Методическая статья

Графовые нейронные сети для автономного многомасштабного проектирования оптоэлектронных наноэлектронных устройств

DOI:

10.3791/70059

⸱

24 апреля 2026 г.

1Beijing University of Posts and Telecommunications

В этой статье

Краткое содержание

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

В данном исследовании представлена основанная на ИИ, основанная на ИИ, для автономного проектирования высокопроизводительных наноэлектронных устройств. Она моделирует устройства на нескольких масштабах и оптимизирует их с помощью квантово-ориентированных функций вознаграждения. Фреймворк выполняет оптимизацию ограниченной топологии для генерации неинтуитивных конфигураций устройств при сохранении соответствия заданным квантовым и структурным ограничениям.

Аннотация

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

В данном исследовании представлена вычислительная основа для автономного многомасштабного проектирования оптоэлектронных наноэлектронных устройств с использованием машинного обучения на основе графов. Набор данных состоит примерно из 120 000 атомных графиков, 35 000 мезоскопических и 12 000 графиков на уровне устройств, созданных на основе физических симуляций, каждый из которых аннотирован структурными дескрипторами и эталонными энергетическими значениями. Устройства представлены как иерархические графы, охватывающие атомарный, мезоскопический и устройственный уровни, с узлами, кодирующими материал или функциональные единицы, а рёбра — кодируют физические взаимодействия. Три масштабно-специфических нейронных сетей (GNN) реализуются с использованием геометрического конвейера PyTorch и PyTorch с четырьмя слоями передачи сообщений на масштаб и межмасштабным объединением признаков на основе внимания. Квантовое поведение реализуется через GNN-параметризованный эффективный гамильтониан, обученный аппроксимировать эталонные энергетические спектры с плотным связыванием и DFT с помощью физико-регулярной функции потерь. Эволюция топологии устройств формулируется как задача усиления с ограниченным усилением, в которой модификации графов рассматриваются как действия и оптимизируются с помощью метода градиента политики с регуляризацией энтропии. Композитная функция вознаграждения балансирует внутреннюю квантовую эффективность, структурную стабильность и сложность графа в условиях физической осуществимости. Многоцелевая оптимизация выполняется с использованием дополненной лагранжевы формулировки для идентификации парето-согласованных конфигураций устройств. Оценка модели включает точность предсказания энергии (MAE/RMSE), частоту нарушений ограничений, осуществимость топологии и анализ масштабируемости на графах до 106 узлов. Выбранные конструкции дополнительно проверяются с помощью конечных элементных мультифизических моделей для проверки оптической и электрической согласованности. Этот протокол обеспечивает воспроизводимый многомасштабный вычислительный конвейер для проектирования автономных наноэлектронных устройств с физическими ограничениями.

Введение

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Быстрое распространение систем Интернета вещей (IoT), носимых и имплантируемых устройств, а также технологий искусственного интеллекта (ИИ) увеличило спрос на тесно интегрированные электронные и фотонныеплатформы 1,2. Оптоэлектронные компоненты, включая фотонные интегральные схемы (PIC), фотодетекторы и импульсные лазеры, играют центральную роль в такихсистемах 3,4. Однако на нанометровых масштабах поведение устройств регулируется квантовым удержанием, транспортом заряда и связанными оптически-электрическимивзаимодействиями 5. Традиционные подходы к проектированию опираются на моделирование первых принципов и эмпирическую настройкупараметров 6. По мере роста числа возможных сочетаний материалов, геометрических схем и паттернов связности исчерпывающий симуляционный скрининг становится вычислительно непрактичным.

Были внедрены методы машинного обучения (ML) для ускорения моделирования и задач обратногопроектирования 7. Ранние реализации использовали искусственные нейронные сети и гауссовские процессы в качестве суррогатныхпредикторов 8. Более современные архитектуры глубокого обучения (DL) улучшили обучение представления для фотонных и наноэлектронныхсистем 9. Несмотря на эти достижения, существующие подходы на основе DL часто страдают от ограниченной интерпретируемости, сильной зависимости от данных и ограниченной обобщения между материалами и структурнымимасштабами 10. Многие фреймворки также отделяют физические ограничения от обучения, рассматривая их как внешнюю валидацию, а не как интегрированные компоненты процессаоптимизации 11.

Параллельно дальнейшее масштабирование полупроводниковых устройств приблизилось к физическим пределам в традиционныхархитектурах 12. Короткоканалные эффекты и электростатическая нестабильность становятся всё более значимыми ниже 100нм13, что стимулирует изучение альтернативных материалов и конструкций устройств. Двумерные (2D) материалы, особенно переходные металлические дихалькогениды (TMD), обладают регулируемыми зазорами и атомномасштабной толщиной, совместимой с CMOS-процессами14. Монослойные материалы, такие как MoS₂ и WS₂, демонстрируют благоприятную мобильность носителей и электростатическое управление15. Безсоединительные архитектуры дополнительно демонстрируют, что производительность устройства сильно зависит от структурной топологии, а также от составаматериала 16,17.

Нейронные сети графов (GNN) предоставляют естественную вычислительную основу для моделирования реляционных систем, таких как молекулярные решётки, наноструктуры и топологии схем18, 19, 20, 21. Работая с графово-структурированными представлениями, а не на сеточных входах, GNN обновляют вложения узлов через передачу сообщений между соседними компонентами. В упрощённой форме обновления узлов могут быть выражены как

figure-introduction-1

где φузел иψ ребро являются обучаемыми функциями и figure-introduction-2 обозначает перестановочно-инвариантный агрегационный оператор. Такие модели применялись для прогнозирования свойств и топологического вывода в наноэлектронныхсистемах 22,23,24. Многомасштабные подходы пытаются объединить атомарное моделирование и производительностьна уровне устройства 25, однако большинство реализаций работают с единым структурным разрешением или предполагают фиксированные топологии. В квантово-механических формулировках электронная структура определяется задачей собственных значений

figure-introduction-3

где figure-introduction-4 — оператор гамильтона, а Ek — собственные значения энергии. Теория функционала плотности (DFT) предоставляет обработанные аппроксимации, но масштабируется примерно как O(N3) с электронным числом, что ограничивает прямое применение для крупномасштабных топологических исследований. По мере роста сложности устройств повторные вычисления DFT становятся вычислительно сложными. Эти ограничения подчёркивают необходимость дифференцируемых приближений, сохраняющих физическую структуру и обеспечивающих масштабируемуюоптимизацию 26,27,28.

Для устранения этого методологического пробела наноэлектронные устройства формулируются в виде иерархических графов G=(V,E), охватывающих атомарный, мезоскопический и приборныймасштабы 29, 30, 31, 32, 33. Масштабно-специфические кодировщики GNN извлекают структурные вложения, а межмасштабный обмен информацией реализуется через синтез на основе внимания. Вместо многократного решения полных уравнений DFT при оптимизации вводится эффективный гамильтонианfigure-introduction-5, параметризированный по GNN, чтобы аппроксимировать поведение эталонной энергии при сохранении гермитовых структурных и локальныхограничений 34,35,36,37,38,39,40,41.

Модификация топологии формулируется в виде задачи обучения с подкреплением (RL⁴²). Для состояния st ≡ G t действия изменяют связность графов при физических ограничениях осуществимости. Составная функция вознаграждения определяется как

rt = α⋅IQE(Gt) + β⋅Стабильность (Gt) - γ⋅Сложность(Gt),

где коэффициенты α β γ регулируют компромиссы между производительностью, надёжностью и структурной простотой. Многоцелевая оптимизация осуществляется с помощью ограниченных формулировок этого вида.

figure-introduction-6

Масштабируемость для крупных систем достигается с помощью грубого обработки спектральных графов и иерархической агрегации, что позволяет эффективно обучаться и делать выводы на графах, содержащих до миллионов узлов, без ущерба структурной точности. Огрубление спектральных графов снижает вычислительную сложность за счёт кластеризации узлов на основе сходства собственной структуры, сохраняя ключевые топологические и спектральные свойства при значительном уменьшении размера графа. Иерархическая агрегация дополнительно организует уменьшенный граф в многоразрешённые представления, позволяя модели обрабатывать локальные и глобальные зависимости поэтапно. Эта многоуровневая стратегия снижает потребление памяти, ускоряет операции передачи сообщений и поддерживает предсказающую точность, обеспечивая вычислительную пригодность фреймворка для крупномасштабного наноэлектронного и оптоэлектронного моделированияустройств 43,44,45,46,47,48,49,50,51.

Цель данного исследования — реализовать и оценить воспроизводимый, многомасштабный, физико-ориентированный фреймворк GNN для проектирования ограниченных наноэлектронных устройств. Общий рабочий процесс многомасштабного наноэлектронного проектирования на базе ИИ интегрирует подготовку наборов данных, построение иерархических графов, квантово-информированное моделирование, эволюцию топологии на основе подкреплённого обучения и физико-обоснованную валидацию (рисунок 1). Следующие разделы описывают вычислительный протокол, конфигурацию обучения и процедуры валидации.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Подготовка наборов данных и построение многомасштабных графов

  1. Сбор и структурирование входных данных
    1. Собирать данные моделирования атомарного уровня (например, выходы DFT или плотно связывающие), мезоскопические структурные данные и геометрии на уровне устройств с соответствующими показателями производительности.
    2. Убедитесь, что каждая запись данных содержит атомарные координаты (нм), идентификаторы материалов, энергетические значения (eV), информацию о связности и цели на уровне устройств (например, внутренняя квантовая эффективность, оптическое поглощение).
    3. Храните все данные в структурированном формате (.json или .hdf5). Проверяйте согласованность единиц во всех записях.
    4. Убедитесь, что нет отсутствующих атомных координат или несогласованных энергетических единиц. Смешанные единицы нарушают нормализацию и стабильность тренировок.
      ПРИМЕЧАНИЕ: Используйте набор данных, содержащий не менее 50 000 атомных графиков и не менее 10 000 образцов на уровне устройств
  2. Очистка, нормализация и разделение данных
    1. Удалить неполные записи. Нормализовать непрерывные признаки с помощью нормализации z-score.
    2. Кодировать категориальные типы материалов с помощью one-hot кодирования или изученных эмбеддингов.
    3. Разделите набор данных на уровне устройства на 70% обучающих данных, 15% валидационных данных и 15% тестовых.
    4. Только во время обучения применяйте гауссовский позиционный шум на уровне 1–3% от характерной шкалы длины и шум метки до 2%.
      ПРИМЕЧАНИЕ: Выполните разделение набора данных перед построением графа, чтобы предотвратить утечку топологии.
  3. Постройте атомарные, мезоскопические и устройства графы
    1. Определите узлы атомного масштаба как отдельные атомы. Определите узлы мезоскопического масштаба как кластеры, слои или интерфейсы. Определите узлы масштаба прибора как функциональные компоненты, такие как электроды и активные области.
    2. Определите рёбра атомного масштаба как межатомные связи или взаимодействия на основе среза. Определите рёбра мезоскопического масштаба как эффективные параметры связи. Определите рёбра масштаба устройства как электрические или оптические связные отношения.
    3. Генерируйте матрицы смежности.
    4. Сохраняйте атрибуты узла и ребра отдельно для каждого масштаба.
  4. Постройте иерархическое многомасштабное представление
    1. Построим атомарный граф G(a). Применим спектральное графовое грубление для получения мезоскопического графа G(m).
    2. Агрегировать мезоскопические кластеры в граф устройств G(d). Хранить индексы кросс-масштабного отображения.
  5. Применение межмасштабных ограничений согласованности
    1. Вычислительные потери на выравнивание полос:
      Полоса L = ∑ ∣∣ E(m) - A(E(a)) ∣∣2 + ∑ ∣∣ E(d) - B(E(m)) ∣∣2 
    2. Вычислите регуляризацию лапласианской гладкости:
      figure-protocol-1
    3. Добавьте оба термина в цель обучения.

2. Инициализация многомасштабных GNN-модулей

  1. Определим размерность вложения узла = 128.
    1. Определим размерность вложения рёбер = 64.
    2. Используйте четыре слоя передачи сообщений на каждый масштаб.
    3. Используйте активацию ReLU. Инициализуйте веса с помощью инициализации Xavier.
  2. Реализация передачи сообщений
    1. Реализовать функцию обновления краёв как многослойный перцептрон (MLP).
    2. Реализовать функцию обновления узла как многослойный перцептрон (MLP).
    3. Выполнять агрегацию в одном масштабе. Применять кросс-масштабный синтез на основе внимания с использованием проекций Q/K/V.
      ПРИМЕЧАНИЕ: Обеспечьте согласованную размерность вложения между масштабами до слияния.

3. Квантово-информированное моделирование

  1. Определите GNN-параметризованный гамильтониан
    1. Замените явный гамильтониан DFT на:
      figure-protocol-2
    2. Обеспечение откровенности:
      fθ(hi,h j) = fθ(h j,h i)* 
    3. Взаимодействия усечения за пределами заранее определённого расстояния графа.
  2. Определите потери, ограниченные физически
    1. Применение:
      figure-protocol-3
    2. Настройка параметров λ с помощью валидационного набора.
  3. Обеспечение физических ограничений
    1. Проект Гамильтониан в эрмитовое пространство в каждой итерации.
    2. Наказывать нарушения законов о охране природы. Обрезать градиенты до нормы ≤ 5.

4. Обучение с подкреплением для эволюции топологии

  1. Определите пространство состояний и действий
    1. Представим граф устройства как состояние Gt .
    2. Определите действия:
      1. Добавить кромку
      2. Удалить кромку
      3. Модифицировать связность.
    3. Применяйте маскировку действий для незаконных правок.
  2. Определите функцию вознаграждения
    rt = αIQE + βСтабильность - γСложность
    Настройте α, β γ через валидацию.
  3. Сеть железнодорожной политики
    1. Используйте градиент политики:
      ∇θJ = E[∑∇θlog πθ(a t∣st)At]
    2. Установите коэффициент дисконтирования γ на 0,99. Установить коэффициент энтропии на 0,02 и отжиг во время тренировки. Используйте оптимизатор Адама со скоростью обучения 1 × 10⁻4 и снижением веса 1 × 10⁻5.
    3. Используйте размер партии 32. Тренируйтесь на 250–300 эпохах и применяйте раннюю остановку на основе валидационной конвергенции.

5. Многоцелевая оптимизация

  1. Сформулировать ограниченную цель. Применить дополненный лагранжиан.
  2. Создайте границы Парето. Сохраняйте решения без доминирования.

6. Трансферное обучение

  1. Предварительное обучение атомного GNN на задачу по прогнозированию энергии. Экономия весов.
  2. Тонкая настройка на мезоскопических и устройственных задачах с пониженной скоростью обучения (1×10⁻5). Оценка MAE иR 2.

7. Многофизическая валидация COMSOL

  1. Импорт геометрии, разработанной ИИ,
    1. Экспорт топологии устройства в CAD-файл.
    2. Импортируйте в COMSOL Multiphysics.
  2. Настроить симуляцию
    1. Используйте электромагнитный решатель с частотной областью. Используйте полупроводниковый решатель дрейфа и диффузии.
    2. Используйте стационарный тепловой решатель. Применяйте идеально согласованные слои, омические контакты и реалистичные длины волн возбуждения.
  3. Метрики извлечения
    1. Измерять эффективность оптического поглощения, внутреннюю квантовую эффективность, усиление электрического поля и пиковое повышение температуры.
    2. Средние результаты по условиям возбуждения.

8. Тестирование масштабируемости

  1. Увеличить размер графа до 106 узлов. Измерить время выполнения и использование памяти.
  2. Включить спектральное грубление, разрежённую смежность, смешанную точность и распределённое обучение GPU.

9. Статистическая оценка

  1. Проведите три независимых тренировочных седа.
  2. Отчёт о среднем ± стандартном отклонении, MAE, RMSE иR 2.
  3. Используйте одинаковые разделения и гиперпараметры для базового сравнения.

10. Архивирование данных и кода

  1. Сохраняйте обученные модели. Архивируйте наборы данных.
  2. Предоставляйте скрипты для построения графов, обучения и валидации COMSOL.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Предложенный многомасштабный фреймворк GNN-подкреплённого обучения был оценён на 120 000 атомарных графах, 35 000 мезоскопических графах и 12 000 графах на уровне устройств. Данные были разделены на уровне устройства на 70% наборы для обучения, 15% валидации и 15% тестовых. Все представленные значения представляют собой среднее ± стандартное отклонение по трём независимым запускам с использованием различных случайных семян. Базовые методы включали SchNet, DimeNet++, нейронные сети с учёт...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

В данном исследовании представлена иерархическая, физико-ориентированная графовая основа для проектирования автономных наноэлектронных и оптоэлектронных устройств. Результаты показывают, что метод обеспечивает конкурентоспособную точность прогнозирования энергии, стабильную эволюцию топологии, основанную на обучении с подкреплением, удовлетворение ограничений и физически валидированное улучшение производительности устройств. Следующее обсуждение сосредоточено на критических процедурных э...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Автор не заявляет о конфликте интересов.

Благодарности

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Авторы не имеют никаких признаний.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
<сильный>вычислительный и Программное обеспечение для моделирования< сильное>
JAX / HaikuН/Д0.3.0+
LAMMPSН/Д-
LUMERICAL / MEEPН/Д-
OpenAI Gym / GymnasiumН/Д-
PythonН/Д3.8+
PyTorch / PyTorch GeometricН/Д1.9.0+ / 2.0+
Квантовый ESPRESSOН/Д6.7+
Data & Наборы данных
База данных симуляций DFTН/ДОбычай
Генерируемые наноэлектронные графыН/Д~10 000 графиков
Проект материалов / OQMDН/ДПубличный API
Hardware & Hardware Инфраструктура
Хранение данныхН/ДNVMe SSD
Кластер высокопроизводительных вычислений (HPC)Н/ДУзлы процессора
Кластер GPU NVIDIAН/ДA100 / V100 / H100
<Сильные>Ключевые алгоритмы и ключи Компоненты модели
Adam / AdamW OptimizerН/ДPyTorch Native
Сеть внимания графа (GAT)Н/ДCustom (PyTorch)
Графовый вариационный автоэнкодер (GVAE)Н/ДCustom (PyTorch)
Нейронная сеть передачи сообщений (MPNN)Н/ДCustom (PyTorch)
Градиент политики (например, PPO)Н/ДПользовательский (стабильные базовые линии3)
<сильно>машинное обучение и Библиотеки оптимизации
NetworkXН/Д2.6+
NumPyН/Д1.24+
OptunaН/Д2.0+
Scikit-learnН/Д1.0+
Stable-Baselines3 / Ray RLLibН/Д-
<сильный>физический и физический Математические модели
Дополненный лагранжев методН/ДПользовательский (Python)
Композитная функция вознаграждения (rt)Н/ДПользовательский (Python)
Параметризованный гамильтониан (Hθ)Н/ДCustom (PyTorch)
Грубое увеличение спектрального графаН/ДПользовательский (Scikit-learn)

Ссылки

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Ekström Kelvinius, F., Armiento, R., Lindsten, F. ` Graph-based machine learning beyond stable materials and relaxed crystal structures. Physical Review Materials. 6 (3), 033801(2022).
  2. Merchant, A., et al. Scaling deep learning for materials discovery. Nature. 624 (7990), 80-85 (2023).
  3. Opanin Gyamfi, E., Qin, Z., Mantebea Danso, J., Adu-Gyamfi, D. Hierarchical Graph Neural Network: A Lightweight Image Matching Model with Enhanced Message Passing of Local and Global Information in Hierarchical Graph Neural Networks. Information. 15 (10), 602(2024).
  4. Hayes, C. F., et al. A practical guide to multi-objective reinforcement learning and planning. Autonomous Agents and Multi-Agent Systems. 36 (1), 26(2022).
  5. Luo, S., Li, T., Wang, X., Faizan, M., Zhang, L. High-throughput computational materials screening and discovery of optoelectronic semiconductors. Wiley Interdisciplinary Reviews: Computational Molecular Science. 11 (1), e1489(2021).
  6. Ilyas, N., et al. Nanostructured materials and architectures for advanced optoelectronic synaptic devices. Advanced Functional Materials. 32 (15), 2110976(2022).
  7. Pham, P. V., et al. 2D heterostructures for ubiquitous electronics and optoelectronics: principles, opportunities, and challenges. Chemical Reviews. 122 (6), 6514-6613 (2022).
  8. Krishnamoorthy, U., Balasubramani, S. Intelligent Nanomaterial Image Characterizations-A Comprehensive Review on AI Techniques that Power the Present and Drive the Future of Nanoscience. Advanced Theory and Simulations. 7 (12), 2400479(2024).
  9. Zhang, S., et al. The rise of AI optoelectronic sensors: From nanomaterial synthesis, device design to practical application. Materials Today Physics. 27, 100812(2022).
  10. Lay-Ekuakille, A., et al. Optoelectronic and nanosensors detection systems: A review. IEEE Sensors Journal. 21 (11), 12645-12653 (2021).
  11. Liu, W., et al. Ultra-compact multi-task processor based on in-memory optical computing. Light: Science & Applications. 14 (1), 134(2025).
  12. Wang, H., et al. Two-photon polymerization lithography for optics and photonics: fundamentals, materials, technologies, and applications. Advanced Functional Materials. 33 (39), 2214211(2023).
  13. Datye, I. M., Daus, A., Grady, R. W., Brenner, K., Vaziri, S., Pop, E. Strain-enhanced mobility of monolayer MoS2. Nano Letters. 22 (20), 8052-8059 (2022).
  14. Ma, J., et al. Prediction of high photoconversion efficiency and photocatalytic water splitting in vertically stacked TMD heterojunctions MX 2/WS 2 and MX 2/MoSe 2 (M= Cr, Mo, W; X= S, Se, Te). Journal of Materials Chemistry A. 13 (13), 9312-9322 (2025).
  15. Ren, K., et al. Sn) monolayers with ultrahigh carrier mobility: potential photocatalysts for water splitting. The Journal of Physical Chemistry C. 127 (43), 21006-21014 (2023).
  16. Shi, X., et al. Sumanene Monolayer of Pure Carbon: A Two-Dimensional Kagome-Analogy Lattice with Desirable Band Gap, Ultrahigh Carrier Mobility, and Strong Exciton Binding Energy. Small. 18 (40), 2203274(2022).
  17. Gao, S. Y., Zheng, Y. F., He, S. Q., Fang, H., Zhang, Y. Y. Sn9C15 monolayer with desirable bandgap, high carrier mobilities, and broadband light absorption for photovoltaic devices. The Journal of Chemical Physics. 162 (13), 134701(2025).
  18. Das, R. R., Chowdhury, A., Chakraborty, A. Parametric analysis on DC and analog/linearity response of multi-channel FinFET (Mch-FinFET) with spacer engineering. Analog Integrated Circuits and Signal Processing. 119 (1), 1-13 (2024).
  19. Indhur, V., et al. Dielectric Material and Thermal Optimization in Sidewall Spacer Design for Junctionless Nanosheet FETs at Sub-5 nm Technology Node: An Insight into Device and Circuit Performance. ECS Journal of Solid State Science and Technology. 13 (10), 103007(2024).
  20. Goar, V., Yadav, N. S. Foundations of machine learning. Intelligent Optimization Techniques for Business Analytics. , 25-48 (2024).
  21. Tapeh, A. T. G., Naser, M. Z. Artificial intelligence, machine learning, and deep learning in structural engineering: a scientometrics review of trends and best practices. Archives of Computational Methods in Engineering. 30 (1), 115-159 (2023).
  22. Javaid, M., Haleem, A., Singh, R. P., Suman, R., Rab, S. Significance of machine learning in healthcare: Features, pillars and applications. International Journal of Intelligent Networks. 3, 58-73 (2022).
  23. Wang, X., et al. Machine learning for risk and resilience assessment in structural engineering: Progress and future trends. Journal of Structural Engineering. 148 (8), 03122003(2022).
  24. A Detailed View on industrial Safety and Health Analytics using Machine Learning Hybrid Ensemble Techniques. Rathor, K., et al. 2022 International Conference on Edge Computing and Applications (ICECAA), , 1166-1169 (2022).
  25. Singla, A. Graph Neural Networks: Advances in Representation Learning for Structured Data Analysis). Shodh Sagar Journal of Artificial Intelligence and Machine Learning. 1 (2), 31-36 (2024).
  26. Ademovic Tahirovic, A., et al. Petri graph neural networks advance learning higher order multimodal complex interactions in graph structured data. Scientific Reports. 15 (1), 1-17 (2025).
  27. Paul, S. G., et al. A systematic review of graph neural network in healthcare-based applications: Recent advances, trends, and future directions. IEEE Access. 12, 15145-15170 (2024).
  28. Liu, L., Yang, F., Shang, L., Zeng, X. GNN-Cap: Chip-Scale Interconnect Capacitance Extraction Using Graph Neural Network. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems. 43 (4), 1206-1217 (2023).
  29. Saxena, S., et al. GNN-assisted phase space integration with application to atomistics. Mechanics of Materials. 182, 104681(2023).
  30. Shen, Y., et al. The trend of 2D transistors toward integrated circuits: scaling down and new mechanisms. Advanced Materials. 34 (48), 2201916(2022).
  31. Lopes, P. A., Santos, B. C., de Almeida, A. T., Tavakoli, M. Reversible polymer-gel transition for ultra-stretchable chip-integrated circuits through self-soldering and self-coating and self-healing. Nature Communications. 12 (1), 4666(2021).
  32. Rapp, M., et al. MLCAD: A survey of research in machine learning for CAD keynote paper. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems. 41 (10), 3162-3181 (2021).
  33. Sun, X., Tian, G., Yang, S., Yuan, P., Zhang, S. Asymptotically optimal circuit depth for quantum state preparation and general unitary synthesis. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems. 42 (10), 3301-3314 (2023).
  34. Asif, N. A., et al. Graph neural network: A comprehensive review on non-euclidean space. IEEE Access. 9, 60588-60606 (2021).
  35. Singh, A. K., Palanisamy, R., Jain, A. K. Efficient nanoscale device modeling using artificial neural networks with TensorFlow and Keras libraries in Python. Signal Processing with Python: A practical approach. , 7-1 (2024).
  36. Fischetti, M., Gaddemane, G., Gopalan, S., Van de Put, M. L., Vandenberghe, W. The Future of Nanoelectronics Devices from a Theoretical Point of View: The Search for New Channel Materials. ECS Transactions. 111 (1), 81(2023).
  37. Wang, A., Chen, R., Yun, Y., Xu, J., Zhang, J. Review of Ferroelectric Materials and Devices toward Ultralow Voltage Operation. Advanced Functional Materials. 35 (7), 2412332(2025).
  38. Zhang, Y. F., et al. Emerging Multifunctionality in 2D Ferroelectrics: A Theoretical Review of the Interplay With Magnetics, Valleytronics, Mechanics, and Optics. Advanced Functional Materials. 34 (51), 2410240(2024).
  39. Raut, P., Nanda, U., Panda, D. K. Recent trends on junction-less field effect transistors in terms of device topology, modeling, and application. ECS Journal of Solid State Science and Technology. 12 (3), 031010(2023).
  40. D'agostino, S., et al. DenRAM: neuromorphic dendritic architecture with RRAM for efficient temporal processing with delays. Nature Communications. 15 (1), 3446(2024).
  41. Dalgaty, T., et al. Mosaic: in-memory computing and routing for small-world spike-based neuromorphic systems. Nature Communications. 15 (1), 142(2024).
  42. Huynh, N., et al. The use of generative adversarial network and graph convolution network for neuroimaging-based diagnostic classification. Brain Sciences. 14 (5), 456(2024).
  43. Abadal, S., et al. Computing graph neural networks: A survey from algorithms to accelerators. ACM Computing Surveys (CSUR). 54 (9), 1-38 (2021).
  44. Mondal, S., et al. A unified engine for accelerating GNN weighting/aggregation operations, with efficient load balancing and graph-specific caching. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems. 42 (12), 4844-4857 (2022).
  45. Tang, E., et al. Graph-OPU: A Highly Flexible FPGA-Based Overlay Processor for Graph Neural Networks. ACM Transactions on Reconfigurable Technology and Systems. 17 (4), 1-33 (2024).
  46. Galván, E., Mooney, P. Neuroevolution in deep neural networks: Current trends and future challenges. IEEE Transactions on Artificial Intelligence. 2 (6), 476-493 (2021).
  47. Duan, K., et al. A comprehensive study on large-scale graph training: Benchmarking and rethinking. Advances in Neural Information Processing Systems. 35, 5376-5389 (2022).
  48. Gundla, K., Martha, S., Panigrahy, A. K. Toward Explainable AI in Satellite Imagery: A ResNet-50-Based Study on EuroSAT Classification. IEEE Access. 13, 165900-165908 (2025).
  49. Jain, A., Panigrahy, A. K., Saini, S., Kumar Bansal, A., Nayak Bhukya, M. Chef-Based Optimization Algorithm (CBOA)-Based Global Peak Power Tracking Scheme for PV System. IEEE Access. 13, 156246-156257 (2025).
  50. Ahmed, M. I., Kumar, A. N., Prasanna, B. L., Panigrahy, A. K. Dual spacer-engineered FinFETs with enhanced electrostatic control at nanoscale. Microsystem Technologies. 31 (12), 3747-3754 (2025).
  51. Panigrahy, A. K., et al. Development and comparative analysis of a GAA nanosheet FET across diverse space charge region materials for nanoscale applications. Micro and Nanostructures. 206, 208239(2025).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Похожие статьи