Reti Neurali a Grafo per la Progettazione Autonoma Multiscala di Dispositivi Nanoelettronici Optoelettronici

Sommario

Questo studio presenta un framework guidato dall'IA per progettare autonomamente dispositivi nanoelettronici ad alte prestazioni. Modella dispositivi su più scale e li ottimizza utilizzando funzioni di ricompensa informate dal quanto. Il framework esegue un'ottimizzazione topologica vincolata per generare configurazioni di dispositivi non intuitive, mantenendo al contempo la conformità con vincoli quantistici e strutturali specificati.

Abstract

Questo studio presenta un quadro computazionale per la progettazione autonoma multiscala di dispositivi nanoelettronici optoelettronici utilizzando machine learning basato su grafi. Il dataset comprende circa 120.000 grafi su scala atomica, 35.000 grafi mesoscopici e 12.000 grafi a livello di dispositivo generati da simulazioni basate sulla fisica, ciascuno annotato con descrittori strutturali e valori energetici di riferimento. I dispositivi sono rappresentati come grafi gerarchici che coprono livelli atomici, mesoscopici e di dispositivo, con nodi che codificano materiale o unità funzionali e spigoli che codificano interazioni fisiche. Tre Reti Neurali a Grafi (GNN) specifiche per scala sono implementate utilizzando una pipeline geometrica PyTorch e PyTorch, con quattro strati di passaggio di messaggi per scala e fusione di caratteristiche basate sull'attenzione cross-scale. Il comportamento quantistico è incorporato tramite un Hamiltoniano efficace parametrizzato GNN, addestrato ad approssimare spettri energetici di riferimento a stretto binding e DFT usando una funzione di perdita regolarizzata dalla fisica. L'evoluzione della topologia del dispositivo è formulata come un problema di apprendimento per rinforzo vincolato in cui le modifiche ai grafi sono trattate come azioni e ottimizzate utilizzando un metodo a gradiente politico con regolarizzazione di entropia. Una funzione di ricompensa composita bilancia efficienza quantistica interna, stabilità strutturale e complessità dei grafi sotto vincoli di fattibilità fisica. L'ottimizzazione multi-obiettivo viene eseguita utilizzando una formulazione lagrangiana aumentata per identificare configurazioni di dispositivi coerenti con Pareto. La valutazione del modello include la precisione della previsione energetica (MAE/RMSE), il tasso di violazione dei vincoli, la fattibilità topologica e l'analisi della scalabilità su grafi fino a^10-6 nodi. I progetti selezionati vengono ulteriormente convalidati utilizzando simulazioni multifisiche agli elementi finiti per verificare la coerenza ottica ed elettrica. Questo protocollo fornisce una pipeline computazionale riproducibile e multiscala per la progettazione di dispositivi nanoelettronici autonomi con vincoli fisici.

Introduzione

La rapida proliferazione di sistemi Internet delle Cose (IoT), dispositivi indossabili e impiantabili, e tecnologie di intelligenza artificiale (IA) ha aumentato la domanda di piattaforme elettroniche e fotoniche strettamente integrate ^1,2. I componenti optoelettronici, inclusi circuiti integrati fotonici (PIC), fotorivelatori e laser a impulsi, svolgono un ruolo centrale in tali^{sistemi 3,4}. Su scale nanometriche, tuttavia, il comportamento del dispositivo è governato da confinamento quantistico, trasporto di carica e ....

Protocollo

1. Preparazione del dataset e costruzione di grafi multiscala

1. Raccolta e struttura dei dati di input
   1. Raccogliere dati di simulazione su scala atomica (ad esempio, DFT o output a legaggio stretto), dati strutturali mesoscopici e geometrie a livello di dispositivo con le relative metriche di prestazione.
   2. Assicurarsi che ogni record di dati contenga coordinate atomiche (nm), identificatori di materiale, valori energetici (eV), informazioni di connettività e obiettivi a livello di dispositivo (ad esempio, efficienza quantistica interna, assorbimento ottico).
   3. Memorizza tutti i da....

Risultati

Il framework proposto per l'apprendimento per rinforzo GNN multiscala è stato valutato su 120.000 grafi atomici, 35.000 grafi mesoscopici e 12.000 grafi a livello di dispositivo. I dati sono stati suddivisi a livello di dispositivo in set di addestramento del 70%, 15% di validazione e 15% di test di test. Tutti i valori riportati rappresentano la deviazione media ± standard su tre esecuzioni indipendenti utilizzando diversi semi casuali. I metodi di base includevano SchNet, DimeNet++, re.......

Discussione

Questo studio presenta un quadro gerarchico, basato su grafi informato dalla fisica, per la progettazione autonoma di dispositivi nanoelettronici e optoelettronici. I risultati dimostrano che il metodo raggiunge una precisione competitiva nella previsione energetica, un'evoluzione topologica stabile guidata dal reinforcement-learning, la soddisfazione dei vincoli e miglioramenti fisicamente validati nelle prestazioni del dispositivo. La seguente discussione si concentra su elementi proce.......

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Computazionale & Computazionale Software di modellazione
JAX / Haiku		N/A	0.3.0+
LAMMPS		N/A	-
LUMERICAL / MEEP		N/A	-
Palestra / Palestra OpenAI		N/A	-
Python		N/A	3.8+
PyTorch / PyTorch Geometrico		N/A	1.9.0+ / 2.0+
ESPRESSO Quantistico		N/A	6.7+
Data & Datos Dataset
Database di simulazione DFT		N/A	Consuetudine
Grafi nanoelettronici generati		N/A	~10.000 grafici
Progetto Materiali / OQMD		N/A	API pubblica
Hardware & Hardware Infrastrutture
Archiviazione dei dati		N/A	SSD NVMe
Cluster di calcolo ad alte prestazioni (HPC)	N/A	Nodi CPU
NVIDIA GPU Cluster		N/A	A100 / V100 / H100
Algoritmi Chiave e Algoritmi Chiave Componenti del modello
Ottimizzatore Adam / AdamW		N/A	Nativo di PyTorch
Rete di Attenzione Grafica (GAT)		N/A	Personalizzazione (PyTorch)
Autoencoder variazionale di grafo (GVAE)		N/A	Personalizzazione (PyTorch)
Rete Neurale di Passaggio di Messaggi (MPNN)	N/A	Personalizzazione (PyTorch)
Gradiente di politica (ad esempio, PPO)		N/A	Personalizzato (Stable-Baselines3)
Machine Learning & Machine Learning Librerie di ottimizzazione
NetworkX		N/A	2.6+
NumPy		N/A	1.24+
Optuna		N/A	2.0+
Scikit-learn		N/A	1.0+
Stabili-Baselines3 / Ray RLLib		N/A	-
Fisico e Fisico Modelli matematici
Metodo lagrangiano aumentato		N/A	Personalizzato (Python)
Funzione di ricompensa composita (rt)		N/A	Personalizzato (Python)
Hamiltoniana parametrizzata (Hθ)		N/A	Personalizzazione (PyTorch)
Grossoiamento dei grafi spettrali		N/A	Personalizzato (Scikit-learn)