רשתות עצביות גרף לעיצוב אוטונומי רב-קנה מידה של התקנים ננו-אלקטרוניים אופטואלקטרוניים

סיכום

מחקר זה מציג מסגרת מונחית בינה מלאכותית לעיצוב אוטונומי של מכשירים ננו-אלקטרוניים בעלי ביצועים גבוהים. הוא מדמה מכשירים בקנה מידה שונים ומייעל אותם באמצעות פונקציות תגמול מודעת לקוונטיות. המסגרת מבצעת אופטימיזציה מוגבלת של טופולוגיה ליצירת תצורות מכשירים לא אינטואיטיביות, תוך שמירה על עמידה במגבלות קוונטיות ומבניות מוגדרות.

תקציר

מחקר זה מציג מסגרת חישובית לעיצוב אוטונומי רב-קנה מידה של התקנים ננו-אלקטרוניים אופטואלקטרוניים באמצעות למידת מכונה מבוססת גרפים. מערך הנתונים כולל כ-120,000 גרפים בקנה מידה אטומי, 35,000 גרפים בקנה מידה מזוסקופי ו-12,000 גרפים ברמת המכשיר שנוצרו מסימולציות מבוססות פיזיקה, כל אחד עם תיאורים מבניים וערכי אנרגיה ייחוס. המכשירים מיוצגים כגרפים היררכיים החוצים רמות אטומיות, מזוסקופיות ומכשירים, כאשר צמתים מקודדים חומר או יחידות פונקציונליות וקשתות המקודדות אינטראקציות פיזיקליות. שלוש רשתות עצביות גרפיות ספציפיות בקנה מידה מיושמות באמצעות צינור PyTorch ו-PyTorch Geometric Geometric Geometric עם ארבע שכבות העברת הודעות לכל קנה מידה ומיזוג תכונות מבוסס קשב חוצה קנה מידה. התנהגות קוונטית משולבת באמצעות המילטוניאן אפקטיבי עם פרמטריות GNN, מאומן לקרב ספקטרום אנרגיה בהשראת DFT באמצעות פונקציית אובדן רגולריאליסטית פיזיקלית. אבולוציית טופולוגיית המכשיר מנוסחת כבעיית למידת חיזוק מוגבלת שבה שינויים בגרף מטופלים כפעולות ומוטבים באמצעות שיטת מדיניות-גרדיאנט עם רגולריזציה של אנטרופיה. פונקציית תגמול מורכבת מאזנת בין יעילות קוונטית פנימית, יציבות מבנית ומורכבות גרף תחת מגבלות היתכנות פיזיקלית. אופטימיזציה רב-מטרתית מתבצעת באמצעות נוסחה לגראנז'יאנית מוגברת לזיהוי קונפיגורציות התקן פרטו-עקביות. הערכת מודלים כוללת דיוק חיזוי אנרגיה (MAE/RMSE), שיעור הפרת אילוצים, היתכנות טופולוגיה וניתוח סקלביליות על גרפים עד 10 עד⁶ צמתים. עיצובים נבחרים מאומתים נוספים באמצעות סימולציות מולטיפיזיקה של אלמנטים סופיים לאימות עקביות אופטית וחשמלית. פרוטוקול זה מספק צינור חישובי רב-קנה מידה לשכפול לעיצוב מכשירים ננו-אלקטרוניים אוטונומיים מוגבלים פיזיקליים.

מבוא

ההתפשטות המהירה של מערכות אינטרנט של הדברים (IoT), מכשירים לבישים ומושתלים, וטכנולוגיות בינה מלאכותית (AI) הגבירה את הביקוש לפלטפורמות אלקטרוניות ופוטוניות משולבות היטב ^1,2. רכיבים אופטואלקטרוניים, כולל מעגלים משולבים פוטוניים (PICs), גלאי פוטוקולטור ולייזרי פולס, ממלאים תפקיד מרכזי במערכות כאלה ^3,4. בקנה מידה של ננומטר, עם זאת, התנהגות המכשיר נשלטת על ידי כליאה קוונטית, העברת מטען ואינטראקציות אופטיות-חשמליות משולבות⁵. גישות עיצוב מסורתיות מסתמכות על סימולציות עקרונות ראשוניות וכוונון פרמטרים אמפיריים⁶. ככל שמספר השילובים האפשריים של חומרים, פריסות גיאומטריות ודפוסי קישוריות גדל, סינון מבוסס סימולציה ממצה הופך לבלתי מעשי חישובית.

טכניקות למידת מכונה (ML) הוצגו להאצת מידול ומשימות עיצוב הפוך⁷. מימושים מוקדמים השתמשו ברשתות עצביות מלאכותיות ובתהליכים גאוסיאניים כמנבאים חלופיים⁸. ארכיטקטורות למידה עמוקה (DL) עדכניות שיפרו את למידת הייצוג עבור מערכות פוטוניות וננואלקטרוניות⁹. למרות ההתקדמות הזו, גישות מבוססות DL קיימות סובלות לעיתים קרובות מפרשנות מוגבלת, תלות חזקה בנתונים והכללה מוגבלת בין חומרים ובקנה מידה מבני¹⁰. מסגרות רבות גם מפרידות בין מגבלות פיזיקליות ללמידה, ומתייחסות אליהן כאימות חיצוני ולא כרכיבים משולבים של תהליך האופטימיזציה¹¹.

במקביל, ההרחבה המתמשכת של מכשירי מוליכים למחצה התקרבה לגבולות פיזיים בארכיטקטורות קונבנציונליות¹². אפקטים של ערוץ קצר ואי-יציבות אלקטרוסטטית הופכים למשמעותיים יותר ויותר מתחת ל-100 ננומטר¹³, מה שמניע חקר חומרים ומבני מכשירים חלופיים. חומרים דו-ממדיים (2D), במיוחד דיכלקוגנידי מתכות מעבר (TMDs), מציעים פערי פס ניתנים לכיוון ועובי בקנה מידה אטומי התואמים לתהליכי CMOS¹⁴. חומרים מונוליירים כמו MoS₂ ו-WS₂ מציגים ניידות נשאים ושליטה אלקטרוסטטית מועדפת¹⁵. ארכיטקטורות ללא צומת מראות עוד יותר כי ביצועי המכשיר תלויים מאוד בטופולוגיה מבנית ובהרכב החומרים^16,17.

רשתות עצביות גרפיות (GNNs) מספקות מסגרת חישובית טבעית למידול מערכות יחסיות כגון סריגים מולקולריים, ננו-מבנים וטופולוגיות מעגלים 18,19,20,21. על ידי פעולה על ייצוגים מובנים בגרף במקום קלטים מבוססי רשת, GNNs מעדכנים את הטמעות-הצמתים באמצעות העברת הודעות בין רכיבים שכנים. בצורה פשוטה, עדכוני צמתים יכולים להיות מבוטאים כ

כאשר_{φ צומת וקשת} ψ הם פונקציות ללמידה ומסמנים אופרטור אגרגציה אינווריאנטי לפרמוטציה. מודלים כאלה יושמו לחיזוי תכונות ולהסקת טופולוגיה במערכות ננו-אלקטרוניות 22,23,24. גישות רב-סקאלה מנסות לגשר בין סימולציות בקנה מידה אטומי לביצועים ברמת המכשיר ²⁵, אך רוב המימושים פועלים ברזולוציה מבנית אחת או מניחים טופולוגיות קבועות. בניסוחים קוונטיים, מבנה אלקטרוני נשלט על ידי בעיית הערכים העצמיים

כאשר הוא אופרטור המילטוניאן ו-Ek הם ערכי אנרגיה עצמיים. תורת פונקציונליות הצפיפות (DFT) מספקת קירובים ניתנים לפתרון אך מתרחבת בקירוב ל-O(N³) עם מספר אלקטרונים, מה שמגביל יישום ישיר לחקר טופולוגיה בקנה מידה גדול. ככל שמורכבות המכשיר גדלה, הערכות DFT חוזרות הופכות לבלתי אפשריות חישובית. מגבלות אלו מדגישות את הצורך בקירוב גזירה השומרים על מבנה פיזי תוך אפשרות אופטימיזציה בקנה מידה 26,27,28.

כדי להתמודד עם פער מתודולוגי זה, מנוסחים בעבודה זו מכשירים ננו-אלקטרוניים כגרפים היררכיים G=(V,E) המכסים בקנה מידה אטומי, מזוסקופי ומכשירי ^{29,30,31,32,33}. מקודדי GNN ספציפיים לסולם מחלצים הטבעות מבניות, והחלפת מידע בסולם חוצה קנה מידה מיושמת באמצעות מיזוג מבוסס קשב. במקום לפתור שוב ושוב משוואות DFT מלאות במהלך האופטימיזציה, מוצג המילטוניאן אפקטיבי עם פרמטרי GNN כדי להעריך את התנהגות אנרגיית הייחוס תוך שמירה על מגבלות מבנה ולוקליות הרמיטיות 34,35,36,37,38,39,40,41.

שינוי טופולוגיה מנוסח כבעיית למידת חיזוק (RL)⁴². עבור מצב s_t ≡ G_t , פעולות משנות את הקישוריות של הגרף תחת מגבלות היתכנות פיזיקלית. פונקציית תגמול מורכבת מוגדרת כ-

r_t = α⋅IQE(G_t) + β⋅יציבות(G_t) - γ⋅מורכבות(G_t),

כאשר המקדמים α,β,γ מווסתים פשרות בין ביצועים, עמידות ופשטות מבנית. אופטימיזציה רב-מטרתית מטופלת באמצעות ניסוחים מוגבלים של הצורה.

יכולת הרחבה למערכות גדולות מושגת באמצעות גסות גרפים ספקטרליים ואגרגציה היררכית, המאפשרת למידה והסקה יעילה על גרפים המכילים עד מיליוני צמתים מבלי לפגוע בנאמנות מבנית. גסות בגרף ספקטרלי מפחיתה את המורכבות החישובית על ידי אשכולות צמתים על פי דמיון במבנה עצמי, תוך שמירה על תכונות טופולוגיות וספקטרליות מרכזיות תוך הקטנה משמעותית של גודל הגרף. אגרגציה היררכית מארגנת עוד יותר את הגרף המוקטן לייצוגים רב-רזולוציוניים, ומאפשרת למודל לעבד תלות מקומית וגלובלית באופן שלבי. אסטרטגיה רב-רמתית זו מפחיתה את צריכת הזיכרון, מאיצה פעולות העברת הודעות ושומרת על דיוק חיזוי, ובכך מבטיחה שהמסגרת תישאר ניתנת לחישוב למידול ננו-אלקטרוני ואופטואלקטרוני בקנה מידה גדול ^{43,44,45,46,47,48,49,50,51}.

מטרת המחקר היא לכן ליישם ולהעריך מסגרת GNN רב-קנית ומודעת לפיזיקה לעיצוב מכשירים ננו-אלקטרוניים מוגבלים. זרימת העבודה הכוללת של מסגרת העיצוב הננו-אלקטרונית הרב-קנית מונחית בינה מלאכותית משלבת הכנת מערכי נתונים, בניית גרפים היררכיים, מידול מבוסס קוונטום, אבולוציה מבוססת טופולוגיה מבוססת למידת חיזוק, ואימות מבוסס פיזיקה (איור 1). הסעיפים הבאים מתארים את הפרוטוקול החישובי, תצורת האימון ונהלי הוולידציה.

פרוטוקול

1. הכנת מערכי נתונים ובניית גרפים רב-קנה מידה

1. איסוף ומבנה נתוני קלט
   1. לאסוף נתוני סימולציה בקנה מידה אטומי (למשל, DFT או פלטים עם קישור הדוק), נתונים מבניים מזוסקופיים, וגאומטריות ברמת המכשיר עם מדדי ביצועים נלווים.
   2. ודאו שכל רשומת נתונים מכילה קואורדינטות אטומיות (nm), מזהי חומרים, ערכי אנרגיה (eV), מידע על קישוריות ומטרות ברמת המכשיר (למשל, יעילות קוונטית פנימית, בליעה אופטית).
   3. אחסן את כל הנתונים בפורמט מובנה (.json או .hdf5). אמת יחידות עקביות בכל הרשומות.
   4. ודא שאין קואורדינטות אטומיות חסרות או יחידות אנרגיה לא עקביות. יחידות מעורבות יפגעו בנורמליזציה וביציבות האימונים.
      הערה: השתמש במאגר נתונים הכולל לפחות 50,000 גרפים בקנה מידה אטומי ולפחות 10,000 דגימות ברמת המכשיר
2. ניקוי, נרמול ופיצול נתונים
   1. הסר רשומות לא שלמות. נרמול תכונות רציפות באמצעות נרמול ציון z.
   2. קודד סוגי חומרים קטגוריים באמצעות קידוד חד-חם או הטמעות-למידה.
   3. חלק את מערך הנתונים ברמת המכשיר ל-70% נתוני אימון, 15% נתוני אימות ו-15% נתוני בדיקה.
   4. במהלך האימון בלבד, יש להחיל רעש מיקום גאוסי ב-1%–3% מהסולם האופייני לאורך וליישם רעש תווית עד 2%.
      הערה: בצע פיצול מערך נתונים לפני בניית הגרף כדי למנוע דליפת טופולוגיה.
3. בניית גרפים אטומיים, מזוסקופיים ומכשירים
   1. הגדר צמתים בקנה מידה אטומי כאטומים בודדים. הגדר צמתים בקנה מידה מזוסקופי כאשכולות, שכבות או ממשקים. הגדר צמתים בקנה מידה של התקן כרכיבים פונקציונליים כמו אלקטרודות ואזורים פעילים.
   2. הגדר קשתות בקנה מידה אטומי כקשרים בין-אטומיים או אינטראקציות מבוססות חיתוך. הגדר קשתות בקנה מידה מזוסקופי כפרמטרי קישור יעילים. הגדר קשתות בקנה מידה של התקן כיחסי קישוריות חשמלית או אופטית.
   3. יצר מטריצות שכנות.
   4. אחסן את תכונות הצומת והקצה בנפרד לכל סולם.
4. בניית ייצוג היררכי רב-קנה מידה
   1. בנה גרף אטומי G^(a). החלו גס בגרף ספקטרלי ליצירת גרף מזוסקופי G^(m).
   2. אגרגו אשכולות מזוסקופיים לגרף התקן G^(d). אחסן אינדקסים במיפוי בקנה מידה רב-קנה מידה.
5. החלת מגבלות עקביות בקנה מידה חוצה
   1. אובדן יישור תחומי חישוב:
      _פס L = ∑ ∣∣ E^(m) - A(^E(a)) ∣∣² + ∑ ∣∣ E^(d) - B(E^(m)) ∣∣² 
   2. חישב רגולריזציה של חלקות לפלסיאנית:
      
   3. הוסף את שני המונחים למטרה של האימון.

2. אתחול מודולי GNN רב-קנה מידה

1. הגדר ממד הטמעת הצמתים = 128.
   1. הגדר מימד הטמעת קשת = 64.
   2. השתמש בארבע שכבות להעברת הודעות בכל סולם.
   3. השתמש בהפעלת ReLU. אתחול משקלים באמצעות אתחול Xavier.
2. מימוש העברת הודעות
   1. מימוש פונקציית עדכון קצה כפרספטרון רב-שכבתי (MLP).
   2. מימוש פונקציית עדכון הצמתים כפרספטרון רב-שכבתי (MLP).
   3. בצע אגרגציה באותו קנה מידה. יישם מיזוג מבוסס קשב בין-קנה מידה באמצעות הקרנות Q/K/V.
      הערה: ודא שממדי הטמעה עקבית בין קוני המידה לפני המיזוג.

3. מידול מבוסס קוונטיות

1. הגדר המילטוניאן פרמטרי GNN
   1. החלפת המילטוניאן DFT מפורש ב:
      
   2. אכיפת הרמיטיות:
      f_θ(h_{i,h j}) = f_θ(h_{j,h i})^* 
   3. קיצוץ אינטראקציות מעבר למרחק גרף מוגדר מראש.
2. הגדר אובדן מוגבל פיזיקלי
   1. שימוש:
      
   2. כוונון פרמטרים λ באמצעות קבוצת הוולידציה.
3. אכיפת מגבלות פיזיות
   1. פרויקט המילטוניאן למרחב ההרמיטי בכל איטרציה.
   2. להעניש הפרות חוק שימור. הקצב את השיפועים לנורמה ≤ 5.

4. למידת חיזוק לאבולוציה של טופולוגיה

1. הגדר מרחב מצב ופעולות
   1. ייצג את גרף המכשיר כמצב G_t .
   2. הגדר פעולות:
      1. הוספת קצה
      2. הסרת הקצה
      3. שנו את החיבוריות.
   3. החלו מסכות פעולה לעריכות לא חוקיות.
2. הגדרת פונקציית תגמול
   r_t = αIQE + βיציבות - γמורכבות
   כוונו α, β, γ באמצעות אימות.
3. רשת מדיניות רכבות
   1. השתמש בגרדיאנט המדיניות:
      ∇_θJ = E[∑∇_θlog π_θ(a_t∣s_t)A_t]
   2. קבע את מקדם ההנחה γ ל-0.99. הגדר את מקדם האנטרופיה ל-0.02 ואת מקדם האנל במהלך האימון. השתמש באופטימיזציה של אדם עם קצב למידה של 1 × 10⁻⁴ ודעיכת משקל של 1 × 10⁻⁵.
   3. השתמשו בגודל אצווה של 32. התאמנו ל-250–300 אפוקים והחלו עצירות מוקדמות בהתבסס על התכנסות אימות.

5. אופטימיזציה מרובת מטרות

1. ניסח מטרה מוגבלת. השתמש בלגרנג'יאן מוגבר.
2. ליצור גבול פארטו. לשמור על פתרונות לא נשלטים.

6. למידת העברה

1. קדם-אימון של GNN אטומי על משימת חיזוי אנרגיה. חיסכון במשקלים.
2. כוונון עדין במשימות מזוסקופיות ומכשירים עם קצב למידה מופחת (1×10⁻⁵). העריך MAE ו-R².

7. אימות מולטיפיזיקה של COMSOL

1. ייבוא גאומטריה מעוצבת על ידי בינה מלאכותית
   1. ייצוא טופולוגיית התקן כקובץ CAD.
   2. ייבוא ל-COMSOL Multiphysics.
2. הגדרת סימולציה
   1. השתמש בפותר אלקטרומגנטי בתחום התדר. השתמש בפותר סחף-דיפוזיה של מוליך למחצה.
   2. השתמש בפותר תרמי נייח. הפעיל שכבות תואמות לחלוטין, מגעים אוהמיים, ואורכי גל ריאליסטיים של עירור.
3. מדדי מיצוי
   1. למדוד יעילות ספיגה אופטית, יעילות קוונטית פנימית, שיפור שדה חשמלי ועליית טמפרטורה שיא.
   2. תוצאות ממוצעות בתנאי עירור.

8. בדיקות סקלביליות

1. הגדל את גודל הגרף עד 10⁶ צמתים. מדד זמן ריצה ושימוש בזיכרון.
2. אפשר גסים ספקטרליים, סמיכות דלילה, דיוק מעורב ואימון מבוזר של GPU.

9. הערכה סטטיסטית

1. הפעילו שלושה זרעי אימון עצמאיים.
2. דווח ממוצע ± סטיית תקן, MAE, RMSE ו-R².
3. השתמש בפיצולים ופרמטרים זהים להשוואה בסיסית.

10. ארכוב נתונים וקוד

1. שמור מודלים מאומנים. ארכיון מאגרי נתונים.
2. ספק סקריפטים לבניית גרף, הדרכה ואימות COMSOL.

תוצאות

מסגרת הלמידה המוצעת לחיזוק GNN רב-קנה מידה הוערכה על 120,000 גרפים אטומיים, 35,000 גרפים מזוסקופיים ו-12,000 גרפים ברמת המכשיר. הנתונים חולקו ברמת המכשיר ל-70% ערכות אימון, 15% אימות ו-15% בדיקות. כל הערכים המדווחים מייצגים סטיית תקן ממוצעת ± בשלוש ריצות בלתי תלויות באמצעות זרעים אקראיים שונים. שיטות בסיס כללו SchNet, DimeNet++, רשתות עצביות מבוססות פיזיקה (PINNs), אופטימיזציה גנרטיבית של טופולוגיה, ובסיס פותר פיזיקלי בלבד. חלוקות ופרמטרים זהים של מערכי נתונים שימשו בכל השיטות.

דיון

מחקר זה מציג מסגרת היררכית, מבוססת גרפיקה מבוססת פיזיקה לעיצוב מכשירים ננו-אלקטרוניים ואופטואלקטרוניים אוטונומיים. התוצאות מראות שהשיטה משיגה דיוק תחרותי בחיזוי אנרגיה, התפתחות יציבה של טופולוגיה מונחית חיזוק-למידה, שביעות רצון מגבלות ושיפורים פיזיקליים מאומתים בביצועי המכשיר. הדיון הבא מתמקד באלמנטים פרוצדורליים קריטיים, שיקולים מתודולוגיים, מגבלות, משמעות קונטקסטואלית והרחבות עתידיות של הטכניקה.

שלבים קריטיים בתוך הפרוטוקול

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה

שם	חברה	מספר קטלוג	הערות
<חזק>חישובי תוכנת מידול
JAX / הייקו		לא זמין	0.3.0+
LAMMPS		לא זמין	-
לומריקל / MEEP		לא זמין	-
אולם כושר / אולם ספורט OpenAI		לא זמין	-
פייתון		לא זמין	3.8+
פייטורץ' / פייטורץ' גאומטרי		לא זמין	1.9.0+ / 2.0+
אספרסו קוונטי		לא זמין	6.7+
<חזק>נתונים & מערכי נתונים
מאגר סימולציה של DFT		לא זמין	מנהג
גרפים ננו-אלקטרוניים שנוצרו		לא זמין	~10,000 גרפים
פרויקט חומרים / OQMD		לא זמין	API ציבורי
<חזק>חומרה וחומרה תשתיות
אחסון נתונים		לא זמין	כונני NVMe SSD
אשכול מחשוב ביצועים גבוהים (HPC)	לא זמין	צמתים של מעבד
אשכול כרטיסי המסך של NVIDIA		לא זמין	A100 / V100 / H100
<חזק>אלגוריתמים ומפתח רכיבי המודל
אדם / אדם ואופטימייזר		לא זמין	PyTorch Native
רשת קשב הגרף (GAT)		לא זמין	מותאם אישית (PyTorch)
מקודד עצמי וריאציוני לגרף (GVAE)		לא זמין	מותאם אישית (PyTorch)
רשת עצבית להעברת הודעות (MPNN)	לא זמין	מותאם אישית (PyTorch)
גרדיאנט מדיניות (למשל, PPO)		לא זמין	מותאם אישית (יציב-בסיסים3)
<חזק>למידת מכונה & ספריות אופטימיזציה
NetworkX		לא זמין	2.6+
NumPy		לא זמין	1.24+
אופטונה		לא זמין	2.0+
Scikit-learn		לא זמין	1.0+
Stable-Baselines3 / ריי RLLib		לא זמין	-
<חזק>פיזית ופיזית מודלים מתמטיים
שיטת לגרנג'יאן מוגברת		לא זמין	מותאם אישית (פייתון)
פונקציית תגמול מורכב (rt)		לא זמין	מותאם אישית (פייתון)
המילטוניאן פרמטרי (Hθ)		לא זמין	מותאם אישית (PyTorch)
גסות בגרף ספקטרלי		לא זמין	מותאם אישית (Scikit-learn)