機器學習方法提升半導體能隙預測精準度

想像一下，你正在做菜。你試圖透過混合從未搭配過的香料，開發出獨特的風味。預測這道菜的味道可能很棘手。你希望做出美味佳餚，但結果可能難以下嚥，白白浪費時間和食材。

但要是有一臺機器能精準告訴你，你調配的東西味道如何，那該多好？京都大學的研究人員就為半導體材料的能隙開發出了類似的技術。該研究成果發表在《計算材料科學》期刊上。

在新裝置開發和效能提升過程中，人們一直都在尋找這樣的材料。決定半導體特性的最重要因素就是能隙，因此精準的預測至關重要。

遺憾的是，傳統計算能隙的方法成本高昂，且在室溫下不夠精準，因為它是基於材料在絕對零度時的特性。為此，研究人員一直試圖開發一種機器學習方法，以實現更快速、更精準的預測。

京都大學的團隊著手開發一種整合神經網路的機器學習模型。這種新的整合學習方法利用已知化合物的測量資料，預測未知材料的物理特性。

論文通訊作者田邊勝晃表示：「我們的模型僅基於化合物的組成就可以進行預測。」

研究團隊使用了近2000種半導體材料在六種不同神經網路上的測試資料。他們發現，引入條件生成對抗網路（CGAN）和訊息傳遞神經網路（MPNN），顯著提高了預測的精準度。由此產生的模型在為同一目的開發的現有模型中，達到了最高的預測精準度。

田邊勝晃還說：「整合學習模型的計算負載很輕，在普通筆記型電腦上只需幾個小時就能完成計算。而且我們可以肯定地說，這種方法能夠實現快速且高度精準的預測。」

另一方面，機器學習模型的精準度越高，其內部機制就越難以理解。儘管它們在臨時計算和預測方面很強大，但缺乏通用性和可擴充套件性，因此還需要做更多的研究。

田邊勝晃補充道：「我們也在開發其他方法，以解讀各種材料特性與能隙之間的關聯。」

儘管如此，這種整合模型已經證明，利用神經網路的整合模型在該領域很有前景，並有可能用於開發新一代半導體。