用于自主多尺度设计光电纳米电子器件的图神经网络

摘要

本研究提出了一种由人工智能驱动的框架，用于自主设计高性能纳米电子器件。该框架可在多尺度上对器件进行建模，并利用基于量子信息的奖励函数对其进行优化。该框架执行约束拓扑优化，以生成非直观的器件构型，同时确保满足指定的量子和结构约束条件。

摘要

本研究提出了一种基于图机器学习的自主多尺度光电纳米电子器件设计计算框架。数据集包含约120,000个原子尺度图、35,000个介观尺度图和12,000个器件级图，均由基于物理的模拟生成，每个图均标注有结构描述符和参考能量值。器件被表示为跨越原子、介观和器件层级的层次化图结构，其中节点编码材料或功能单元，边编码物理相互作用。采用PyTorch与PyTorch Geometric流程实现了三个针对不同尺度的图神经网络（GNN），每个尺度包含四层消息传递机制，并通过基于注意力机制的跨尺度特征融合方法进行整合。通过GNN参数化的有效哈密顿量引入量子行为，并利用物理正则化损失函数训练模型，以逼近参考的紧束缚和基于DFT的能量谱。器件拓扑结构的演化被建模为一个约束强化学习问题，其中图的修改被视为动作，通过带有熵正则化的策略梯度方法进行优化。复合奖励函数在物理可行性约束下平衡内部量子效率、结构稳定性与图复杂度。采用增广拉格朗日方法进行多目标优化，以识别符合帕累托一致性的器件构型。模型评估包括能量预测精度（MAE/RMSE）、约束违反率、拓扑可行性以及对多达10⁶个节点的图进行的可扩展性分析。所选出的设计进一步通过有限元多物理场模拟进行验证，以确认其光学与电学一致性。该方案为受物理约束的自主纳米电子器件多尺度计算设计提供了可重复的计算流程。

引言

物联网（IoT）系统、可穿戴及植入式设备和人工智能（AI）技术的快速发展，增加了对高度集成的电子与光子平台的需求^1,2。光电元件，包括光子集成电路（PIC）、光电探测器和脉冲激光器，在此类系统中发挥着核心作用^3,4。然而，在纳米尺度下，器件行为受量子限域效应、电荷输运以及光–电耦合相互作用的支配⁵。传统设计方法依赖于第一性原理模拟和经验参数调优⁶。随着可能的材料组合、几何布局和连接模式数量的增加，基于仿真的穷举筛选在计算上变得不可行。

机器学习（ML）技术已被引入以加速建模和逆向设计任务⁷。早期的实现采用人工神经网络和高斯过程作为代理预测器⁸。近年来，深度学习（DL）架构改进了光子学和纳米电子系统中的表示学习⁹。尽管取得了这些进展，现有的基于深度学习的方法通常存在可解释性有限、对数据依赖性强，以及在材料和结构尺度上的泛化能力受限等问题¹⁰。许多框架还将物理约束与....

方案

1. 数据集准备与多尺度图构建

1. 收集并结构化输入数据
   1. 收集原子尺度模拟数据（例如 DFT 或紧束缚模型输出）、介观结构数据以及包含相关性能指标的器件级几何结构。
   2. 确保每条数据记录包含原子坐标（nm）、材料标识符、能量值（eV）、连接性信息以及器件级目标（例如内量子效率、光吸收）。
   3. 将所有数据以结构化格式（.json 或 .hdf5）存储。验证所有记录中单位的一致性。
   4. 确保无缺失的原子坐标或不一致的能量单位。混合单位将破坏归一化过程及训练稳定性。
      注意：使用包含至少 50,000 个原子尺度图和至少 10,000 个器件级样本的数据集
2. 清洗、归一化并划分数据
   1. 移除不完整的条目。使用 z-score 归一化方法对连续特征进行归一化处理。
   2. 使用独热编码或学习嵌入对分类材料类型进行编码。
   3. 在器件层级上将数据集划分为 70% 训练数据、15% 验证数据和 15% 测试数据。
   4. 仅在训练期间，施加特征长度尺度 1%–3% 的高斯位置噪声，并施加最高达 2% 的标签噪声。
      注意：在构建图结构之前完成数据集划分，以防止拓扑信息泄露。
3. 构建原子、介观和器件级图
   1. 将原子尺度节点....

结果

所提出的多尺度图神经网络-强化学习框架在120,000个原子级图、35,000个介观图和12,000个器件级图上进行了评估。数据在器件级别上被划分为70%训练集、15%验证集和15%测试集。所有报告的数值均表示三次使用不同随机种子的独立运行结果的平均值±标准差。基线方法包括SchNet、DimeNet++、物理信息神经网络（PINNs）、生成式拓扑优化方法以及纯物理求解器基线。所有方法均采用相同的数据集划分和超参数设置。

能量预测性能

通过平均绝对误差（MAE）和均方根误差（RMSE）将能量预测精度与DFT参考值进行了比较。

如图2所示并总结于表3中，所提出的模型实现了0.031 ± 0.002 eV的平均绝对误差（MAE）和0.047 ± 0.003 eV的均方根误差（RMSE）。SchNet的MAE为0.038 ± 0.003 eV，Dime.......

讨论

本研究提出了一种分层的、基于物理信息的图框架，用于纳米电子和光电子器件的自主设计。结果表明，该方法在能量预测准确性、基于强化学习的稳定拓扑演化、约束条件满足以及器件性能的物理验证提升方面均具有竞争力。以下讨论将重点阐述该技术的关键操作要素、方法学考量、局限性、背景意义及未来拓展方向。

方案中的关键步骤

该方案中的多个步骤对于可重复性和性能稳定性至关重要。首先，多尺度图构建必须在原子、介观和器件层级上保持物理上有意义的连通性。不当的图聚合或不一致的特征归一化可能会在层级结构中传播结构误差，导致能量预测性能下降或拓扑演化不稳定。因此，谱图粗化必须在可控阈值下进行，以保留关键的特征值谱，这与先前关于可扩展图学习的研究保持一致。

其次，在训练过程中实施基于量子信息的约束至关重要。厄米性投影和能带对齐正则化可防止非物理的算符漂移。在强化学习中若无显式的约束掩蔽，拓扑结构修改可能生成不连通或无法制造的图。类似具有约束意识的优化策略已被证明可稳定在结构.......

材料

本文使用的材料清单

姓名	公司	目录编号	评论
<强>计算 &建模软件
JAX / Haiku		N/A	0.3.0+
LAMMPS		N/A	-
LUMERICAL / MEEP		N/A	-
OpenAI Gym / Gymnasium		N/A	-
Python		N/A	3.8+
PyTorch / PyTorch Geometric		N/A	1.9.0+ / 2.0+
Quantum ESPRESSO		N/A	6.7+
<强>数据 &与数据集
DFT 模拟数据库		N/A	定制
生成的纳米电子图		N/A	约 10,000 个图
材料项目 / 开放量子材料数据库		N/A	公共API
<强>硬件 &与基础设施
数据存储		N/A	NVMe SSD
高性能计算（HPC）集群	N/A	CPU 节点
NVIDIA GPU 集群		N/A	A100 / V100 / H100
<强>关键算法 &和模型组分
Adam / AdamW 优化器		N/A	PyTorch 原生
图注意力网络（GAT）		N/A	自定义（PyTorch）
图变分自编码器（GVAE）		N/A	自定义（PyTorch）
消息传递神经网络（MPNN）	N/A	自定义（PyTorch）
策略梯度（例如，PPO）		N/A	自定义（Stable-Baselines3）
<强>机器学习 &和优化库
NetworkX		N/A	2.6+
NumPy		N/A	1.24+
Optuna		N/A	2.0+
Scikit-learn		N/A	1.0+
Stable-Baselines3 / Ray RLLib		N/A	-
<强>物理 &与数学模型
增广拉格朗日方法		N/A	自定义（Python）
复合奖励函数（rt）		N/A	自定义（Python）
参数化哈密顿量（Hθ)		N/A	自定义（PyTorch）
谱图粗化		N/A	自定义（Scikit-learn）