Modèles d'apprentissage automatique pour une caractérisation efficace des paramètres internes des photodiodes à barrière Schottky

Sep 01, 2023

Rapports scientifiques volume 13, Numéro d'article : 13990 (2023) Citer cet article

601 Accès

1 Altmétrique

Détails des métriques

Nous proposons des modèles basés sur ANN pour analyser et extraire les paramètres internes d'une photodiode Schottky (SPD) sans leur présenter aucune connaissance de l'expression d'émission thermoionique (TE) hautement non linéaire du courant du dispositif. Nous entraînons, évaluons et démontrons les modèles ML sur trente-six ensembles de données privés provenant de trois appareils précédemment publiés, qui dénotent les réponses actuelles sous éclairage et température ambiante de diodes barrière Schottky (SBD) p-Si dopées à l'oxyde de graphène (GO). Les niveaux de dopage GO sont de 0 %, 1 %, 3 %, 5 % et 10 %. L'éclairage variait de l'obscurité (0 mW/cm2) à 30 mW/cm2. Les prédictions sont alors faites entièrement à l'intensité de 60 mW/cm2. Pour chaque diode, certaines valeurs de la hauteur de la barrière (\(\phi \)), du facteur d'idéalité (n) et de la résistance en série (\(R_s\)) calculées indépendamment à l'aide de la méthode Cheung – Cheung ont été incluses dans l'ensemble de données de formation. Les prédictions sont effectuées à des intensités non spécifiées sur les données de développement du modèle à 80 et 100 mW/cm2, et sur des données externes à 5 % et 20 % de dopage GO qui ne faisaient pas partie de l'ensemble de données de développement. L'ANN a atteint une erreur quadratique moyenne et un score d'erreur absolue moyen inférieur à 0,003 dans tous les ensembles de données. Cela démontre les capacités d'apprentissage efficaces des modèles ANN pour capturer avec précision les réponses photo des photodiodes et prédire avec précision les paramètres internes des diodes à barrière Schottky (SBD), le tout sans s'appuyer sur une compréhension inhérente de l'équation d'émission thermoionique (TE) pour SBD. Les modèles ANN ont atteint une grande précision dans ce processus. Les modèles ML proposés peuvent réduire considérablement le temps d'analyse dans les cycles de développement d'appareils et peuvent être appliqués à d'autres ensembles de données dans divers domaines.

Aujourd’hui, les systèmes d’intelligence artificielle (IA) démontrent des capacités qui égalent ou dépassent les performances humaines dans de nombreux domaines, un exploit qui était à peine possible il y a un an et qui évolue à un rythme sans précédent1. On s’intéresse de plus en plus à l’application des techniques d’IA à l’extraction et à l’analyse de données dans les sciences physiques et appliquées2. Seules quelques études ont appliqué des algorithmes basés sur ML pour modéliser les paramètres internes des photodiodes. Ruiz Euler et al.3 ont utilisé des réseaux de neurones profonds (DNN) pour optimiser les dispositifs nanoélectroniques multiterminaux. Ils ont utilisé l’algorithme de descente de gradient4 et ont réussi à prédire la fonctionnalité d’un dispositif dans des réseaux désordonnés d’atomes dopants dans le silicium. El-Mahalawy et El-Safty5 ont utilisé le réseau neuronal quantique (QNN) pour modéliser les caractéristiques de la photodiode UV NTCDA/p-Si, capturant avec précision les tendances et extrapolant les valeurs de courant inconnues sous différentes illuminations. Les algorithmes ML ont également trouvé des applications dans le soudage laser6,7,8, les photodiodes optiques9,10, les diodes organiques11 et la photonique12.

Dans cette étude, nous assemblons, entraînons et appliquons le ML pour évaluer les paramètres internes des photodiodes à semi-conducteurs (SPD) lorsque leurs réponses actuelles aux illuminations sont connues empiriquement. Il s'agit d'une expérience standard pour les diodes semi-conductrices. La réponse actuelle d'un SPD est régie par l'équation TE. Il s'agit d'une équation complexe qui dépend des paramètres internes susmentionnés \(\phi \), n, \(R_s\), de la polarisation de tension appliquée V et des paramètres ambiants, c'est-à-dire la température absolue de l'appareil T et l'éclairage, P. Un point de données empiriques dans une mesure SPD typique (à P et T donnés) est constitué du courant de diode externe observable I et V. Par ailleurs, dans le modèle TE, I dépend circulairement de lui-même en combinaison avec \(R_s \), V, T, \(\phi \), et n selon l'expression

où q est la charge électronique, k est la constante de Boltzmann, A est la surface de la diode, \(A^*\) est la constante de Richardson13,14,15,16. Pour un SPD donné, l’intérêt est de caractériser n, \(R_s\), et \(\phi \). De toute évidence, l’équation. (1) est extrêmement difficile à évaluer pour ces paramètres, de nombreuses méthodes ayant été conçues au cours des cinq dernières décennies. Beaucoup sont encore utilisés, mais presque tous reposent sur de lourdes approximations simplificatrices en raison du \(R_s\) généralement non nul dans les appareils réels17,18,19,20. L’une de ces méthodes est la méthode Cheung-Cheung, développée dans les années 198018. Il s'appuie sur deux fonctions linéaires dans le courant :