banner
Lar / blog / Modelos de aprendizado de máquina para caracterização eficiente de parâmetros internos de fotodiodos de barreira Schottky
blog

Modelos de aprendizado de máquina para caracterização eficiente de parâmetros internos de fotodiodos de barreira Schottky

Aug 30, 2023Aug 30, 2023

Scientific Reports volume 13, Artigo número: 13990 (2023) Citar este artigo

601 Acessos

1 Altmétrico

Detalhes das métricas

Propomos modelos baseados em RNA para analisar e extrair os parâmetros internos de um fotodiodo Schottky (SPD) sem apresentar-lhes qualquer conhecimento da expressão de emissão termiônica (TE) altamente não linear da corrente do dispositivo. Treinamos, avaliamos e demonstramos os modelos de ML em trinta e seis conjuntos de dados privados de três dispositivos publicados anteriormente, que denotam respostas de corrente sob iluminação e temperatura ambiente de diodos de barreira Schottky p-Si dopados com óxido de grafeno (GO). Os níveis de doping GO são 0%, 1%, 3%, 5% e 10%. A iluminação variou de escuro (0 mW/cm2) a 30 mW/cm2. As previsões são então feitas completamente na intensidade de 60 mW/cm2. Para cada diodo, alguns valores de altura da barreira (\(\phi \)), fator de idealidade (n) e resistência em série (\(R_s\)) calculados independentemente usando o método Cheung – Cheung foram incluídos no conjunto de dados de treinamento. As previsões são feitas em intensidades não especificadas nos dados de desenvolvimento do modelo a 80 e 100 mW/cm2, e em dados externos a 5% e 20% de dopagem GO que não faziam parte do conjunto de dados de desenvolvimento. A RNA alcançou um erro quadrático médio e uma pontuação média de erro absoluto abaixo de 0,003 em todos os conjuntos de dados. Isso demonstra as capacidades efetivas de aprendizagem dos modelos de RNA na captura precisa das respostas fotográficas dos fotodiodos e na previsão precisa dos parâmetros internos dos Diodos de Barreira Schottky (SBDs), tudo sem depender de uma compreensão inerente da equação de emissão termiônica (TE) para SBDs. Os modelos de RNA alcançaram alta precisão neste processo. Os modelos de ML propostos podem reduzir significativamente o tempo de análise nos ciclos de desenvolvimento de dispositivos e podem ser aplicados a outros conjuntos de dados em vários campos.

Hoje, os sistemas de inteligência artificial (IA) estão a demonstrar capacidades que igualam ou superam o desempenho humano qualificado em muitas áreas, um feito que mal era possível há um ano e que está a evoluir a um ritmo sem precedentes1. Há um foco crescente na aplicação de técnicas de IA à extração e análise de dados nas ciências físicas e aplicadas2. Apenas alguns estudos aplicaram algoritmos baseados em ML para modelar os parâmetros internos dos fotodiodos. Ruiz Euler et al.3 utilizaram redes neurais profundas (DNN) para otimizar dispositivos nanoeletrônicos multiterminais. Eles empregaram o algoritmo de descida gradiente e alcançaram previsões bem-sucedidas da funcionalidade do dispositivo em redes desordenadas de átomos dopantes no silício. El-Mahalawy e El-Safty5 empregaram a Rede Neural Quântica (QNN) para modelar as características do fotodiodo UV NTCDA/p-Si, capturando tendências com precisão e extrapolando valores de corrente desconhecidos sob diferentes iluminações. Os algoritmos de ML também encontraram aplicações em soldagem a laser6,7,8, fotodiodos ópticos9,10, diodos orgânicos11 e fotônica12.

Neste estudo, montamos, treinamos e aplicamos ML para avaliar os parâmetros internos de fotodiodos semicondutores (SPDs) quando suas respostas atuais às iluminações são empiricamente conhecidas. Este é um experimento padrão para diodos semicondutores. A resposta atual de um SPD é governada pela equação TE. Esta é uma equação complexa que depende dos parâmetros internos acima mencionados \(\phi \), n, \(R_s\), da polarização de tensão aplicada V, e dos parâmetros ambientais, ou seja, a temperatura absoluta do dispositivo T, e iluminação, P . Um ponto de dados empíricos em uma medição típica de SPD (em um determinado P e T) consiste na corrente externa observável do diodo I e V. Aliás, no modelo TE, I é circularmente dependente de si mesmo em combinação com \(R_s \), V, T, \(\phi \), e n de acordo com a expressão

onde q é a carga eletrônica, k é a constante de Boltzmann, A é a área do diodo, \(A^*\) é a constante de Richardson13,14,15,16. Para um determinado SPD, o interesse é caracterizar n, \(R_s\), e \(\phi \). Evidentemente, a Eq. (1) é extremamente difícil de avaliar para estes parâmetros, com muitos métodos sendo desenvolvidos nas últimas cinco décadas. Muitos ainda estão em uso, mas quase todos dependem de aproximações simplificadoras pesadas devido ao \(R_s\) tipicamente diferente de zero em dispositivos reais17,18,19,20. Um desses métodos é o método Cheung-Cheung, desenvolvido na década de 198018. Baseia-se em duas funções que são lineares na corrente: