Критерий оценки нейросетевой модели гетероструктурных наноэлектронных устройств для прогнозирования их электрических параметров
- Авторы: Ветрова Н.А.1,2, Филяев А.А.1,3
-
Учреждения:
- Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)
- Российский университет дружбы народов
- Национальный исследовательский технологический университет «МИСиС»
- Выпуск: Том 23, № 1 (2022)
- Страницы: 7-14
- Раздел: Статьи
- URL: https://journals.rcsi.science/2312-8143/article/view/327499
- DOI: https://doi.org/10.22363/2312-8143-2022-23-1-7-14
- ID: 327499
Цитировать
Полный текст
Аннотация
Работа посвящена нейросетевому подходу, который предлагается использовать для прогнозирования эксплуатационных параметров гетероструктурных наноразмерных устройств различного назначения. Его преимуществом является эффективная методика оценки весовых коэффициентов в составе обучаемой искусственной нейронной сети, что позволяет решать задачу для устройств с произвольной структурой. Обучение представляет собой сложный итерационный процесс, по окончании которого важно производить оценку работы нейросетевой модели. Поэтому после построения такой модели необходимо определить достигаемую точность, а также выявить негативные эффекты, которые могут возникнуть в процессе обучения, в частности переобучение и недообучение сети. Представлен критерий оценки качества обучения нейросетевой модели гетероструктурных наноэлектронных устройств для прогнозирования их электрических параметров. Основное преимущество данного критерия - его чувствительность к негативным эффектам, возникающим в процессе обучения, что было продемонстрированно на примере с двумя входными обучающими параметрами и подтверждено визуальным контролем 3D-поверхностей. Доказана применимость разработанного критерия при выборе нейронных сетей с произвольной архитектурой для решения конструкторских задач при проектировании полупроводниковых приборов.
Ключевые слова
Об авторах
Наталия Алексеевна Ветрова
Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет); Российский университет дружбы народов
Email: vetrova@bmstu.ru
ORCID iD: 0000-0002-6218-4111
кандидат технических наук, доцент кафедры «Технологии приборостроения», Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет); доцент кафедры нанотехнологий и микросистемной техники, Инженерная академия, Российский университет дружбы народов
Российская Федерация, 105005, Москва, 2-я Бауманская ул., д. 5, стр. 1; Российская Федерация, 117198, Москва, ул. Миклухо-Маклая, д. 6Александр Александрович Филяев
Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет); Национальный исследовательский технологический университет «МИСиС»
Автор, ответственный за переписку.
Email: alex.filyaev.98@gmail.com
ORCID iD: 0000-0001-7319-8001
магистрант, кафедра «Технологии приборостроения», Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет); инженер научного проекта, лаборатория квантовых коммуникаций, Национальный исследовательский технологический университет «МИСиС»
Российская Федерация, 105005, Москва, 2-я Бауманская ул., д. 5, стр. 1; Российская Федерация, 119049, Москва, Ленинский пр-кт, д. 4Список литературы
- Manh LD, Diebold S, Nishio K, Nishida Y, Kim J, Mukai T, Fujita M, Nagatsuma T. External feedback effect in terahertz resonant tunneling diode oscillators. IEEE Transactions on Terahertz Science and Technology. 2018;8(4): 455-464. https://doi.org/10.1109/TTHZ.2018.2842209
- 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;125(15):151601. https://doi.org/10.1063/1.5051007
- Sattari-Esfahlan SM. Multi-peak negative differential resistance in silicene superlattice: Toward multi-valued silicene logic devices. Journal of Applied Physics. 2018;123(24):244503. https://doi.org/10.1063/1.5032122
- Fujita K, Jung S, Jiang Y, Kim JH, Nakanishi A, Ito A, Hitaka M, Edamura T, Belkin MA. Recent progress in terahertz difference-frequency quantum cascade laser sources. Nanophotonics. 2018;7(11):1795-1817. https://doi.org/10.1515/nanoph-2018-0093
- Rakić AD, Taimre T, Bertling K, Lim YL, Dean P, Valavanis A, Indjin D. Sensing and imaging using laser feedback interferometry with quantum cascade lasers. Applied Physics Reviews. 2019;6(2):021320. https://doi.org/10.1063/1.5094674
- Bosco L, Franckié M, Scalari G, Beck M, Wacker A, Faist J. Thermoelectrically cooled THz quantum cascade laser operating up to 210 K. Applied Physics Letters. 2019;115(1):010601. https://doi.org/10.1063/1.5110305
- de Oliveira ERC, Pfenning A, Castro EDG, Teodoro MD, dos Santos EC, Lopez-Richard V, Marques GE, Worschech L, Hartmann F, Höfling S. Electroluminescence on-off ratio control of n-i-n GaAs/AlGaAs-based resonant tunneling structures. Physical Review B. 2018; 98(7):075302. https://doi.org/10.1103/PhysRevB.98.075302
- Sawai S, Narahara K. Submillimeter-wave multiphase oscillation using traveling pulses in a resonant-tunneling diode-oscillator lattice. Journal of Infrared, Millimeter, and Terahertz Waves. 2021;42(4):426-445. https://doi.org/10.1007/s10762-021-00780-z
- Pchelintsev KP, Vetrova NA, Shashurin VD. Modeling of the degradation of resonant-tunneling diodes using artificial neural networks. Journal of Surface Investigation: X-ray, Synchrotron and Neutron Techniques. 2022;16(1): 82-85. https://doi.org/10.1134/S102745102201013X
- Vetrova NA, Pchelintsev KP, Shashurin VD. An artificial neural network as a predictor of electrical characteristics of nanoelectronic device channel based on a low-dimensional heterostructure. Journal of Physics: Conference Series. 2020;1695(1):012152. https://doi.org/10.1088/1742-6596/1695/1/012152
- Koehrsen W. Overfitting vs. underfitting: a complete example. Toronto: Towards Data Science; 2018.
- Gavrilov AD, Jordache A, Vasdani M, Deng J. Preventing model overfitting and underfitting in convolutional neural networks. International Journal of Software Science and Computational Intelligence. 2018;10(4):19-28. https://doi.org/10.4018/IJSSCI.2018100102
- Narayan S, Tagliarini G. An analysis of underfitting in MLP networks. 2005 IEEE International Joint Conference on Neural Networks. 2005;2:984-988. https://doi.org/10.1109/IJCNN.2005.1555986
- Demuth HB, Beale MH, De Jess O, Hagan MT. Neural network design. Oklahoma: Martin Hagan; 2014.
- Anantram MP, Lundstrom MS, Nikonov DE. Modeling of nanoscale devices. Proceedings of the IEEE. 2008; 96(9):1511-1550. https://doi.org/10.1109/JPROC.2008.927355
- Datta S. Quantum transport: atom to transistor. Cambridge University Press; 2005.
Дополнительные файлы
