Graphenneuronale Netzwerke für autonome multiskalige Konstruktion optoelektronischer nanoelektronischer Bauelemente

Zusammenfassung

Diese Studie präsentiert ein KI-gesteuertes Framework für die autonome Entwicklung leistungsstarker nanoelektronischer Bauelemente. Sie modelliert Geräte über mehrere Skalen hinweg und optimiert sie mithilfe quantenbasierter Belohnungsfunktionen. Das Framework führt eine eingeschränkte Topologieoptimierung durch, um nicht-intuitive Gerätekonfigurationen zu erzeugen und dabei die Einhaltung festgelegter quanten- und struktureller Einschränkungen zu gewährleisten.

Zusammenfassung

Diese Studie präsentiert einen rechnergestützten Rahmen für das autonome multiskalige Design optoelektronischer nanoelektronischer Bauelemente unter Verwendung graphbasierter maschineller Lernmethoden. Der Datensatz besteht aus etwa 120.000 atomaren Graphen, 35.000 mesoskopischen Graphen und 12.000 Gerätegraphen, die aus physikbasierten Simulationen generiert wurden und jeweils mit strukturellen Deskriptoren und Referenzenergiewerten annotiert sind. Geräte werden als hierarchische Graphen dargestellt, die atomare, mesoskopische und Geräteebene umfassen, wobei Knoten Material oder Funktionseinheiten kodieren und Kanten physikalische Interaktionen kodieren. Drei skalenspezifische Graph Neural Networks (GNNs) werden mit einer PyTorch- und PyTorch-geometrischen Pipeline implementiert, mit vier Nachrichten-Passschichten pro Skala und maßstabsbasierter Aufmerksamkeitsfusion. Das Quantenverhalten wird durch einen GNN-parametrisierten effektiven Hamiltonoperator integriert, der trainiert wird, um Referenz-Tight-Binding- und DFT-inspirierte Energiespektren mittels einer physikalisch regulierten Verlustfunktion zu approximieren. Die Entwicklung der Gerätetopologie wird als eingeschränktes Reinforcement-Learning-Problem formuliert, bei dem Graphmodifikationen als Aktionen behandelt und mit einer Policy-Gradient-Methode mit Entropieregularisierung optimiert werden. Eine zusammengesetzte Belohnungsfunktion balanciert interne Quanteneffizienz, strukturelle Stabilität und Graphkomplexität unter physikalischen Machbarkeitsbedingungen aus. Multi-objektive Optimierung wird mit einer erweiterten Lagrange-Formulierung durchgeführt, um Pareto-konsistente Gerätekonfigurationen zu identifizieren. Die Modellbewertung umfasst Energieprognosegenauigkeit (MAE/RMSE), Constraint-Verletzungsrate, Topologie-Machbarkeit und Skalierbarkeitsanalyse an Graphen bis zu 106^Knoten . Ausgewählte Designs werden weiter mit Finite-Elemente-Multiphysik-Simulationen validiert, um optische und elektrische Konsistenz zu überprüfen. Dieses Protokoll bietet eine reproduzierbare, multiskalierte Rechenpipeline für physikbeschränkte autonome nanoelektronische Bauelemente.

Einleitung

Die rasante Verbreitung von Internet-of-Things-(IoT)-Systemen, tragbaren und implantierbaren Geräten sowie künstlicher Intelligenz (KI)-Technologien hat die Nachfrage nach eng integrierten elektronischen und photonischen Plattformen erhöht ^1,2. Optoelektronische Bauteile, darunter photonische integrierte Schaltkreise (PICs), Photodetektoren und Pulslaser, spielen in solchen Systemen eine zentrale Rolle ^3,4. Im Nanometermaßstab wird das Geräteverhalten jedoch durch Quantenkonfinement, Ladungstransport und gekoppelte optisch-elektrische Wechselwirkungen^{bestimmt 5}. Traditionelle Designansätze basieren auf Simulationen aus den ersten Prinzipien und empirischer Parameterabstimmung⁶. Mit zunehmender Anzahl möglicher Materialkombinationen, geometrischen Anordnungen und Konnektivitätsmustern wird ein erschöpfendes simulationsbasiertes Screening rechnerisch unpraktisch.

Maschinelles Lernen (ML)-Techniken wurden eingeführt, um Modellierung und inverse Designaufgaben^{zu beschleunigen 7}. Frühe Implementierungen verwendeten künstliche neuronale Netze und Gaußsche Prozesse als Ersatzprädiktoren⁸. Neuere Deep-Learning-(DL)-Architekturen verbesserten das Repräsentationslernen für photonische und nanoelektronische Systeme⁹. Trotz dieser Fortschritte leiden bestehende DL-basierte Ansätze oft unter begrenzter Interpretierbarkeit, starker Datenabhängigkeit und eingeschränkter Verallgemeinerung über Materialien und strukturelle Skalen¹⁰. Viele Frameworks trennen auch physikalische Einschränkungen vom Lernen und behandeln sie als externe Validierung statt als integrierte Komponenten des Optimierungsprozesses¹¹.

Parallel dazu hat die fortgesetzte Skalierung von Halbleiterbauelementen physikalische Grenzen in konventionellen Architekturen^{erreicht 12}. Kurzkanaleffekte und elektrostatische Instabilität werden unterhalb von 100 nm¹³ zunehmend ausgeprägt und motivieren die Erforschung alternativer Materialien und Bauteilstrukturen. Zweidimensionale (2D) Materialien, insbesondere Übergangsmetalldichalkogenide (TMDs), bieten abstellbare Bandlücken und atomare Dicke, die mit CMOS-Prozessen^{kompatibel sind 14}. Monoschichtmaterialien wie MoS₂ und WS₂ zeigen günstige Trägerbeweglichkeit und elektrostatische Steuerung¹⁵. Junctionlose Architekturen zeigen zudem, dass die Bausteinleistung stark von der strukturellen Topologie sowie der Materialzusammensetzung abhängt^16,17.

Graph Neural Networks (GNNs) bieten einen natürlichen rechnergestützten Rahmen zur Modellierung relationaler Systeme wie Molekulargitter, Nanostrukturen und Schaltkreistopologien 18,19,20,21. Indem GNNs mit graphenstrukturierten Darstellungen statt gitterbasierten Eingaben arbeiten, aktualisieren sie die Knoten-Einbettungen durch Nachrichtenübermittlung zwischen benachbarten Komponenten. In vereinfachter Form können Knotenupdates wie folgt ausgedrückt werden

wobei φ_Knoten und ψ_Kante lernbare Funktionen sind und einen permutationsinvarianten Aggregationsoperator bezeichnet. Solche Modelle wurden auf Eigenschaftsvorhersage und Topologieinferenz in nanoelektronischen Systemen angewandt^22,23,24. Multiskalale Ansätze versuchen, atomare Simulationen und die Leistung auf Geräteebene^zu verbinden, doch die meisten Implementierungen arbeiten mit einer einzigen strukturellen Auflösung oder nehmen feste Topologien an. In quantenmechanischen Formulierungen wird die elektronische Struktur durch das Eigenwertproblem bestimmt

wobei der Hamiltonoperator-Operator ist und E_k Energieeigenwerte sind. Die Dichtefunktionaltheorie (DFT) liefert handhabbare Approximationen, skaliert jedoch ungefähr mit O(N³) mit der Elektronenzahl, was die direkte Anwendung auf großflächige topologische Exploration beschränkt. Mit zunehmender Bausteinkomplexität werden wiederholte DFT-Auswertungen rechnerisch erschwinglich. Diese Einschränkungen verdeutlichen die Notwendigkeit differenzierbarer Näherungen, die die physikalische Struktur erhalten und gleichzeitig skalierbare Optimierung ermöglichen 26,27,28.

Um diese methodische Lücke zu schließen, werden nanoelektronische Bauelemente in dieser Arbeit als hierarchische Graphen G=(V,E) formuliert, die atomare, mesoskopische und Geräteskalen 29,30,31,32,33 umfassen. Skalenspezifische GNN-Encoder extrahieren strukturelle Einbettungen, und der grenzüberschreitende Informationsaustausch wird durch aufmerksamkeitsbasierte Fusion realisiert. Anstatt während der Optimierung wiederholt vollständige DFT-Gleichungen zu lösen, wird ein GNN-parametrisierter effektiver Hamiltonoperator eingeführt, um das Referenzenergieverhalten zu approximieren, während die Hermitschen Struktur- und Lokalitätsbedingungen 34,35,36,37,38,39,40,41 erhalten bleiben.

Die Topologiemodifikation wird als Reinforcement Learning (RL)-Problem⁴² formuliert. Für einen Zustand s_t ≡ G_t modifizieren Aktionen die Graphenkonnektivität unter physikalischen Machbarkeitsbedingungen. Eine zusammengesetzte Belohnungsfunktion ist definiert als

r_t = α⋅IQE(G_t) + β⋅Stabilität(G_t) - γ⋅Komplexität(G_t),

wobei die Koeffizienten α,β,γ Kompromisse zwischen Leistung, Robustheit und struktureller Einfachheit regulieren. Multiobjektive Optimierung erfolgt durch eingeschränkte Formformulierungen.

Die Skalierbarkeit für große Systeme wird durch spektrale Graphenvergröbbung und hierarchische Aggregation erreicht, was effizientes Lernen und Inferenz bei Graphen mit bis zu Millionen von Knoten ermöglicht, ohne die strukturelle Treue zu beeinträchtigen. Spektralgraphengrobung reduziert die Berechnungskomplexität, indem Knoten auf Basis von Eigenstrukturähnlichkeit gruppiert werden, wichtige topologische und spektrale Eigenschaften erhalten bleiben und die Graphgröße deutlich verringert werden. Hierarchische Aggregation organisiert den reduzierten Graphen zudem in Multi-Resolution-Darstellungen, sodass das Modell lokale und globale Abhängigkeiten stufenweise verarbeiten kann. Diese mehrstufige Strategie senkt den Speicherverbrauch, beschleunigt die Nachrichtenübermittlungsoperationen und erhält die prädiktive Genauigkeit, wodurch sichergestellt wird, dass das Framework für groß angelegte nanoelektronische und optoelektronische Bauteilmodellierungen berechenbar bleibt 43,44,45,46,47,48,49,50,51.

Ziel dieser Studie ist es daher, ein reproduzierbares, multiskaliertes, physikbasiertes GNN-Framework für das Design eingeschränkter nanoelektronischer Geräte zu implementieren und zu evaluieren. Der Gesamtworkflow des KI-gesteuerten multiskaligen nanoelektronischen Designrahmens integriert Datensatzvorbereitung, hierarchische Graphenkonstruktion, quantenbasierte Modellierung, auf Reinforcement Learning basierende Topologieentwicklung und physikbasierte Validierung (Abbildung 1). Die folgenden Abschnitte beschreiben das Rechenprotokoll, die Trainingskonfiguration und die Validierungsverfahren.

Protokoll

1. Vorbereitung von Datensätzen und Konstruktion von Multi-Scale-Graphen

1. Eingabedaten sammeln und strukturieren
   1. Sammeln Sie Simulationsdaten im atomaren Maßstab (z. B. DFT- oder Tight-Binding-Ausgaben), mesoskopische Strukturdaten und Geräteebene-Geometrien mit zugehörigen Leistungskennzahlen.
   2. Stellen Sie sicher, dass jeder Datensatz atomare Koordinaten (nm), Materialkennungen, Energiewerte (eV), Konnektivitätsinformationen und Geräteziele (z. B. interne Quanteneffizienz, optische Absorption) enthält.
   3. Speichere alle Daten in einem strukturierten Format (.json oder .hdf5). Verifiziere konsistente Einheiten über alle Datensätze hinweg.
   4. Stellen Sie sicher, dass keine atomaren Koordinaten fehlen oder inkonsistente Energieeinheiten fehlen. Gemischte Einheiten beeinträchtigen die Normalisierung und Trainingsstabilität.
      HINWEIS: Verwenden Sie einen Datensatz mit mindestens 50.000 atomaren Graphen und mindestens 10.000 Gerätemustern
2. Daten reinigen, normalisieren und aufteilen
   1. Entfernen Sie unvollständige Einträge. Normalisieren Sie kontinuierliche Merkmale mit Z-Score-Normalisierung.
   2. Kodiere kategorische Materialtypen mit One-Hot-Codierung oder erlernten Embeddings.
   3. Teile den Datensatz auf Geräteebene in 70 % Trainingsdaten, 15 % Validierungsdaten und 15 % Testdaten.
   4. Nur während des Trainings wenden Sie Gaußsches Positionsrauschen bei 1 % bis 3 % der charakteristischen Längenskala an und Labelrauschen bis zu 2 %.
      HINWEIS: Führen Sie Datensatz-Split vor dem Graphenbau durch, um Topologie-Leckagen zu verhindern.
3. Konstruiere atomare, mesoskopische und Gerätegraphen
   1. Definiere atomare Knoten als einzelne Atome. Definiere mesoskopische Knoten als Cluster, Schichten oder Schnittstellen. Definiere geräteskalierte Knoten als funktionale Komponenten wie Elektroden und aktive Bereiche.
   2. Definieren Sie Kanten im atomaren Maßstab als interatomare Bindungen oder auf Schnittstellen basierende Wechselwirkungen. Definieren Sie mesoskopische Kanten als effektive Kopplungsparameter. Definieren Sie Kanten im Gerätemaßstab als elektrische oder optische Konnektivitätsbeziehungen.
   3. Generiere Adjazenzmatrizen.
   4. Speichere Knoten- und Kantenattribute separat für jede Skalierung.
4. Hierarchische Multi-Scale-Darstellung bauen
   1. Konstruiere den Atomgraphen G^(a). Wende die spektralgraphische Grobung an, um den mesoskopischen Graphen G^(m) zu erzeugen.
   2. Aggregieren Sie mesoskopische Cluster zu Gerätegraphen G^(d). Speichern Sie maßstabsüberschreitende Kartierungsindizes.
5. Verwenden Sie maßstabsüberschreitende Konsistenzbedingungen
   1. Berechnen Sie Bandausrichtungsverlust:
      _L-Band = ∑ ∣∣ E^(m) - A(E^(a)) ∣∣² + ∑ ∣∣ E^(d) - B(E^(m)) ∣∣² 
   2. Berechnen Sie die Laplacesche Glattheitsregularisierung:
      
   3. Füge beide Begriffe zum Trainingsziel hinzu.

2. Initialisieren von Multi-Scale GNN-Modulen

1. Definiere die Knoten-Einbettungsdimension = 128.
   1. Definiere die Kanteneinbettungsdimension = 64.
   2. Verwenden Sie pro Skalierung vier Nachrichtenübermittlungsschichten.
   3. Verwenden Sie die ReLU-Aktivierung. Initialisieren Sie Gewichte mit der Xavier-Initialisierung.
2. Implementiere Nachrichtenübermittlung
   1. Implementiere die Edge-Update-Funktion als mehrschichtiges Perceptron (MLP).
   2. Implementiere die Knoten-Update-Funktion als mehrschichtiges Perzeptron (MLP).
   3. Führen Sie gleichskalige Aggregation durch. Wenden Sie maßstäblich aufmerksamkeitsbasierte Fusion mit Q/K/V-Projektionen an.
      HINWEIS: Stellen Sie vor der Fusion eine einheitliche Einbettung der Dimensionalität über Skalen hinweg sicher.

3. Quantenbasierte Modellierung

1. Definiere GNN-parametrisierten Hamiltonoperator
   1. Ersetzen Sie den expliziten DFT-Hamiltonoperator durch:
      
   2. Hermitizität durchsetzen:
      f_θ(h_{i,h j}) = f_θ(h_{j,h i})^* 
   3. Schneide Wechselwirkungen jenseits des vordefinierten Graphenabstands ab.
2. Definition von physikbedingtem Verlust
   1. Verwendung:
      
   2. Optimieren Sie λ-Parameter mit einem Validierungsset.
3. Physische Einschränkungen durchsetzen
   1. Projiziere Hamilton-zu-Hermit-Raum bei jeder Iteration.
   2. Verstöße gegen das Naturschutzgesetz bestrafen. Schnittgradienten auf Norm ≤ 5.

4. Verstärkungslernen für die Evolution der Topologie

1. Definition von Zustands- und Aktionsraum
   1. Darstelle den Gerätegraphen als Zustand G_t dar.
   2. Handlungen definieren:
      1. Fügen Sie eine Kante hinzu
      2. Kante entfernen
      3. Ändern Sie die Konnektivität.
   3. Wenden Sie Aktionsmaskierung bei illegalen Bearbeitungen an.
2. Belohnungsfunktion definieren
   r_t = αIQE + βStabilität - γKomplexität
   Tune α, β γ über Validierung.
3. Zugrichtlinien-Netzwerk
   1. Nutzen Sie den Policy-Gradient:
      ∇_θJ = E[∑∇_θlog π_θ(a_t∣s_t)A_t]
   2. Stellen Sie den Diskontierungsfaktor γ auf 0,99 ein. Stellen Sie den Entropiekoeffizienten auf 0,02 ein und glühen Sie während des Trainings. Verwenden Sie den Adam-Optimierer mit einer Lernrate von 1 × 10⁻⁴ und einer Gewichtsabnahme von 1 × 10⁻⁵.
   3. Verwenden Sie eine Chargengröße von 32. Trainieren Sie für 250–300 Epochen und wenden Sie frühzeitige Stopps basierend auf Validierungskonvergenz an.

5. Multi-Ziel-Optimierung

1. Formuliere ein eingeschränktes Ziel. Wende die erweiterte Lagrange-Funktion an.
2. Generiere die Pareto-Grenze. Behalte nicht dominierte Lösungen.

6. Transfer Learning

1. Trainiere den atomaren GNN bei der Energievorhersageaufgabe vor. Spare Gewichte.
2. Feintuning bei mesoskopischen und Geräteaufgaben mit reduzierter Lernrate (1×10⁻⁵). Bewertung von MAE und R².

7. COMSOL Multiphysik-Validierung

1. KI-entworfene Geometrie importieren
   1. Exportiere die Gerätetopologie als CAD-Datei.
   2. Importiere in COMSOL Multiphysics.
2. Simulation konfigurieren
   1. Verwenden Sie einen elektromagnetischen Frequenzbereichslöser. Verwenden Sie den Halbleiter-Drift-Diffusions-Lösungsapparat.
   2. Verwenden Sie einen stationären Wärmerlöser. Wenden Sie perfekt abgestimmte Schichten, ohmsche Kontakte und realistische Anregungswellenlängen auf.
3. Metriken extrahieren
   1. Messung der optischen Absorptionseffizienz, der internen Quanteneffizienz, der elektrischen Feldverstärkung und des Spitzentemperaturanstiegs.
   2. Durchschnittliche Ergebnisse über Anregungsbedingungen hinweg.

8. Skalierbarkeitstests

1. Erhöhe die Graphengröße auf bis zu 10^{6 Knoten} . Messe Laufzeit und Speicherverbrauch.
2. Aktivieren Sie spektrale Grobheit, Sparse Adjacency, gemischte Präzision und verteiltes GPU-Training.

9. Statistische Bewertung

1. Führe drei unabhängige Trainingssamen.
2. Melde den Mittelwert ± Standardabweichung, MAE, RMSE und R².
3. Verwenden Sie identische Splits und Hyperparameter für den Basisvergleich.

10. Daten- und Codearchivierung

1. Gespeicherte trainierte Modelle. Datensätze archivieren.
2. Stellen Sie Skripte für Graphenaufbau, Training und COMSOL-Validierung bereit.

Ergebnisse

Das vorgeschlagene multiskalige GNN-Reinforcement-Learning-Framework wurde anhand von 120.000 atomaren Graphen, 35.000 mesoskopischen Graphen und 12.000 Gerätegraphen ausgewertet. Die Daten wurden auf Geräteebene in 70 % Trainings-, 15 % Validierungs- und 15 % Testsätze aufgeteilt. Alle gemeldeten Werte repräsentieren die Mittelwert ± Standardabweichung über drei unabhängige Durchläufe mit verschiedenen zufälligen Seeds. Basismethoden umfassten SchNet, DimeNet++, physikbasierte neuronale...

Diskussion

Diese Studie präsentiert einen hierarchischen, physikbasierten, graphbasierten Rahmen für das Design autonomer nanoelektronischer und optoelektronischer Bauelemente. Die Ergebnisse zeigen, dass die Methode eine wettbewerbsfähige Energieprognosegenauigkeit, stabile, durch Verstärkungslernen getriebene Topologieentwicklung, Constraint Satisfaction und physikalisch validierte Verbesserungen der Geräteleistung erreicht. Die folgende Diskussion konzentriert sich auf kritische prozedurale Elem...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Computational & Modellierungssoftware
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 Geometrisch		N/A	1.9.0+ / 2.0+
Quantum ESPRESSO		N/A	6.7+
Data & Datensätze
DFT-Simulationsdatenbank		N/A	Gepflogenheit
Generierte nanoelektronische Graphen		N/A	~10.000 Graphen
Materialprojekt / OQMD		N/A	Öffentliche API
Hardware & Infrastruktur< stark>
Datenspeicherung		N/A	NVMe-SSDs
High-Performance Computing (HPC) Cluster	N/A	CPU-Knoten
NVIDIA GPU Cluster		N/A	A100 / V100 / H100
Key Algorithmen & Modellkomponenten
Adam / AdamW Optimierer		N/A	PyTorch-Ureinwohner
Graphen-Aufmerksamkeitsnetzwerk (GAT)		N/A	Custom (PyTorch)
Graphen-Variationsautoencoder (GVAE)		N/A	Custom (PyTorch)
Nachrichtenübermittendes neuronales Netzwerk (MPNN)	N/A	Custom (PyTorch)
Policy Gradient (z. B. PPO)		N/A	Benutzerdefiniert (Stable-Baselines3)
Maschinelles Lernen & Optimierungsbibliotheken
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	-
Körperlich & Mathematische Modelle< starke Modelle>
Augmentierte Lagrange-Methode		N/A	Benutzerdefiniert (Python)
Zusammengesetzte Belohnungsfunktion (rt)		N/A	Benutzerdefiniert (Python)
Parametrisierter Hamiltonoperator (Hθ)		N/A	Custom (PyTorch)
Spektralgraphengrobung		N/A	Benutzerdefiniert (Scikit-learn)