광전자 나노전자 장치의 자율 다규모 설계를 위한 그래프 신경망

요약

본 연구는 고성능 나노전자 장치를 자율적으로 설계하기 위한 AI 기반 프레임워크를 제시합니다. 여러 규모의 장치를 모델링하고 양자 정보 보상 함수를 사용하여 최적화합니다. 이 프레임워크는 지정된 양자 및 구조적 제약 조건을 준수하면서도 직관적이지 않은 장치 구성을 생성하기 위해 제약 토폴로지 최적화를 수행합니다.

초록

본 연구는 그래프 기반 머신러닝을 이용한 광전자 나노전자 장치의 자율적 다중 규모 설계를 위한 계산 프레임워크를 제시합니다. 데이터셋은 약 120,000개의 원자 규모 그래프, 35,000개의 중간법 규모 그래프, 그리고 물리 기반 시뮬레이션에서 생성된 12,000개의 장치 수준 그래프로 구성되어 있으며, 각각 구조적 설명자와 참조 에너지 값으로 주석이 달려 있습니다. 장치는 원자, 중간, 장치 수준을 아우르는 계층적 그래프로 표현되며, 노드는 재료나 기능 단위를, 엣지는 물리적 상호작용을 인코딩합니다. 세 가지 규모별 그래프 신경망(GNN)은 PyTorch 및 PyTorch 기하학적 파이프라인을 사용하여 구현되며, 각 스케일마다 네 개의 메시지 전달 계층과 교차 규모의 주의 기반 기능 융합이 이루어져 있습니다. 양자 거동은 물리 정규화된 손실 함수를 사용하여 기준 타이트 바인딩 및 DFT 영감을 받은 에너지 스펙트럼을 근사하도록 훈련된 GNN 매개변수화된 유효 해밀토니안을 통해 통합됩니다. 장치 위상 진화는 그래프 수정을 행동으로 처리하고 엔트로피 정규화가 적용된 정책-기울기 방법으로 최적화되는 제약 강화 학습 문제로 공식화됩니다. 복합 보상 함수는 물리적 타당성 제약 하에서 내부 양자 효율, 구조 안정성, 그래프 복잡도를 균형 있게 조정합니다. 다목적 최적화는 파레토 일관성 장치 구성을 식별하기 위해 증강 라그랑지안 공식화를 사용하여 수행됩니다. 모델 평가에는 최대 10⁶ 노드 그래프에서 에너지 예측 정확도(MAE/RMSE), 제약 위반률, 위상 실현 가능성, 확장성 분석이 포함됩니다. 선정된 설계는 유한 요소 다물리 시뮬레이션을 통해 광학 및 전기적 일관성을 추가로 검증합니다. 이 프로토콜은 물리 제약에 제한된 자율 나노전자 장치 설계를 위한 재현 가능하고 다중 스케일 계산 파이프라인을 제공합니다.

서론

사물인터넷(IoT) 시스템, 웨어러블 및 임플란트 장치, 인공지능(AI) 기술의 급속한 확산은 밀접하게 통합된 전자 및 광자 플랫폼에 대한 수요를 증가시켰습니다 ^1,2. 광전자 부품, 광자 집적회로(PIC), 광검출기, 펄스 레이저 등이 이러한 시스템에서 중심적인 역할을 합니다 ^3,4. 그러나 나노미터 규모에서는 장치 거동이 양자 가두, 전하 수송, 결합된 광-전기 상호작용에 의해 제어됩니다⁵. 전통적인 설계 접근법은 1차 원리 시뮬레이션과 경험적 매개변수 조정에 의존합니다⁶. 가능한 재료 조합, 기하학적 배치, 연결 패턴의 수가 증가함에 따라, 포괄적인 시뮬레이션 기반 스크리닝은 계산적으로 비현실적이 됩니다.

모델링과 역설계 작업을 가속화하기 위해 머신러닝(ML) 기법이 도입되었습니다⁷. 초기 구현에서는 인공 신경망과 가우시안 과정을 대체 예측자로 사용했습니다⁸. 최근의 딥러닝(DL) 아키텍처는 광자 및 나노전자 시스템의 표현 학습을 개선했습니다⁹. 이러한 발전에도 불구하고, 기존 DL 기반 접근법은 해석 가능성 제한, 강한 데이터 의존성, 재료 및 구조 규모 전반에 걸친 일반화 제한 문제를 겪는 경우가 많습니다¹⁰. 많은 프레임워크는 물리 제약 조건을 학습과 분리하여 최적화 과정의 통합 구성 요소가 아닌 외부 검증으로 취급합니다¹¹.

동시에 반도체 소자의 지속적인 확장은 기존 아키텍처에서 물리적 한계에 근접했습니다¹². 100 nm 이하에서는 단채널 효과와 정전기 불안정성이 점점 더 중요^해지며, 대체 재료와 소자 구조 탐색을 촉진합니다. 2차원(2D) 재료, 특히 전이 금속 이갈코제나이드(TMD)는 CMOS 공정과 호환되는 조정 가능한 밴드갭과 원자 규모 두께를 제공합니다¹⁴. MoS₂, WS₂와 같은 단층 재료는 우수한 운반체 이동성과 정전기 제어 능력을 보입니다¹⁵. 접합 없는 아키텍처는 장치 성능이 구조 위상과 재료 조성에 강하게 의존함을 보여줍니다^16,17.

그래프 신경망(GNN)은 분자 격자, 나노구조, 회로 토폴로지^18,19,20,21과 같은 관계 시스템을 모델링하는 자연스러운 계산 프레임워크를 제공합니다. GNN은 그리드 기반 입력 대신 그래프 구조화된 표현을 사용하여 노드 임베딩을 업데이트합니다. 단순화된 형태로 노드 업데이트는 다음과 같이 표현할 수 있습니다

여기서_노드φ ψ_엣지는 학습 가능한 함수이며 순열 불변 집계 연산자를 나타냅니다. 이러한 모델들은 나노전자 시스템의 속성 예측과 위상 추론에 적용되었습니다 22,23,24. 다중 규모 접근법은 원자 규모 시뮬레이션과 장치 수준 성능을 연결하려고 시도하지만(²⁵), 대부분의 구현은 단일 구조 해상도로 작동하거나 고정된 위상을 가정합니다. 양자역학적 공식화에서 전자 구조는 고유값 문제에 의해 지배됩니다

여기서 는 해밀토니안 연산자, E_k는 에너지 고유값이다. 밀도 함수 이론(DFT)은 처리 가능한 근사를 제공하지만, 전자 수에 따라 O(N³) 정도로 대략 확장되므로 대규모 위상수 탐색에 직접적인 적용이 제한된다. 소자 복잡성이 증가함에 따라 반복적인 DFT 평가는 계산 자원이 어려워진다. 이러한 한계는 물리적 구조를 유지하면서도 확장 가능한 최적화를 가능하게 하는 미분 가능 근사의 필요성을 강조한다 26,27,28.

이 방법론적 격차를 해소하기 위해 나노전자 장치는 원자, 중간, 소자 규모 ^{29,30,31,32,33}을 아우르는 계층적 그래프 G=(V,E)로 공식화됩니다. 스케일별 GNN 인코더는 구조적 임베딩을 추출하고, 주의 기반 융합을 통해 교차 규모 정보 교환을 구현합니다. 최적화 과정에서 전체 DFT 방정식을 반복적으로 푸는 대신, GNN 매개변수화된 유효 해밀토니안 이 도입되어 참조 에너지 거동을 근사하면서 에르미트 구조와 국소성 제약 34,35,36,37,38,39,40,41을 유지합니다.

위상수학 수정은 강화 학습(RL) 문제⁴²로 공식화된다. 상태 s_t ≡ G_t 에 대해 행동은 물리적 타당성 제약 조건 하에서 그래프 연결성을 수정한다. 복합 보상 함수는 다음과 같이 정의된다.

r_t = α⋅IQE(G_t) + β⋅Stability(G_t) - γ⋅복잡도(G_t),

여기서 계수 α,β,γ는 성능, 견고성, 구조적 단순성 간의 절충을 조절합니다. 다목적 최적화는 형태의 제약된 공식화를 통해 처리됩니다.

스펙트럼 그래프 거칠화와 계층적 집계를 통해 대규모 시스템으로의 확장성을 달성하여, 수백만 개의 노드를 포함하는 그래프에서 구조적 충실도를 해치지 않으면서 효율적인 학습과 추론이 가능합니다. 스펙트럼 그래프 거칠어링은 고유구조 유사성을 기반으로 노드를 클러스터링하여 계산 복잡도를 줄이며, 주요 위상 및 스펙트럼 특성을 보존하면서도 그래프 크기를 크게 줄입니다. 계층적 집계는 축소된 그래프를 다중 해상도 표현으로 조직하여, 모델이 국소 및 전역 의존성을 단계적으로 처리할 수 있게 합니다. 이 다단계 전략은 메모리 소모를 줄이고 메시지 전달 작업을 가속화하며 예측 정확도를 유지하여, 대규모 나노전자 및 광전자 장치 모델링(43,44,45,46,47,48,49,50,51)에서도 프레임워크가 계산적으로 용이하게 유지되도록 보장합니다.

따라서 본 연구의 목적은 제약 나노전자 장치 설계를 위한 재현 가능하고 다중 규모이며 물리학 기반 GNN 프레임워크를 구현하고 평가하는 것입니다. AI 기반 다중 스케일 나노전자 설계 프레임워크의 전체 워크플로우는 데이터셋 준비, 계층적 그래프 구성, 양자 기반 모델링, 강화 학습 기반 위상 진화, 물리 기반 검증을 통합합니다(그림 1). 다음 섹션에서는 계산 프로토콜, 학습 구성 및 검증 절차를 설명합니다.

프로토콜

1. 데이터셋 준비 및 다중 스케일 그래프 구성

1. 입력 데이터 수집 및 구조화
   1. 원자 규모 시뮬레이션 데이터(예: DFT 또는 타이트-바인딩 출력), 중간경 구조 데이터, 장치 수준의 형상학과 성능 지표를 수집합니다.
   2. 각 데이터 레코드에는 원자 좌표(nm), 재료 식별자, 에너지 값(eV), 연결성 정보, 장치 수준 목표(예: 내부 양자 효율, 광학 흡수)가 포함되어야 합니다.
   3. 모든 데이터를 구조화된 형식(.json 또는 .hdf5)으로 저장하세요. 모든 레코드에서 일관된 단위를 검증하세요.
   4. 원자 좌표가 누락되거나 에너지 단위가 불일치하지 않도록 하세요. 혼합 단위는 정규화와 훈련 안정성을 손상시킵니다.
      참고: 최소 50,000개의 원자 규모 그래프와 최소 10,000개의 장치 수준 샘플을 포함하는 데이터셋을 사용하세요
2. 데이터 정리, 정규화, 분할
   1. 불완전한 항목을 제거하세요. z-점수 정규화를 사용하여 연속 특징을 정규화합니다.
   2. 원핫 인코딩이나 학습된 임베딩을 사용하여 범주별 물질 유형을 인코딩합니다.
   3. 장치 수준에서 데이터셋을 70% 학습 데이터, 15% 검증 데이터, 15% 테스트 데이터로 나누세요.
   4. 훈련 중에만 특성 길이 척도의 1%–3%에 가우시안 위치 잡음을 적용하고, 최대 2%까지 라벨 잡음을 적용하세요.
      참고: 토폴로지 누수를 방지하기 위해 그래프 구성 전에 데이터셋 분할을 수행하세요.
3. 원자, 중간, 소자 그래프 구성
   1. 원자 규모 노드를 개별 원자로 정의합니다. 중간법 규모 노드를 클러스터, 층 또는 인터페이스로 정의합니다. 장치 규모 노드를 전극과 활성 영역과 같은 기능 구성 요소로 정의합니다.
   2. 원자 규모 엣지를 원자 간 결합 또는 컷오프 기반 상호작용으로 정의합니다. 중간법 규모 엣지를 유효 결합 매개변수로 정의합니다. 장치 규모 엣지를 전기적 또는 광학적 연결 관계로 정의합니다.
   3. 인접 행렬을 생성하세요.
   4. 각 스케일별로 노드와 엣지 속성을 따로 저장하세요.
4. 계층적 다중 규모 표현 구축
   1. 원자 그래프 G^(a)를 구성한다. 스펙트럼 그래프 거칠화를 적용하여 중간경 그래프 G^(m)를 산출한다.
   2. 중간경적 클러스터를 장치 그래프 G^(d)로 집계합니다. 교차 규모 매핑 인덱스를 저장합니다.
5. 스케일 간 일관성 제약 조건 적용
   1. 밴드 정렬 손실 계산:
      L_밴드 = ∑ ∣∣ E^(m) - A(E^(a)) ∣∣ ² + ∑ ∣∣ E^(d) - B(E^(m)) ∣∣^² 
   2. 라플라스 평활성 정규화 계산:
      
   3. 훈련 목표에 두 용어를 추가하세요.

2. 다중 스케일 GNN 모듈 초기화

1. 노드 임베딩 차원 = 128을 정의합니다.
   1. 간선 임베딩 차원 = 64를 정의합니다.
   2. 각 스케일마다 네 개의 메시지 전달 계층을 사용하세요.
   3. ReLU 활성화를 사용하세요. Xavier 초기화로 가중치를 초기화하세요.
2. 메시지 전달 구현
   1. 엣지 업데이트 기능을 다층 인식기(MLP)로 구현하세요.
   2. 노드 업데이트 기능을 다층 인식기(MLP)로 구현하세요.
   3. 동일 규모 집계를 수행하세요. Q/K/V 투영을 이용한 교차 규모 주의 기반 융합을 적용합니다.
      참고: 융합 전에 스케일 전반에 걸쳐 일관된 임베딩 차원성을 확보하세요.

3. 양자 인지 모델링

1. GNN 매개변수화된 해밀토니안을 정의하라.
   1. 명시적 DFT 해밀토니안을 다음과 같이 대체한다:
      
   2. 은둔성 강제:
      f_θ(h_{i,h j}) = f_θ(h_{j,h i})^* 
   3. 미리 정의된 그래프 거리를 넘어서는 상호작용을 절단합니다.
2. 물리 제약 손실의 정의
   1. 사용법:
      
   2. 검증 세트를 사용해 λ 매개변수를 조정합니다.
3. 물리적 제약 강제
   1. 해밀토니안을 헤르미트 공간으로 각 반복 동안 투영합니다.
   2. 보존법 위반 시 처벌. 경사를 기준 ≤ 기준으로 잘라내세요.

4. 위상수학 진화를 위한 강화 학습

1. 상태 공간과 행동 공간 정의
   1. 장치 그래프를 상태 G_t 로 표현합니다.
   2. 행동의 정의:
      1. 엣지 추가로
      2. 가장자리 제거
      3. 연결성을 수정하세요.
   3. 불법 편집에 대해서는 액션 마스킹을 적용하세요.
2. 보상 함수 정의
   r_t = αIQE + β안정성 - γ복잡도
   검증을 통해 α, β, γ 조정하세요.
3. 열차 정책 네트워크
   1. 정책 단계별 사용:
      ∇_θJ = E[∑∇_θlog π_θ(a_t∣s_t)A_t]
   2. 할인 계수 γ를 0.99로 설정하세요. 엔트로피 계수를 0.02로 설정하고 훈련 중에 어닐링하세요. 학습률 1 × 10⁻⁴ , 가중량 감쇠 1 × 10⁻⁵인 Adam 옵티마이저를 사용하세요.
   3. 배치 크기를 32로 사용하세요. 250–300 에포크를 훈련시키고, 검증 수렴에 따라 조기 중단을 적용하세요.

5. 다목적 최적화

1. 제약 목적을 공식화하세요. 증강 라그랑지안을 적용하세요.
2. 파레토 프런티어를 생성한다. 지배되지 않은 해를 유지한다.

6. 전이 학습

1. 에너지 예측 과제에서 원자 GNN을 사전 훈련하세요. 무게를 줄이세요.
2. 학습률이 낮은 중간경 및 장치 작업에서 미세 조정(1×10⁻⁵). MAE와 R²를 평가합니다.

7. COMSOL 다물리 검증

1. AI 설계 기하학 가져오기
   1. 장치 토폴로지를 CAD 파일 형식으로 내보내세요.
   2. COMSOL Multiphysics로 가져오세요.
2. 시뮬레이션 구성
   1. 주파수 영역 전자기 해석기를 사용하세요. 반도체 드리프트-확산 해석기를 사용하세요.
   2. 고정식 열 해석기를 사용하세요. 완벽하게 일치하는 층, 오믹 접촉, 그리고 현실적인 여기 파장을 적용하세요.
3. 추출 지표
   1. 광학 흡수 효율, 내부 양자 효율, 전기장 증강, 최고 온도 상승을 측정합니다.
   2. 여기 조건 전반에 걸친 평균 결과.

8. 확장성 테스트

1. 그래프 크기를 최대 10⁶ 노드까지 늘립니다. 런타임과 메모리 사용량을 측정합니다.
2. 스펙트럼 거칠어링, 희소 인접, 혼합 정밀도, 분산 GPU 훈련을 활성화합니다.

9. 통계 평가

1. 독립 훈련 시드 세 개를 운영하세요.
2. 표준편차, MAE, RMSE, R²± 평균 보고하세요.
3. 기본 비교를 위해 동일한 분할과 하이퍼파라미터를 사용하세요.

10. 데이터 및 코드 보관

1. 학습된 모델을 저장하세요. 데이터셋을 보관하세요.
2. 그래프 생성, 학습, COMSOL 검증을 위한 스크립트를 제공합니다.

결과

제안된 다중 규모 GNN 강화 학습 프레임워크는 120,000개의 원자 그래프, 35,000개의 중간경 그래프, 12,000개의 장치 수준 그래프에서 평가되었습니다. 데이터는 장치 수준에서 70% 학습, 15% 검증, 15% 테스트 세트로 나뉘었습니다. 보고된 모든 값은 서로 다른 무작위 시드를 사용한 세 개의 독립 실행에 걸친 평균 ± 표준편차를 나타냅니다. 기본 방법에는 SchNet, DimeNet++, 물리 인지 신경망(PIN), 생성 위상 최적화, 그리고 물리 전용 솔버 베이스라인이 포함되었습니다. 모든 방법에서 동일한 데이터셋 분할과 하이퍼파라미터가 사용되었습니다.

에너지 예측 성과

에너지 예측 정확도는 MAE와 RMSE를 사용하여 DFT 기준값에 대해 평가되었습니다.

토론

본 연구는 자율 나노전자 및 광전자 장치 설계를 위한 계층적이고 물리학 기반의 그래프 기반 프레임워크를 제시합니다. 결과는 이 방법이 경쟁력 있는 에너지 예측 정확도, 안정적인 강화 학습 기반 위상화 진화, 제약 만족, 물리적 검증된 장치 성능 향상을 달성함을 보여줍니다. 다음 논의는 중요한 절차적 요소, 방법론적 고려사항, 한계, 맥락적 중요성, 그리고 기술의 향후 확장에 초점을 맞춥니다.

프로토콜 내 중요한 단계

재현성과 성능 안정성을 위해 프로토콜의 여러 단계는 필수적입니다. 첫째, 다중 스케일 그래프 구성은 원자, 중간, 장치 수준 간에 물리적으로 의미 있는 연결성을 유지해야 합니다. 부적절한 그래프 집계나 일관되지 않은 특징 정규화는 계층 구조 오류를 전파시켜 에너지 예측 저하나 위상 진화 불안정을 초래할 수 있습니다. 따라서 스펙...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
<강>계산 및 계산 모델링 소프트웨어
잭스 / 하이쿠		해당 없음	0.3.0+
LAMMPS		해당 없음	-
루머리컬 / 삐삐		해당 없음	-
OpenAI 체육관 / 체육관		해당 없음	-
파이썬		해당 없음	3.8+
파이토치 / 파이토치 기하학		해당 없음	1.9.0+ / 2.0+
퀀텀 에스프레소		해당 없음	6.7+
데이터 & 데이터셋
DFT 시뮬레이션 데이터베이스		해당 없음	관습
생성된 나노전자 그래프		해당 없음	~10,000개의 그래프
재료 프로젝트 / OQMD		해당 없음	공개 API
하드웨어 & 인프라
데이터 저장		해당 없음	NVMe SSD
고성능 컴퓨팅(HPC) 클러스터	해당 없음	CPU 노드
NVIDIA GPU 클러스터		해당 없음	A100 / V100 / H100
<강한>핵심 알고리즘 & 모델 컴포넌트
Adam / AdamW 옵티마이저		해당 없음	파이토치 네이티브
그래프 주의 네트워크(GAT)		해당 없음	커스텀 (PyTorch)
그래프 변분 오토인코더(GVAE)		해당 없음	커스텀 (PyTorch)
메시지 전달 신경망(MPNN)	해당 없음	커스텀 (PyTorch)
정책 구배(예: PPO)		해당 없음	커스텀 (Stable-Baselines3)
Machine Learning & 최적화 라이브러리
네트워크X		해당 없음	2.6+
넘버피		해당 없음	1.24+
옵투나		해당 없음	2.0+
Scikit-learn		해당 없음	1.0+
안정-베이스라인3 / 레이 RLLib		해당 없음	-
<강>신체적, 신체적; 수학적 모델
증강 라그랑지안 방법		해당 없음	커스텀 (파이썬)
복합 보상 함수(RT)		해당 없음	커스텀 (파이썬)
매개변수화된 해밀토니안 (Hθ)		해당 없음	커스텀 (PyTorch)
스펙트럼 그래프 코어싱		해당 없음	커스텀 (Scikit-learn)