以哈密顿量为核心融合机器学习的多尺度低维纳米器件设计方法

Looking forward to the post-silicon era, low-dimensional nano device is a competitive candidate for the next generation information device. Since it has a small scale and probable non-uniform structure, the accurate simulation for its transport performance is an important problem in this area. Distinguishing from traditional works, we introduce machine learning into low-dimensional nano device simulation, and explore device design basing on its Hamiltonian. In practice, basic physical characteristics of low-dimensional nano structures are caculated firstly, and then the specialized machine learning mechanism is designed to achieve precise Hamiltonians. After rationality and feasibility evalutions, they are used to merge the first principle calculation and non-equilibrium Green’s function, constructing an accurate multi-scale simulation flow. Basing on it, analyze the relationship between Hamiltonian and device performance by machine learning and explore a Hamiltonian-based device design method..The implementation of this project will contribute to the development of novel low-dimensional nano device. Merging machine learning into device design not only gives a new method to generate Hamiltonian, but also provide a new research tool for novel materials & structures. Constructing accurate multi-scal simulation flow offers a reference for the design of small scale electronic devices. Exploring device performance by Hamiltonian points out a fresh viewpoint for devices’ mechanism understanding and design.

展望后硅基时代，低维纳米器件是新一代信息器件的有力候选者之一。由于其尺寸小且结构可能非均一，精准仿真器件输运性能成为该领域的一个重要问题。不同于以往的工作，我们拟将机器学习手段融入低维器件仿真并以哈密顿量为核心探究低维纳米器件设计。具体而言，计算低维纳米结构的基础物理特性，设计专门的机器学习机制得到准确的哈密顿量；评判哈密顿量的合理性和适用性，结合第一性原理与非平衡格林函数构建精准的多尺度仿真流程；基于此流程，运用机器学习分析哈密顿量与器件性能间的关系，探索以哈密顿量为指导的器件设计。.这一研究项目的实施将有助于新型低维纳米器件的发展。项目提出的机器学习在器件设计中的融入，不仅提供了一种生成哈密顿量的新途径，也增加了一种对新材料新结构的研究手段；构建的精准的多尺度流程，能为新型小尺寸电子器件的仿真设计提供参考；而以哈密顿量为核心对器件的探索，则给出了一种理解工作机理、审视器件设计的新视角。

低维纳米器件是新一代信息器件的有力候选者之一。由于其尺寸小且结构可能非均一，仿真可对器件的功能和性能做出预测和评估，从而为低维纳米器件的制备指明方向。哈密顿量是纳米级器件仿真中连接材料级分析和器件级输运的关键桥梁，敏捷且精准的得到低维纳米器件的哈密顿量成为一个重要问题。.本课题主要在低维体系的基础物性表征、低维电子器件设计仿真、机器学习机制研究、融合机器学习的多尺度低维纳米器件仿真流程搭建四个方面展开研究。得到敏捷生成哈密顿量的方法，打通从材料物性分析到器件输运计算的多尺度仿真流程，探究机器学习工具在器件设计中的应用前景。.通过四年的研究，成功提出了基于机器学习的低维纳米器件哈密顿量生成方法。引入神经网络模型，将其神经元充当哈密顿量矩阵元，通过其计算得到紧束缚能带与目标还原能带间的误差反向传播学习得到最终得到的紧束缚哈密顿量。在此基础上，进一步探究了低维纳米体系几何结构与其哈密顿量的对应关系，通过引入图神经网络工具编码晶体结构，搭建了一套从晶体结构生成其哈密顿量从而预测其能带结构的机器学习框架。这有助于将晶体结构的微小变化反映到能带结构中，还赋予了该框架小样本学习的能力。基于以上两种敏捷生成哈密顿量的方法构建了融合机器学习的多尺度低维纳米器件设计流程。.此课题的完成有助于新型低维纳米器件的发展。提出的机器学习在器件设计中的融入，提供了一种生成哈密顿量的新途径；构建的敏捷多尺度流程，为新型小尺寸电子器件的仿真设计给出了参考。.课题发表研究论文38篇，其中SCI论文29篇；授权发明专利1项，申报中发明专利1项；形成了基于机器学习可敏捷生成紧束缚哈密顿量的应用软件1项，并登记软件著作权。课题培养了24名深入掌握纳米电子器件设计及机器学习的研究生，其中已毕业博士研究生3人，硕士研究生8人。