer typischen SPD-Messung (bei gegebenem P und T) besteht aus dem externen, beobachtbaren Diodenstrom I und V. Im TE-Modell ist I übrigens in Kombination mit \(R_s) zirkulär von sich selbst abhängig \), V, T, \(\phi \) und n gemäß dem Ausdruck

Dabei ist q die elektronische Ladung, k die Boltzmann-Konstante, A die Diodenfläche und \(A^*\) die Richardson-Konstante13,14,15,16. Für eine gegebene SPD besteht das Interesse darin, n, \(R_s\) und \(\phi \) zu charakterisieren. Offensichtlich ist Gl. (1) ist für diese Parameter äußerst schwer zu bewerten, da in den letzten fünf Jahrzehnten viele Methoden entwickelt wurden. Viele werden immer noch verwendet, aber fast alle basieren auf stark vereinfachenden Näherungen, da \(R_s\) in realen Geräten typischerweise ungleich Null ist17,18,19,20. Eine dieser Methoden ist die Cheung-Cheung-Methode, die in den 1980er Jahren18 entwickelt wurde. Es beruht auf zwei Funktionen, die im Strom linear sind:

mit den zuvor definierten Symbolen. Die Methode liefert zwei Schätzungen von \(R_s\). Die Schnittpunkte aus dem ersten und zweiten Diagramm führen dann zu einer Schätzung von n bzw. \(\phi \). Für die in dieser Studie verwendeten Datensätze gilt \(A^*\)=32 A/K\(^2\)cm\(^2\), A=1mm und T=300K. Anschließend stellen wir ein ANN-Maschinensprachenmodell zusammen, trainieren es und wenden es auf die empirischen Datensätze an, um die internen Parameter einer p-Si/Au-SPD zu bewerten, ohne Gl. (1) zu den Modellen. Als Hintergrund werden wir das ANN-Modell kurz beschreiben, die detaillierten Funktionsprinzipien können jedoch in mehreren Quellen gefunden werden. (Abb. 1)

Eine schematische Darstellung eines typischen ANN-Modells.

Kurz gesagt simuliert das ANN-Modell miteinander verbundene Neuronennetzwerke (über miteinander verbundene Knoten), die vom menschlichen Gehirn inspiriert sind. Die Darstellung zeigt eine Eingabeebene, eine oder mehrere verborgene Ebenen, die Eingabe- und Ausgabemerkmale und -muster extrahieren, und eine Ausgabeebene, die die endgültige Klassifizierung erstellt. Die j-te Ausgabe, \(Y_j\), wird unter Verwendung von Gewichten \(w_i\) auf Eingaben \(X_i\) gemäß berechnet

Zur Flexibilität beim Training des Modells ist ein Bias-Faktor b enthalten. In dieser Studie wird die gewichtete Summe in die effiziente, Nichtlinearität induzierende mathematische Funktion namens Rectified Linear Unit (ReLU) eingegeben, um zu bestimmen, ob ein Knoten mit kritischen Eingaben aktiviert ist oder nicht. Die Funktion ReLU ist definiert als

Dabei bezieht sich x auf die Eingabe an ein Neuron im Netzwerk.

In dieser Studie haben wir das ANN-ML-Modell anhand von 36 privaten experimentellen Datensätzen aus drei verschiedenen SBDs mit der Bezeichnung D1, D2 und D3 mithilfe von Google Colaboratory21 trainiert und ausgewertet. Der Datensatz ist aus unseren zuvor veröffentlichten SPDs22,23,24 abgeleitet. Sie enthalten Reaktionen auf die Beleuchtung, die auf drei mit 0 %, 1 %, 3 %, 5 % und 10 % Graphen dotierte Fotodioden auf dem p-Typ-Siliziumsubstratmaterial fällt. Jedes SPD wird einer dunklen Beleuchtung mit bis zu 30 mW/cm2 ausgesetzt. Die Datensätze enthalten außerdem die berechneten Werte der folgenden Parameter für jede Diode: Barrierenhöhe (\(\phi \)), Idealitätsfaktor (n) und den Serienwiderstand (\(R_s\)). Die Ergebnisse zeigen, dass das ANN für alle Datensätze einen mittleren quadratischen Fehler (MSE) und einen mittleren absoluten Fehler (MAE) von weniger als 0,003 erreichte. Somit lernte das ANN-ML-Modell effizient die Fotoreaktionen der Fotodioden und sagte deren Barrierenhöhe, Idealitätsfaktor und Serienwiderstand mit äußerster Genauigkeit korrekt voraus. Wir zeigen, dass das ML-Modell keine Vorkenntnisse des mathematischen TE-Modells in irgendeiner Form benötigt, um seine Vorhersagen zu treffen. Wir argumentieren, dass die ML-Modellierung als Ergänzung für Forscher gesehen werden sollte, indem ein neues, sich schnell entwickelndes Werkzeug in ihr Arsenal aufgenommen wird. Diese Tools können die Analysezeit im Geräteentwicklungszyklus erheblich verkürzen und können an andere Bereiche und Bereiche angepasst werden.

Tabelle 1 zeigt die Zug- und Validierungsgenauigkeit für das ANN-Modell nach 30 Epochen. Eine Epoche markiert die einmalige Verarbeitung aller Daten. Typischerweise umfasst es mehrere Iterationen, die Datenstapel einer bestimmten Größe umfassen können.

Darüber hinaus enthält die Tabelle die durchschnittliche Testgenauigkeit für jedes Modell, die durch Summierung der drei Testgenauigkeiten und Division durch drei berechnet wurde. Diese Ergebnisse legen nahe, dass das ANN-Modell eine gute Genauigkeit bei der Vorhersage der Zielvariablen erreichte. Die Ergebnisse zeigen auch, dass die Leistung des Modells je nach dem für das Training verwendeten Datensatz variierte. Dies könnte auf Unterschiede in den Merkmalen der Datensätze zurückzuführen sein, beispielsweise im Bereich und in der Verteilung der Variablen. Weitere Untersuchungen sind erforderlich, um die Faktoren zu bestimmen, die die Leistung des Modells beeinflussen, und um seine Trainingsparameter zu optimieren. Zusammenfassend zeigte das ANN-Modell, das auf 36 Datensätzen von drei Geräten unter Verwendung von zwei unabhängigen und drei Zielvariablen trainiert wurde, vielversprechende Ergebnisse bei der Vorhersage von \(\phi \), n und \(R_s\). Abbildung 2 zeigt die Trainingsverlust- und Genauigkeitskurve für einige Modelle. Die Diagramme zeigen die Leistung des Modells für 30 Epochen. Die Abbildungen zeigen, dass sowohl der Abstand zwischen Zug und Validierungsgenauigkeitskurve als auch der Abstand zwischen Zug und Validierungsverlustkurve klein ist, was darauf hindeutet, dass es in den ANN-Modellen keine Überanpassung gibt.

Zusammengestellte Diagramme, die die Trainings- (Kurven T) und Validierungsverluste (Kurven V) für das ANN-ML-Modell zeigen, angewendet auf drei SBDs D1, D2 und D3. Alle Diagramme haben einen Skalierungsfaktor von 10−3. Die Dotierungsgrade reichen von 0 bis 10 % GO und die Beleuchtungen von 0 bis 60 mW/cm2. Die Originalsimulationsbilder sind verfügbar21.

Der Vergleich ist in Abb. 3 dargestellt, wo wir aus Platzgründen den Vergleich für zehn vorhergesagte und tatsächliche Werte pro Datensatz darstellen konnten. Die Diagramme zeigen einen vernachlässigbaren Unterschied zwischen den vorhergesagten und den tatsächlichen Werten. Dies zeigt überzeugend die Genauigkeit der Vorhersagen der ANN-Modelle, da die vorhergesagten Werte zufriedenstellend mit den erwarteten Werten übereinstimmen.

Diagramme, die Vergleiche zwischen den tatsächlichen und den vom ANN-Modell vorhergesagten Werten von n, \(\Phi \) und \(R_s\) für drei SBDs, D1, D2 und D3, zeigen. Aus Platzgründen werden nur Werte bei Dunkelheit und 30 mW/cm\(^2\)-Intensität verglichen21.

Darüber hinaus bestätigt es das effektive Lernen der Lichtreaktionen der Fotodioden durch die ANN-Modelle, was zu genauen Vorhersagen der Barrierenhöhe, des Idealitätsfaktors und des Serienwiderstands führt. Die Leistung der ANN-Modelle zeigte eine Variabilität basierend auf dem verwendeten Trainingsdatensatz. Diese Variabilität kann aus Ungleichheiten in den Datensatzmerkmalen resultieren, die den Bereich und die Verteilung der Variablen umfassen. Um die Faktoren, die die Leistung des Modells beeinflussen, umfassend zu verstehen und die Trainingsparameter zu optimieren, sind weitere Untersuchungen erforderlich. Zusammenfassend zeigte das auf zwölf Datensätzen trainierte ANN-Modell, das zwei unabhängige Variablen und drei Zielvariablen umfasste, vielversprechende Ergebnisse bei der genauen Vorhersage von \(\Phi \), n und \(R_s\).

Die oben genannten Sprachen des maschinellen Lernens (ML) haben die Fähigkeit bewiesen, Muster in Daten abzuleiten, die sich auf die Übertragungseigenschaften des SPD beziehen, ohne vorherige Kenntnisse der Gerätephysik oder der TE-Gleichung. Dies wird durch Training auf einer kleinen Datenmenge erreicht, wodurch das ML-Modell verallgemeinern und genaue Vorhersagen über unsichtbare Daten treffen kann. Das Strom-Spannungs-Verhältnis von SPDs wird durch die hochgradig nichtlineare TE-Gleichung bestimmt. Im Zusammenhang mit der Parameterextraktion für eine gegebene SPD ist es wichtig, bestimmte Bereiche der VI-Charakteristik zu linearisieren. Viele Methoden, wie die zuvor beschriebene Cheung-Cheung-Methode, eignen sich zur Lösung dieser Aufgabe, erfordern jedoch einen sorgfältig ausgewählten Spannungsbereich, um genaue Ergebnisse zu liefern. Infolgedessen können verschiedene Personen unterschiedliche Bereiche auswählen, was selbst für eine bestimmte SPD zu einer erheblichen Varianz der extrahierten Parameter führt. Während der Implementierung der ANN-Modelle wurde beobachtet, dass sich die Algorithmen in allen Instanzen schnell und unerwartet den optimalen Bereichen der angewandten Voreingenommenheit annäherten. Die Ergebnisse der Studie belegen die Wirksamkeit der Verwendung von ANN-ML-basierten Algorithmen zur genauen Modellierung der Lichtreaktionen von Fotodioden. Durch umfangreiches Training und Auswertung der von drei Fotodioden gesammelten Daten gelang es den Modellen, kritische Parameter wie Barrierenhöhe, Serienwiderstand und Idealitätsfaktor erfolgreich vorherzusagen. Wichtig ist, dass die Modelle auch die Fähigkeit zeigten, die Lichtreaktionen von Fotodioden bei unterschiedlichen Beleuchtungs- und Spannungseinstellungen abzuschätzen, was ihre breite Anwendbarkeit demonstrierte. Darüber hinaus erwiesen sich die Modelle als in der Lage, Reaktionen mit minimalem Fehler von 0 bis 100 mW/cm2 vorherzusagen. Die vollständige Abhängigkeit von Modellen des maschinellen Lernens (ML) liefert jedoch möglicherweise kein umfassendes Verständnis der Besonderheiten in den Daten, wie beispielsweise negative Differenzialleitfähigkeitsbereiche oder Ausfälle. Darüber hinaus wurde in dieser Studie nur ein Typ einer Schottky-Barrierediode (SBD) mit p-Si/Au-Konstruktion untersucht. Allerdings weisen SBDs mit unterschiedlichem Aufbau ähnliche Eigenschaften wie die vorliegenden Geräte auf, und es ist sehr wahrscheinlich, dass dieselben Modelle zur Bestimmung ihrer internen Parameter verwendet werden können. Um dies zu überprüfen, sind weitere Untersuchungen erforderlich, da der Umfang dieser Arbeit keinen Anspruch auf Vollständigkeit erhebt, sondern vielmehr das Potenzial von ML-Tools aufzeigen soll. Forscher können diese Modelle nutzen, um den Zeit- und Ressourcenaufwand für die Durchführung von Experimenten zu minimieren. Diese Erkenntnisse bieten einen spannenden Weg für zukünftige Forschung durch die Anwendung von ML-Techniken zur Modellierung komplexer und hochgradig nichtlinearer Systeme und verbessern so unser Gesamtverständnis ihres Verhaltens. Schließlich sind der Datensatz25 und die Modelle26,27,28 auf Anfrage verfügbar, um eine unabhängige Bewertung zu ermöglichen.

Die den entwickelten ML-Modellen präsentierten Datensätze basieren auf V- und I-Datenpunkten, die an drei verschiedenen veröffentlichten SBDs gemessen wurden: D1 = Al/GO:CoPc/p-Si/Au22, D2 = Al/pSi/GO:PCBM/Au23 und D3 = Au/GO:Cumarin/p-Si/Al24. Die Veröffentlichungen fassen die momentanen Schätzungen von \(\phi \), n und \(R_s\) unter Verwendung der Cheung-Cheung-Funktionen in Gl. zusammen. (2). Tabelle 2 zeigt die bekannten Ergebnisse der Cheung-Cheung-Methode für alle drei Dioden mit 0 %, 1 %, 3 %, 5 % und 10 % GO-Gehalt.

Jeder Datensatzeintrag hat daher für jede Beleuchtungsintensität die Struktur (V, I, \(\phi \), n, \(R_s\)). Die vier verwendeten Beleuchtungsstärken sind 0 mW/cm2 (dunkel), 10, 30 und 60, alle gemessen in mW/cm2. Von drei verschiedenen Geräten wurden 36 private Datensätze mit Dopingwerten von 0 %, 1 %, 3 %, 5 % und 10 % erfasst. Zwölf der Datensätze wurden aus D1 mit 101 gemessenen (I, V) Proben, zwölf aus D2 mit 201 Proben und zwölf aus D3 mit 251 Proben gesammelt. Abbildung 4 zeigt die grafische Darstellung der empirischen Rohdaten, die für diese Dioden über den Beleuchtungsbereich von dunkel bis 100 mW/cm2 gesammelt wurden. Bei der Entwicklung der Modelle wurden nur Intensitäten von 0–60 mW/cm2 verwendet. Die Intensitäten von 80 und 100 mW/cm2 wurden als Daten für die Vorhersage während der ML-Modellentwicklung verwendet.

Die Diagramme der gemessenen Strom-Spannungs-Kennlinien für die drei Dioden D1, D2 und D3 mit verschiedenen Dotierstoffen und Dotierungskonzentrationen. Jeder Satz von IV-Eigenschaften wird über den Beleuchtungsintensitätsbereich von 0 bis 100 mW/cm2 gemessen.

Insgesamt gibt es 36 Datensätze mit jeweils 101, 201 und 251 Stichprobenpunkten. Sie stellen tatsächliche Messungen entlang der Strom-Spannungs-Kennlinien dar, von – 5 V bis + 5 V, einschließlich 0, in Schritten von 0,1, 0,04 V bzw. 0,05 V.

Die Datensätze wurden vor dem Training standardisiert und enthalten die berechneten \(\phi \), n und \(R_s\) für jede Diode. Die Standardisierung wurde durchgeführt, um sicherzustellen, dass alle Antworten im Datensatz gleichermaßen zum angewandten ML-Modell beitragen.

Wir verwenden ANN-Modelle, um interne Parameter eines p-Si/Au-SPD anhand empirischer Datensätze zu bewerten, ohne explizit Gleichung darzustellen. (1). Das ANN-Modell umfasst eine Eingabeschicht und eine Ausgabeschicht, wobei eine bestimmte Anzahl von Schichten durch Experimente bestimmt wird. Die Eingabeschicht besteht aus zwei Neuronen, während die Ausgabeschicht aus drei Neuronen besteht, die \(\Phi \), n und \(R_s\) darstellen. Die ANN-Architektur und die Trainingsparameter sind in Abb. 1 bzw. Tabelle 3 dargestellt. Abbildung 5 zeigt den Datenfluss in der in dieser Arbeit verwendeten ANN ML. Um der Größe des Datensatzes gerecht zu werden, verwendeten wir eine fünffache Kreuzvalidierung zur Bewertung der ANN-Modelle, um eine zuverlässigere Schätzung der Leistung bei nicht sichtbaren Stichproben sicherzustellen. Das fünffache Kreuzvalidierungsverfahren nutzte die KFold-Kreuzvalidierungsfunktion aus der scikit-learn ML-Bibliothek29. Abbildung 6 veranschaulicht die Schritte der fünffachen Kreuzvalidierung.

Eine schematische Blockdarstellung der Maschinensprachmodelle und der Datenflüsse bei der Verarbeitung.

Das fünffache Kreuzvalidierungsverfahren. TE ist der Gesamtfehler.

Der Datensatz wird in fünf Teile aufgeteilt und das Experiment wird über fünf Iterationen durchgeführt. In jeder Iteration werden vier Faltungen zum Trainieren des ANN-Modells verwendet, während die verbleibende Faltung zum Testen verwendet wird. Dieser Vorgang wird wiederholt, bis alle fünf Falten zum Training und Testen verwendet wurden. Während jeder Iteration werden MSE und MAE berechnet und aufgezeichnet. Letztendlich werden die durchschnittlichen MSE- und MAE-Werte am Ende der letzten Iteration berechnet.

Das ANN-Modell wurde zunächst trainiert und dann mit dem fünffachen Ansatz in Abb. 6 kreuzvalidiert. Für das Training und die Validierung wurden sechsunddreißig (3x12) verschiedene Datensätze verwendet, basierend auf den Parametern in Tabelle 3. Die 3 \( \times \) 12 Datensätze umfassten jeweils 101, 201 und 251 (I, V) Stichproben.

Abschließend wurde das trainierte Modell an allen Proben aus den Originaldatensätzen getestet. Tabelle 1 zeigt auch die MSE und MAE für das entwickelte ANN-Modell für D1, D2 und D3. In Abbildung 7 sind die Strom-Spannungs-Kennlinien für externe Daten dargestellt, die zur weiteren Validierung der ML-Modelle verwendet wurden.

Diagramme zusätzlicher Originaldatensätze für D1 bei 5 % und 20 % GO-Dotierungsniveaus und D2 bei 1 % GO. Diese zusätzlichen Daten wurden nicht in den Phasen der ML-Modellentwicklung, sondern zur weiteren Validierung verwendet.

Die Leistung der ANN-Modelle wurde anhand der oben genannten Metriken bewertet: MSE und MAE. Ein niedriger MSE- und MAE-Wert weist auf ein äußerst genaues Modell hin, während ein MSE von Null eine perfekte Übereinstimmung zwischen vorhergesagten und tatsächlichen Werten bedeutet. Mathematisch,

Dabei ist N die Anzahl der Stichproben im Datensatz, \(V_{a,i}\) und \(V_{p,i}\) die tatsächlichen bzw. vorhergesagten Werte im Datensatz. Tabelle 1 zeigt die MSE- und MAE-Ergebnisse für die ANN-Modelle nach 30 Epochen, wobei eine Epoche die einmalige Verarbeitung aller Daten über mehrere Iterationen hinweg darstellt, möglicherweise unter Einbeziehung von Datenstapeln. Bei der Leistungsbewertung wurde eine fünffache Kreuzvalidierung durchgeführt. Bemerkenswerterweise erreichten alle ANN-Modelle einen durchschnittlichen MSE von unter 0,003, was auf eine genaue Vorhersage der Zielvariablen hinweist. Dieses erfolgreiche Ergebnis zeigt die Fähigkeit der Modelle, die Werte von \(\Phi \), n und \(R_s\) zu lernen und zu erfassen und gleichzeitig die Trends der Zielvariablen effektiv zu erfassen. Diese Ergebnisse unterstreichen das beeindruckende Potenzial von ANN-Modellen zur Analyse und Vorhersage der internen Parameter einer SPD, auch ohne vorherige Kenntnis des Ausdrucks der nichtlinearen thermionischen Emission (TE) für SBDs.

ML-Modelle können wertvolle Werkzeuge sein, die Forscher ergänzen, indem sie erhebliche Zeiteinsparungen im Geräteentwicklungszyklus und Anpassungsfähigkeit an verschiedene Bereiche bieten. In dieser Studie haben wir erfolgreich verschiedene ANN-basierte Modelle entworfen und entwickelt, um die internen Parameter einer Schottky-Fotodiode (SPD) zu analysieren und zu extrahieren. Diese Modelle wurden anhand von 36 SPD-Datensätzen trainiert und ausgewertet und lieferten bemerkenswerte Ergebnisse. Mit einem MSE- und MAE-Score unter 0,003 lernten die ANN-Modelle die internen Parameter genau und sagten Barrierenhöhe, Serienwiderstand und Idealitätsfaktor voraus. Es ist erwähnenswert, dass die ANN-Modelle auch ihre Nützlichkeit als Werkzeug zur Validierung der Ergebnisse früherer Arbeiten nach der Veröffentlichung unter Beweis stellen, die auf der pedantischen Cheung-Cheung-Methode basierten. Insbesondere zeigten die Modelle ihre Fähigkeit, unbekannte Lichtreaktionen von Fotodioden unter verschiedenen Beleuchtungs- und Spannungseinstellungen ohne Überanpassung abzuschätzen. Dies unterstreicht ihre Zuverlässigkeit. Der Nutzen von ML-Modellen für Forscher liegt darin, dass die zeitaufwändige Wiederholung von Experimenten reduziert und die Generierung zuverlässiger interner Parameter aus früheren Daten ermöglicht wird. Durch die Rationalisierung von Analyseaufgaben können Forscher nun kritischen Aspekten ihrer Untersuchungen mehr Aufmerksamkeit widmen und so die Produktivität steigern.

Die während der aktuellen Studie generierten und/oder analysierten Datensätze sind im Google Colaboratory-Repository26,27,28 und figshare25 verfügbar.

Ping, H., Stoyanovich, J. & Howe, B. Datasynthesizer: Datenschutzschonende synthetische Datensätze. In Proceedings of the 29th International Conference on Scientific and Statistical Database Management, 1–5. https://doi.org/10.1145/3085504.3091117 (2017).

Gu, Z. et al. Extrahieren genauer Parameter von Photovoltaik-Zellenmodellen durch Elite-Learning-adaptive Differential-Evolution. Energiewandler. Geschäftsführer 285, 116994. https://doi.org/10.1016/j.enconman.2023.116994 (2023).

Artikel Google Scholar

Ruiz Euler, H.-C. et al. Ein Deep-Learning-Ansatz zur Realisierung von Funktionen in nanoelektronischen Geräten. Nat. Nanotechnologie. 15, 992–998. https://doi.org/10.1038/s41565-020-00779-y (2020).

Artikel ADS CAS PubMed Google Scholar

Robbins, H. & Monro, S. Eine stochastische Approximationsmethode. In den Annalen der mathematischen Statistik 400–407 (1951).

El-Mahalawy, AM & El-Safty, KH Klassische und Quantenregressionsanalyse für die optoelektronische Leistung der NTCDA/p-Si-UV-Fotodiode. Optik 246, 167793. https://doi.org/10.1016/j.ijleo.2021.167793 (2021).

Artikel ADS CAS Google Scholar

Chianese, G., Franciosa, P., Nolte, J., Ceglarek, D. & Patalano, S. Charakterisierung von Fotodioden zur Erkennung von Variationen im Teil-zu-Teil-Spalt und der Schweißeindringtiefe beim Remote-Laserschweißen von Kupfer an - Batterielaschenanschlüsse aus Stahl. J. Manufaktur Wissenschaft. Eng.https://doi.org/10.1115/1.4052725 (2022).

Artikel Google Scholar

Lapointe, S. et al. Photodiodenbasiertes maschinelles Lernen zur Optimierung von Laser-Pulverbett-Fusionsparametern in komplexen Geometrien. Zusatz. Hersteller 53, 102687. https://doi.org/10.1016/j.addma.2022.102687 (2022).

Artikel Google Scholar

Chianese, G., Franciosa, P., Sun, T., Ceglarek, D. & Patalano, S. Verwendung von Fotodioden und überwachtem maschinellem Lernen zur automatischen Klassifizierung von Schweißfehlern beim Laserschweißen dünner Kupfer-Stahl-Batterielaschen aus Folien. J. Laser Appl. 34, 042040. https://doi.org/10.2351/7.0000800 (2022).

Artikel ADS CAS Google Scholar

Hammond, WT, Mudrick, JP & Xue, J. Ausgleich von hoher Verstärkung und Bandbreite in mehrschichtigen organischen Fotodetektoren mit maßgeschneiderten Trägerblockierungsschichten. J. Appl. Physik. 116, 214501. https://doi.org/10.1063/1.4902149 (2014).

Artikel ADS CAS Google Scholar

Hiramoto, M., Miki, A., Yoshida, M. & Yokoyama, M. Photostromvervielfachung in organischen Einkristallen. Appl. Physik. Lette. 81, 1500–1502. https://doi.org/10.1063/1.1501764 (2002).

Artikel ADS CAS Google Scholar

Liang, G., Cui, T. & Varahramyan, K. Elektrische Eigenschaften von Dioden, die mit organischen Halbleitern hergestellt werden. Mikroelektron. Ing. 65, 279–284. https://doi.org/10.1016/S0167-9317(02)00901-2 (2003).

Artikel CAS Google Scholar

Genty, G. et al. Maschinelles Lernen und Anwendungen in der ultraschnellen Photonik. Nat. Photonik 15, 91–101. https://doi.org/10.1038/s41566-020-00716-4 (2021).

Artikel ADS CAS Google Scholar

Sze, SM, Li, Y. & Ng, KK Physik von Halbleiterbauelementen (Wiley, 2021).

Google Scholar

Nicollian, EH & Brews, JR MOS (Metal Oxide Semiconductor) Physics and Technology Vol. 1987 (Wiley, 1982).

Google Scholar

Rhoderick, EH & Williams, RH Metal-Semiconductor Contacts (Clarendon Press, 1988).

Durmuş, H. & Atav, Ü. Extraktion des spannungsabhängigen Serienwiderstands aus der IV-Kennlinie von Schottky-Dioden. Appl. Physik. Lette. 99, 093505 (2011).

Artikel ADS Google Scholar

Norde, H. Ein modifiziertes Vorwärts-IV-Diagramm für Schottky-Dioden mit hohem Serienwiderstand. J. Appl. Physik. 50, 5052–5053. https://doi.org/10.1063/1.325607 (1979).

Artikel ADS CAS Google Scholar

Cheung, S. & Cheung, N. Extraktion von Schottky-Diodenparametern aus Durchlassstrom-Spannungs-Kennlinien. Appl. Physik. Lette. 49, 85–87. https://doi.org/10.1063/1.97359 (1986).

Artikel ADS CAS Google Scholar

Gromov, D. & Pugachevich, V. Modifizierte Methoden zur Berechnung realer Schottky-Diodenparameter. Appl. Physik. A 59, 331–333 (1994).

Artikel ADS Google Scholar

Ocaya, R. & Yakuphanoğlu, F. Ocaya-Yakuphanoğlu-Methode zur Serienwiderstandsextraktion und Kompensation der Eigenschaften der Schottky-Diode IV. Messung 186, 110105. https://doi.org/10.1016/j.measurement.2021.110105 (2021).

Artikel Google Scholar

Google Colaboratory. https://research.google.com/GoogleColaboratory/faq.html. Verifiziert: 22.04.2023.

Ocaya, R. et al. Mit Graphenoxid dotiertes 2.9.16.23-Tetrakis-4-\(\{\)4-[(2E)-3-(naphthalen-1-yl) prop-2-enoyl] phenoxy\(\}\)-phthalocyaninato-Kobalt (II)/Au-Fotodioden. Synth. Metalle 209, 164–172. https://doi.org/10.1016/j.synthmet.2015.07.016 (2015).

Ocaya, R. et al. Analyse der photoleitenden Mechanismen von organisch-auf-anorganischen Photodioden. Physik. E Niedrige Abmessungen. Syst. Nanostruktur. 93, 284–290. https://doi.org/10.1016/j.physe.2017.06.024 (2017).

Artikel ADS CAS Google Scholar

Mekki, A. et al. Neue Fotodioden basierende Graphen-organische Halbleiter-Hybridmaterialien. Synth. Metalle 213, 47–56. https://doi.org/10.1016/j.synthmet.2015.12.026 (2016).

Artikel CAS Google Scholar

Ocaya, RO et al. Datensatz für Schottky-Fotodioden für Maschinensprachenmodelle. figsharehttps://doi.org/10.6084/m9.figshare.22679278 (2023).

Künstliches neuronales Netzwerk SBD Maschinensprachmodell auf Google Colaboratory. https://colab.research.google.com/drive/1iA6qP6CXS6X-mS0GW5fCmJi4i78v0rai?usp=sharing (abgerufen am 22. April 2023).

Lineare Regression SBD Maschinensprachmodell auf Google Colaboratory. https://colab.research.google.com/drive/1nLPHjyX-TpOXnhXOls3A4N7D-rhdBmK1?usp=sharing (abgerufen am 22. April 2023).

Entscheidungsbaum SBD Maschinensprachmodell auf Google Colaboratory. https://colab.research.google.com/drive/1NAIl-xTAbijJB84SYVG3Uh16jybEon30?usp=sharing (abgerufen am 22. April 2023).

Pedregosa, F. et al. Scikit-learn: Maschinelles Lernen in Python. J. Mach. Lernen. Res 12, 2825–2830 (2011).

MathSciNet MATH Google Scholar

Kingma, DP & Ba, J. Adam: Eine Methode zur stochastischen Optimierung. https://doi.org/10.48550/arXiv.1412.6980 (2017).

Referenzen herunterladen

Die Autoren danken der FIRAT University Scientific Research Projects Unit für die Unterstützung dieser Forschung durch die Zuschüsse ADEP-23.05 und ADEP-22.01 sowie der King Khalid University, Königreich Saudi-Arabien, durch Zuschuss Nr. RCAMS/KKU/p002-21 im Rahmen des Research Center for Advanced Materials Science.

Diese Autoren trugen gleichermaßen bei: Abdullah G. Al-Sehemi, Ayşegul Dere, Ahmed A. Al-Ghamdi und Fahrettin Yakuphanoğlu.

Fachbereich Physik, University of the Free State, P. Bag X13, Phuthaditjhaba, 9866, Südafrika

Richard O. Ocaya

Abteilung für Informatik und Informatik, University of the Free State, P. Bag X13, Phuthaditjhaba, 9866, Südafrika

Andronicus A. Akinyelu

Fachbereich Chemie, Fakultät für Naturwissenschaften, King Khalid University, PO Box 9004, Abha, 61413, Saudi-Arabien

Abdullah G. Al-Sehemi

Forschungszentrum für fortgeschrittene Materialwissenschaften, King Khalid University, PO Box 9004, Abha, 61413, Saudi-Arabien

Abdullah G. Al-Sehemi

Abteilung für Wissenschaft und Technologie, Fakultät für Naturwissenschaften, King Khalid University, PO Box 9004, Abha, 61413, Saudi-Arabien

Abdullah G. Al-Sehemi

Berufsschule für technische Wissenschaft, Abteilung für Elektrizität und Energie, Universität Firat, Elazig, Türkei

Ayşegul Dere

Fachbereich Physik, Fakultät für Naturwissenschaften, King Abdulaziz University, Jeddah, 21589, Saudi-Arabien

Ahmed A. Al-Ghamdi

Fachbereich Physik, Fakultät für Naturwissenschaften, Firat-Universität, Elazig, Türkei

Fahrettin Yakuphanoğlu

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

ROO konzipierte und produzierte den endgültigen Entwurf des Artikels. AAA entwickelte die Methodik, codierte die Algorithmen und verfasste den Originalentwurf des Papiers. AAA-G., AD, AAS und FY haben alle Daten zusammengestellt, die für die Entwicklung der Arbeit von entscheidender Bedeutung sind, und für die Aufsicht gesorgt. AAS und FY stellten die für die Forschung erforderlichen Mittel sicher. Alle Autoren haben das Manuskript geprüft und der Einreichung zugestimmt.

Korrespondenz mit Richard O. Ocaya.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Ocaya, RO, Akinyelu, AA, Al-Sehemi, AG et al. Modelle für maschinelles Lernen zur effizienten Charakterisierung der internen Parameter von Schottky-Barriere-Fotodioden. Sci Rep 13, 13990 (2023). https://doi.org/10.1038/s41598-023-41111-7

Zitat herunterladen

Eingegangen: 25. April 2023

Angenommen: 22. August 2023

Veröffentlicht: 26. August 2023

DOI: https://doi.org/10.1038/s41598-023-41111-7

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.