Исследователи представили метод Physics-Guided Conditional Graph Diffusion (PCGD) для ускорения моделирования полупроводниковых устройств в системах TCAD. Новый подход использует диффузионные модели на графах, дополненные физическими ограничениями, что позволяет обходить вычислительные сложности традиционных численных методов при решении уравнений дрейфа-диффузии, сохраняя при этом высокую точность моделирования сложных физических полей.
Традиционные инструменты автоматизированного проектирования (TCAD) требуют значительных затрат времени из-за необходимости итеративного решения связанных дифференциальных уравнений. Существующие методы машинного обучения часто упрощают физические процессы до макроскопических регрессий или используют одношаговые предсказания, которые не обеспечивают нужной детализации при работе с жесткими системами уравнений.
Модель PCGD решает эту проблему за счет итеративного уточнения результатов, характерного для диффузионных процессов, но с учетом фундаментальных законов физики полупроводников. Это позволяет системе эффективно аппроксимировать поведение носителей заряда и электрических полей в структуре устройства, значительно сокращая время симуляции по сравнению с классическими численными решателями.
Ключевые факты
- Метод PCGD предназначен для замены или дополнения итеративных решателей уравнений дрейфа-диффузии в TCAD.
- Архитектура основана на диффузионных моделях, работающих на графовых представлениях полупроводниковых структур.
- В отличие от стандартных ML-суррогатов, модель поддерживает итеративное уточнение полей, необходимое для работы с «жесткими» (stiff) физическими системами.
- Подход позволяет преодолеть ограничения существующих методов, которые ранее сводили сложные физические процессы к простым скалярным регрессиям.