Naukowcy z zespołu badawczego zastosowali Physics Informed Neural Networks do rozwiązywania równań dryfu-dyfuzji, fundamentalnych dla modelowania i optymalizacji nowoczesnych urządzeń półprzewodnikowych. Równania te charakteryzują się silną nieliniowością i złożonymi relacjami zmiennych, a ich rozwiązania tradycyjnie wymagają numerycznych solverów implementowanych w komercyjnych pakietach TCAD.
Konwencjonalne narzędzia symulacyjne mają ograniczenia - wymagają czasochłonnych obliczeń, są czułe na dobór warunków początkowych i niezbędna jest generacja siatek obliczeniowych. Szczególnie problematyczne są zagadnienia odwrotne, gdzie szukamy parametrów projektowych urządzenia na podstawie pożądanych charakterystyk funkcjonalnych. PINNs stanowią alternatywę: sieć neuronowa jest trenowana na podstawie samych równań fizycznych, bez konieczności danych treningowych. W badaniu researchers testowali metodę na asymetrycznych złączach PN w jednym i dwóch wymiarach - geometriach z ekstremalnymi gradientami koncentracji nośników ładunku i ostrymi nieciągłościami profilu domieszek.
Proponowana architektura PINNs osiąga dokładność porównywalną z tradycyjnym oprogramowaniem, a zaawansowane techniki treningowe pozwalają rozwiązywać problemy poza reżimem równowagi. Podejście to obiecuje przyspieszenie obliczeń w projektowaniu urządzeń półprzewodnikowych i otwarcie nowych możliwości dla optymalizacji wieloparametrowej oraz symulacji w czasie rzeczywistym.