低接触电极筛选方案

数据量仅15%即可高效筛选

结合自编码正则化对抗神经网络与特征自适应变分主动学习，在有限数据下高效筛选二维半导体晶体管的低接触电极材料。

Penghui, Li · 董林鹏 · 李俨 · Peng, Bo · 王伟 · Zhou, Shun · 刘卫国

Advanced Materials 2024

参数信息

训练数据占比

15 %

垂直肖特基势垒预测均方误差

0.17 eV

水平肖特基势垒预测均方误差

0.27 eV

隧穿概率预测均方误差

2.88 %

技术优势

数据需求大幅降低

模型仅需总数据量的15%即可训练，克服了机器学习在半导体器件中因数据需求大而难以应用的问题。

预测精度足以实用

垂直和水平肖特基势垒的均方误差分别低至0.17 eV和0.27 eV，隧穿概率误差仅2.88%，达到实用水平。

识别关键物理特征

基于所识别的特征揭示了影响接触性能的物理机制，并可通过态密度描述符持续改进模型。

应用场景

• 二维半导体：快速筛选合适的电极接触，推动高性能二维器件研发。
• 晶体管：为晶体管设计低接触电极，提升器件性能与可靠性。
• 电极材料：用数据驱动方法替代试错，高效发现新材料。
• 机器学习辅助材料筛选：在有限数据下训练模型，降低机器学习应用门槛。