物理信息代理模型：精准预测p-n结二极管特性

引言

在半导体器件设计中，精确预测p-n结二极管的行为至关重要，但传统数值模拟（如漂移-扩散方程求解）计算成本高昂。近期一篇研究提出了一种物理信息且不确定性感知的代理模型，能够高效预测一维p-n结二极管在不同器件长度、掺杂和偏置条件下的内部状态，并给出可靠的误差范围。该研究通过基准分析展示了模型的可扩展性，并在对称结上实现了极低的误差。

漂移-扩散方程是半导体器件物理中的经典输运模型，由电子和空穴的连续性方程与泊松方程耦合而成。它描述载流子在电场作用下的漂移运动、浓度梯度驱动的扩散运动，以及空间电荷对电场的反馈。求解该方程组通常需要有限元或有限差分方法进行空间离散，并结合牛顿迭代处理强非线性，因此单次仿真往往耗时数分钟至数小时。对于需要反复扫描器件长度、掺杂与偏置参数的设计优化任务，这种计算成本成为主要瓶颈，也正是代理模型试图缓解的问题。

模型架构与物理信息融合

该代理模型的核心在于将物理定律以损失函数的形式嵌入神经网络训练，从而在数据稀缺时仍能保持预测的物理一致性。模型以器件长度、掺杂浓度和偏置电压作为输入条件，输出静电势、载流子密度等内部状态。这种物理信息神经网络（PINN） 的变体不仅减少了对大量仿真数据的依赖，还通过不确定性量化（UQ）机制评估预测结果的置信度，确保在用户指定容差内判断代理模型输出的有效性。

不确定性量化（UQ） 旨在让模型不仅给出预测值，还给出该预测的可信程度。常见做法包括贝叶斯神经网络、深度集成（deep ensemble）以及基于高斯过程的后验估计。在代理模型场景中，UQ 的价值在于：当输入条件落在训练数据覆盖较差的区域时，模型可以主动提示预测不可靠，而不是给出看似精确却错误的数值。这与工程实践中“在用户指定容差内判断输出有效性”的需求直接对应，也是该研究区别于普通确定性代理模型的关键特征。

评估指标与性能表现

研究团队基于代理模型预测的内部状态，构建了一套涵盖终端电流、耗尽区宽度、峰值电场和存储电荷的测试套件。在对称一维结的基准测试中，模型在静电势上的中位L1误差仅为0.11%，电子和空穴密度的误差分别为1.5%和0.61%。这些数据表明，代理模型在保持物理合理性的同时，达到了与数值求解器相近的精度。此外，不确定性分析能够动态确定预测结果的可靠范围，为工程应用提供置信度参考。

L1误差指预测值与参考值之差的绝对值在空间网格上的平均，相对于某种归一化尺度（如参考值的均值或峰值）以百分比表示。与均方误差相比，L1 误差对局部大偏差的惩罚较温和，更能反映整体场分布的平均偏离程度。中位 L1 误差则是在多个测试样本上取误差的中位数，可避免个别困难样本拉高平均值。因此“静电势中位 L1 误差 0.11%”意味着在一半以上的测试器件上，电势分布的平均相对偏离不到千分之一，这一量级已接近数值求解器自身离散误差的水平。

可扩展性与基准分析

作者进一步将形式体系推广至非对称结和二维二极管结构，并通过基准分析验证了模型的有效性。尽管二维场景的复杂度显著增加，但代理模型仍能捕捉关键物理特征，且不确定性框架可自适应调整。这种扩展能力意味着该方法有望应用于更广泛的半导体器件建模，如功率二极管和异质结器件。

结论与展望

该工作展示了物理信息代理模型在半导体器件仿真中的潜力：通过融合物理约束与数据驱动方法，在保证精度的同时大幅降低计算成本。未来的研究方向可能包括更高维度的器件模拟、多物理场耦合以及更高效的训练策略。对于芯片设计者和EDA工具开发者而言，这种不确定性感知的代理模型有望加速器件优化流程。