WikiEdge:ArXiv速递/2025-05-20

摘要

• 原文标题：Physics-Guided Sequence Modeling for Fast Simulation and Design Exploration of 2D Memristive Devices
• 中文标题：基于物理引导的序列建模用于二维忆阻器件的快速仿真与设计探索
• 发布日期：2025-05-20 03:43:20+00:00
• 作者：Benjamin Spetzler, Elizaveta Spetzler, Saba Zamankhani, Dilara Abdel, Patricio Farrell, Kai-Uwe Sattler, Martin Ziegler
• 分类：cond-mat.mtrl-sci, physics.app-ph, physics.comp-ph
• 原文链接：http://arxiv.org/abs/2505.13882v1

中文摘要：摘要：忆阻器件中迟滞开关动力学的建模由于涉及离子与电子输运过程的耦合而计算量巨大。这一挑战对于新兴的二维（2D）器件尤为突出，其高维设计空间目前仍大部分未被探索。我们提出了一种物理引导的建模框架，将高保真度的有限体积（FV）电荷输运模拟与长短期记忆（LSTM）人工神经网络（ANN）相结合，以预测动态电流-电压行为。该ANN代理模型基于物理基础仿真数据训练，相比FV模型实现了超过四个数量级的加速，同时保持对物理意义明确的输入参数的直接访问能力，典型归一化误差<1%。这使得原先计算不可行的迭代任务成为可能，包括基于实验数据的逆向建模、通过度量映射和灵敏度分析的设计空间探索，以及约束多目标设计优化。值得注意的是，该框架通过与底层FV模型的直接链接，保留了载流子密度、空位分布和静电势等详细空间动态信息的物理可解释性。我们的方法为新兴二维忆阻和神经形态器件的高效探索、解释及模型驱动设计建立了可扩展框架。