Н.А. Ветрова1, К.П. Пчелинцев2, В.Д. Шашурин3  

1–3 Московский государственный технический университет им. Н.Э. Баумана (Москва, Россия)

Постановка проблемы. Обеспечение требуемого уровня надежности современных радиоэлектронных приборов на базе полупроводниковых гетероструктур в настоящее время является сложной для решения задачей. Анализ вариантов их конструкторско-технологической реализации, учет временно́го фактора и внешнего воздействия требует осуществления многоитерационных вычислений электрических характеристик. Существующие на сегодняшний день вычислительные алгоритмы требуют значительный объем вычислительных ресурсов для работы, а также наличия ряда дополнительных эмпирических коэффициентов. Это фактически делает невозможным их применение в рамках решения задачи обеспечения надежности радиоэлектронных приборов на базе полупроводниковых гетероструктур для прогнозирования электрических характеристик резонансно-туннельного диода (РТД) с учетом временно́го фактора и внешних воздействий

Цель работы – разработка и обучение искусственной нейронной сети, способной с приемлемой точностью и быстродействием аппроксимировать сложные, в том числе скрытые, функциональные зависимости электрических характеристик РТД от конструкторско-технологических параметров с учетом временно́го фактора и внешнего воздействия.

Результаты. Разработана искусственная нейронная сеть для расчета электрических характеристик РТД с учетом временно́го фактора и внешнего воздействия.

Практическая значимость. Использование обученной нейросетевой модели позволяет значительно сократить (до двух порядков) время вычисления электрических характеристик РТД с учетом временно́го фактора и внешнего воздействия. Использование для обучения нейронной сети экспериментальных данных позволяет повысить точность модели за счет учета влияния технологических погрешностей (возникающих при производстве), а также различных деградационных изменений (протекающих с течением времени и под воздействием внешних факторов в процессе эксплуатации РТД), а также исключить из деградационных моделей эмпирические поправочные коэффициенты.

Ветрова Н.А., Пчелинцев К.П., Шашурин В.Д. Персептронная сеть прогнозирования электрических характеристик резонанснотуннельного диода // Нанотехнологии: разработка, применение – XXI век. 2021. Т. 13. № 4. С. 5–9. DOI: https://doi.org/ 10.18127/j22250980-202104-01

1. Wang J., Al-Khalidi A., Zhang C., Ofiare A., Wang L., Wasige E., Figueiredo J.M.L. Resonant tunneling diode as high speed optical/electronic transmitter. 10th UK-Europe-China Workshop on Millimetre Waves and Terahertz Technologies. 2017. 1–4 Doi: 10.1109/UCMMT.2017.8068497
2. Kasagi K., Suzuki S., Asada M. Large-scale array of resonant-tunneling-diode terahertz oscillators for high output power at 1 THz. Journal of Applied Physics. 2019. V. 125. № 15. P. 151601.1. Doi: 10.1063/1.5051007
3. Yang F. Room Temperature Terahertz SubHarmonic Mixer Based on GaN Nanodiodes. Journal of Computational and Theoretical Nanoscience. 2017. V. 14. № 4. P. 1766. Doi: 10.1166/jctn.2017.6501
4. Baba R., Stevens B.J., Mukai T., Hogg R.A. Epitaxial Designs for Maximizing Efficiency in Resonant Tunneling Diode Based Terahertz Emitters. IEEE Journal of quantum electronic. 2018. V. 54. № 2. Doi:10.1109/JQE.2018.2797960
5. Шашурин В.Д., Ветрова Н.А., Пчелинцев К.П., Куимов Е.В., Козий А.А. Эффективный вычислительный алгоритм расчета электрических характеристик наноразмерных гетероструктур на основе формализма Ландауэра-Буттикера // Нанотехнологии: разработка, применение – XXI век. 2019. Т. 11. № 1. С. 34–43.
6. Nadar S., Zaknoune M., Wallart X., Coinon C., Emilien P., Ducournau G., Gamand F., Thirault M. High Performance Heterostructure Low Barrier Diodes for Sub-THz Detection. IEEE Transactions on Terahertz Science and Technology. 2017. V. 7. № 6. P. 780. Doi:10.1109/TTHZ.2017.2755503
7. Anantram M.P., Lundstrom M.S., Nikonov D.E. Modeling of Nanoscale Devices. Proceedings of the IEEE. 2008. V. 96. № 9. P. 1511. Doi:10.1109/JPROC.2008.927355
8. Koziy A.A., Vetrova N.A., Pchelintsev K.P., Shashurin V.D., Meshkov S.A. Quantum-mechanical models for calculating the electrical characteristics of semiconductor 2-d structures for technological optimization of nanoelectronics devices based on them. Journal of Physics. 2019. V. 012194. Doi: 10.1088/1742-6596/1410/1/01219
9. Schmidhuber J. Deep learning in neural networks: An overview. Neural Networks. 2015. V. 61. P. 85. Doi: 10.1016/j.neunet.2014.09.003
10. Vetrova N.A., Pchelintsev K.P., Shashurin V.D. An artificial neural network as a predictor of electrical characteristics of nanoelectronic device channel based on a low-dimensional heterostructure. J. Phys.: Conf. Ser. 2020. V. 1695. Doi: 10.1088/1742-6596/1695/1/012152
11. Ветрова Н.А., Пчелинцев К.П., Шашурин В.Д., Гудков А.Г., Соловьев Ю.В. Нейросетевые методы для TCAD-сред моделирования гетероструктурных наноэлектронных приборов с поперечным токопереносом // Нанотехнологии: Разработка, применение –XXI век. 2021. № 1. С. 5–11.
12. Laudani A., Lozito G.M., Fulginei F.R., Salvini A. On Training Efficiency and Computational Costs of a Feed Forward Neural Network: A Review // Computational Intelligence and Neuroscience. 2015. V. 2015. Doi: 10.1155/2015/818243
13. Dua V. Finite element solution of coupled-partial differential and ordinary equations in multicomponent polymeric coatings. Computers & Chemical Engineering. 2011. V. 35. № 3. P. 545. Doi: 10.1016/j.compchemeng.2010.06.005
14. Jamili E., Dua V. Parameter estimation of partial differential equations using artificial neural network. Computers & Chemical Engineering. 2019. V. 147. P. 107221. Doi: 10.1016/j.compchemeng.2020.107221
15. Vujicic T., Tripo M., Jelena L., Balota A., Sevarac Z. Comparative Analysis of Methods for Determining Number of Hidden Neurons in Artificial Neural Network. Central European Conference on Information and Intelligent Systems. 2016. P. 219.
16. Gnana Sheela K., Deepa S.N. Review on Methods to Fix Number of Hidden Neurons in Neural Networks. Mathematical Problems in Engineering. 2013. V. 6. Doi: 10.1155/2013/425740