Критерий оценки нейросетевой модели гетероструктурных наноэлектронных устройств для прогнозирования их электрических параметров

Обложка

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.

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. 6

Александр 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. 4

Список литературы

  1. 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
  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;125(15):151601. https://doi.org/10.1063/1.5051007
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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
  9. 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
  10. 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
  11. Koehrsen W. Overfitting vs. underfitting: a complete example. Toronto: Towards Data Science; 2018.
  12. 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
  13. 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
  14. Demuth HB, Beale MH, De Jess O, Hagan MT. Neural network design. Oklahoma: Martin Hagan; 2014.
  15. 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
  16. Datta S. Quantum transport: atom to transistor. Cambridge University Press; 2005.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».