כתבה
arXiv cs.LG ·
רשת נוירלית מודלית של PINNs לתנועה של חריקי אוקסיגן ב-SrTiO3 על Si
Physics-Informed Neural Network Surrogate for Oxygen Vacancy Dynamics in epitaxial $\mathrm{SrTiO_3}$ on Si memristors via Dynamic Spectral Optimization
רשת נוירלית מודלית של PINNs לתנועה של חריקי אוקסיגן ב-SrTiO3 על Si. המאמר מציג רשת נוירלית של PINNs שמודלת את תנועת החריקי אוקסיגן ב-SrTiO3 על Si. הרשת נוצרה על ידי טכניקה של PINNs ומשתמשת באופטימיזציה ספקטרלית.
תקציר מקורי באנגליתarXiv:2609.02966v1 Announce Type: cross Abstract: Physics-informed neural networks (PINNs) offer a promising framework for modeling semiconductor devices, yet standard architectures struggle with severe numerical stiffness and multiscale spatial discrepancies inherent to oxide heterostructures. Here, we demonstrate a cascaded PINN architecture coupled with a custom second-order Chebyshev second kind polynomial spectral optimizer (DSO V2 Hybrid) to model ion-electronic drift-diffusion transport in Pt/SrTiO$_3$/Si memristive heterostructures across a 20 nm STO film on a 380 $\mu$m Si substrate. By isolating potential, carrier density, and vacancy transport into four sequentially trained sub-neural-networks, our model circumvents condition numbers exceeding $10^{16}$ without operator splittin
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית