2020 Fiscal Year Annual Research Report
Machine learning assisted simulation and optimization of atomic layer channel based FETs
Publicly Offered Research
| Project Area | Materials Science and Advanced Elecronics created by singularity |
|---|
| Project/Area Number |
19H04546
|
|---|
| Research Institution | Kobe University |
|---|
Principal Investigator |
相馬 聡文 神戸大学, 工学研究科, 准教授 (20432560)
|
|---|
| Project Period (FY) |
2019-04-01 – 2021-03-31
|
| Keywords | 機械学習 / デバイスシミュレーション / 非平衡グリーン関数法 / デバイス最適化設計 |
|---|
| Outline of Annual Research Achievements |
機械学習を原子膜デバイスのシミュレーションと最適化設計に応用する事を目的に，これまで，非平衡グリーン関数（NEGF）法に基づくデバイスシミュレーションを畳み込みニューラルネットワーク（CNN）を用いて高速化する手法を確立してきたが，これまでは散乱を考慮しないコヒーレント輸送を前提としていた．より現実的なシミュレーションのためには電子フォノン散乱などの散乱機構を考慮に入れる必要がある．そこで，散乱を考慮したNEGF法に基づくデバイスシミュレーションにおいて機械学習手法，特にニューラルネットワーク（NN）モデルを用いる事によりシミュレーションを高速化する手法についての検討を行った．具体的には，散乱のある場合の電流計算に必要となる非平衡状態での相関グリーン関数（占有状態，非占有状態共）のスペクトル分布（各エネルギー毎の値）が，散乱の無いコヒーレント輸送の場合には大きな計算負荷を要せず（あるいは開発済みのコヒーレント輸送用のNEGF機械学習モデルを用いる事により更に高速に）計算される事，及び，散乱のある場合の上記のスペクトル分布が散乱強度等によって系統的な影響を受ける事に注目し，それらの間の対応関係をNNによって学習させる手法を提案し，この手法によって散乱のある場合の電流がNNモデルによってある程度の精度で低計算負荷に推論可能になる事を明らかにした． 更に，機械学習を用いる事によるデバイス性能予測とデバイス探索のための一般的なフレームワーク検討として，NNを用いる事により，与えられた素子パラメータに対するデバイス特性を直接的に予測するための一般的なモデルを提案し，高い精度で予測可能であることを明らかにした．また，その逆問題として，所望のデバイス性能が与えられた時にそれを実現するデバイスパラメータを抽出するための一般的なモデルも提案，その実用性を示した．
|
| Research Progress Status |
令和2年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
令和2年度が最終年度であるため、記入しない。
|
