本發(fā)明屬于壓電半導(dǎo)體多物理場(chǎng)力學(xué)行為預(yù)測(cè)，具體涉及一種壓電半導(dǎo)體器件的多物理場(chǎng)耦合力學(xué)行為預(yù)測(cè)方法。

背景技術(shù)：

1、壓電半導(dǎo)體器件是一類(lèi)利用壓電效應(yīng)的半導(dǎo)體器件，可以將機(jī)械能轉(zhuǎn)化為電能或者將電能轉(zhuǎn)化為機(jī)械能。這些器件可用于制作光電子、電子、微電子、集成電路、芯片、存儲(chǔ)器以及微波器件等，在能源、通訊、航空航天和醫(yī)療健康等領(lǐng)域具有廣泛的應(yīng)用潛力。隨著對(duì)能源可持續(xù)性和智能化需求的增加，壓電半導(dǎo)體技術(shù)將繼續(xù)得到研究和應(yīng)用的推動(dòng)，以滿足不斷發(fā)展的市場(chǎng)需求。

2、壓電半導(dǎo)體器件往往涉及多個(gè)物理場(chǎng)的耦合，包括機(jī)械場(chǎng)、電場(chǎng)和熱場(chǎng)等。了解這些物理場(chǎng)之間的相互作用對(duì)于建立多場(chǎng)耦合計(jì)算模型至關(guān)重要。目前在求解壓電半導(dǎo)體多場(chǎng)耦合非線性問(wèn)題面臨以下困難：(1)壓電半導(dǎo)體器件同時(shí)受到電場(chǎng)、應(yīng)變場(chǎng)和溫度場(chǎng)的影響，這些場(chǎng)之間相互耦合，導(dǎo)致了復(fù)雜的物理現(xiàn)象和非線性行為；(2)壓電半導(dǎo)體器件的非線性效應(yīng)在多場(chǎng)耦合下變得更加顯著，例如幾何非線性和載流子非線性輸運(yùn)，這些非線性效應(yīng)需要復(fù)雜的數(shù)值方法進(jìn)行處理；(3)由于多場(chǎng)耦合非線性問(wèn)題的復(fù)雜性，數(shù)值模擬往往需要高精度的數(shù)值方法和大規(guī)模的計(jì)算資源，這對(duì)計(jì)算能力和算法的要求較高。傳統(tǒng)的多場(chǎng)耦合計(jì)算方法通常使用有限元分析(fea)來(lái)建立物理模型。這種方法可以描述簡(jiǎn)單的幾何形狀和物理場(chǎng)分布，但在處理屬于壓電介質(zhì)器件的壓電半導(dǎo)體器件的多物理場(chǎng)耦合、非線性和多尺度問(wèn)題時(shí)較為困難，并且基于現(xiàn)有的求解器，需要大量計(jì)算資源和時(shí)間，以至于出現(xiàn)無(wú)法求解的情況。此外有限元模型需要得到實(shí)際測(cè)試數(shù)據(jù)的驗(yàn)證，而這些數(shù)據(jù)在復(fù)雜系統(tǒng)中可能難以獲取，或者成本較高。當(dāng)物理模型和數(shù)據(jù)較為復(fù)雜時(shí)，傳統(tǒng)的物理信息神經(jīng)網(wǎng)絡(luò)(pinns)在處理高維多場(chǎng)非線性的計(jì)算中，存在計(jì)算效率和精確度不高，預(yù)測(cè)不準(zhǔn)確等問(wèn)題。因此，迫切需要一種高效的計(jì)算方法來(lái)解決壓電半導(dǎo)體多物理場(chǎng)耦合非線性力學(xué)分析問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明針對(duì)現(xiàn)有求解方法的缺陷，提供了基于網(wǎng)格化物理信息神經(jīng)網(wǎng)絡(luò)的壓電半導(dǎo)體多場(chǎng)耦合非線性力學(xué)分析方法，解決了傳統(tǒng)方法無(wú)法求解或處理壓電半導(dǎo)體復(fù)雜多物理場(chǎng)非線性的問(wèn)題。從而進(jìn)一步為實(shí)際器件的設(shè)計(jì)、優(yōu)化和應(yīng)用提供有效指導(dǎo)。

2、第一方面，本發(fā)明提供了一種壓電半導(dǎo)體器件的多物理場(chǎng)耦合力學(xué)行為預(yù)測(cè)方法，該預(yù)測(cè)方法包括以下步驟：

3、步驟一、獲取壓電半導(dǎo)體器件的試驗(yàn)或仿真數(shù)據(jù)作為數(shù)據(jù)集，數(shù)據(jù)集中數(shù)據(jù)包括壓電半導(dǎo)體的位移、電勢(shì)和電子濃度。

4、步驟二、構(gòu)造網(wǎng)格化反演全連接神經(jīng)網(wǎng)絡(luò)模型；網(wǎng)格化反演全連接神經(jīng)網(wǎng)絡(luò)模型包括多個(gè)并行的結(jié)構(gòu)相同的物理信息神經(jīng)網(wǎng)絡(luò)。物理信息神經(jīng)網(wǎng)絡(luò)包括輸入層、隱藏層和輸出層。

5、步驟三、構(gòu)建網(wǎng)格化反演全連接神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)，該損失函數(shù)包括各物理信息神經(jīng)網(wǎng)絡(luò)的物理信息誤差項(xiàng)和數(shù)據(jù)誤差項(xiàng)。使用數(shù)據(jù)集訓(xùn)練步驟二構(gòu)建出的網(wǎng)格化反演全連接神經(jīng)網(wǎng)絡(luò)模型。

6、步驟四、采集待測(cè)壓電半導(dǎo)體器件局部的位移、電勢(shì)和電子濃度，并輸入訓(xùn)練完成的網(wǎng)格化反演全連接神經(jīng)網(wǎng)絡(luò)模型中，預(yù)測(cè)壓電半導(dǎo)體器件整體的位移、電勢(shì)和電子濃度。

7、作為優(yōu)選，所述的步驟三中，每個(gè)物理信息神經(jīng)網(wǎng)絡(luò)損失函數(shù)lossk的表達(dá)式為：

8、

9、其中，為物理信息誤差項(xiàng)；為數(shù)據(jù)誤差項(xiàng)；k＝1,2,...,m；m為并行的物理信息神經(jīng)網(wǎng)絡(luò)數(shù)量。

10、整個(gè)模型的損失函數(shù)loss的表達(dá)式為：

11、

12、作為優(yōu)選，所述的物理信息誤差項(xiàng)的獲取方法如下：

13、根據(jù)壓電半導(dǎo)體控制方程、本構(gòu)方程和非線性應(yīng)變位移方程，耦合力-電-載流子三個(gè)物理場(chǎng)，構(gòu)建偏微分方程組：

14、naua(x,y,z)-q＝0

15、其中，na為參數(shù)矩陣；ua(x,y,z)為物理量矩陣；q為外載荷；a＝1,2,...,a；a為物理量矩陣類(lèi)別數(shù)。

16、根據(jù)偏微分方程組獲取物理信息誤差項(xiàng)的表達(dá)式為：

17、

18、其中，n為數(shù)據(jù)集的大??；為預(yù)測(cè)的物理量矩陣。

19、作為優(yōu)選，所述的數(shù)據(jù)誤差項(xiàng)的獲取方法為：

20、

21、其中，為實(shí)際的物理量矩陣。

22、作為優(yōu)選，所述的參數(shù)矩陣na中設(shè)有自適應(yīng)參數(shù)λ，能夠在訓(xùn)練過(guò)程中自適應(yīng)調(diào)整參數(shù)λ，使物理信息誤差項(xiàng)最小。

23、作為優(yōu)選，所述的步驟二中，每個(gè)物理信息神經(jīng)網(wǎng)絡(luò)的隱藏層數(shù)量為5層，每層神經(jīng)元的數(shù)量為50。

24、第二方面，本發(fā)明提供一種計(jì)算機(jī)設(shè)備，其包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述存儲(chǔ)器存儲(chǔ)計(jì)算機(jī)程序；所述處理器執(zhí)行前述的一種壓電半導(dǎo)體器件的多物理場(chǎng)耦合力學(xué)行為預(yù)測(cè)方法。

25、第三方面，本發(fā)明提供一種可讀存儲(chǔ)介質(zhì)，其存儲(chǔ)有計(jì)算機(jī)程序；所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)用于實(shí)現(xiàn)前述的一種壓電半導(dǎo)體器件的多物理場(chǎng)耦合力學(xué)行為預(yù)測(cè)方法。

26、本發(fā)明具有的有益效果是：

27、1、本發(fā)明通過(guò)網(wǎng)格化反演全連接神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)多物理場(chǎng)耦合力學(xué)行為，在求解壓電半導(dǎo)體多場(chǎng)耦合非線性問(wèn)題中具有顯著優(yōu)勢(shì)，該預(yù)測(cè)方法能夠通過(guò)數(shù)據(jù)驅(qū)動(dòng)方法實(shí)現(xiàn)復(fù)雜耦合關(guān)系的靈活建模，應(yīng)對(duì)非線性效應(yīng)，并實(shí)現(xiàn)高效優(yōu)化；同時(shí)，通過(guò)增加并行訓(xùn)練的物理信息神經(jīng)網(wǎng)絡(luò)，在計(jì)算問(wèn)題較復(fù)雜、計(jì)算量較大的情況下，減小模型訓(xùn)練過(guò)程中的損失函數(shù)，使訓(xùn)練出的模型能夠更快速地預(yù)測(cè)問(wèn)題的近似解，從而提高計(jì)算效率和預(yù)測(cè)的準(zhǔn)確性。

28、2、本發(fā)明通過(guò)網(wǎng)格化物理信息神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)多物理場(chǎng)耦合力學(xué)行為，為壓電半導(dǎo)體多場(chǎng)耦合非線性問(wèn)題的求解提供新的思路和工具，從大量數(shù)據(jù)中挖掘出隱藏的模式和規(guī)律；同時(shí)，本發(fā)明在訓(xùn)練模型的過(guò)程中融合了物理定律，使設(shè)計(jì)模型具有較強(qiáng)的泛化能力，能夠在缺乏數(shù)據(jù)的情況下，提高模型預(yù)測(cè)結(jié)果的精度，增強(qiáng)了本發(fā)明設(shè)計(jì)的模型的實(shí)際應(yīng)用價(jià)值。

技術(shù)特征：

1.一種壓電半導(dǎo)體器件的多物理場(chǎng)耦合力學(xué)行為預(yù)測(cè)方法，其特征在于：該預(yù)測(cè)方法包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種壓電半導(dǎo)體器件的多物理場(chǎng)耦合力學(xué)行為預(yù)測(cè)方法，其特征在于：所述的步驟一中，關(guān)鍵物理量包括：壓電半導(dǎo)體器件的位移、電勢(shì)和電子濃度。

3.根據(jù)權(quán)利要求2所述的一種壓電半導(dǎo)體器件的多物理場(chǎng)耦合力學(xué)行為預(yù)測(cè)方法，其特征在于：所述的步驟三中，每個(gè)物理信息神經(jīng)網(wǎng)絡(luò)損失函數(shù)lossk的表達(dá)式為：

4.根據(jù)權(quán)利要求3所述的一種壓電半導(dǎo)體器件的多物理場(chǎng)耦合力學(xué)行為預(yù)測(cè)方法，其特征在于：所述的物理信息誤差項(xiàng)的獲取方法如下：

5.根據(jù)權(quán)利要求3所述的一種壓電半導(dǎo)體器件的多物理場(chǎng)耦合力學(xué)行為預(yù)測(cè)方法，其特征在于：所述的數(shù)據(jù)誤差項(xiàng)的獲取方法為：

6.根據(jù)權(quán)利要求4所述的一種壓電半導(dǎo)體器件的多物理場(chǎng)耦合力學(xué)行為預(yù)測(cè)方法，其特征在于：所述的參數(shù)矩陣na中設(shè)有自適應(yīng)參數(shù)λ，能夠在訓(xùn)練過(guò)程中自適應(yīng)調(diào)整參數(shù)λ，使物理信息誤差項(xiàng)最小。

7.根據(jù)權(quán)利要求2所述的一種壓電半導(dǎo)體器件的多物理場(chǎng)耦合力學(xué)行為預(yù)測(cè)方法，其特征在于：所述的步驟二中，每個(gè)物理信息神經(jīng)網(wǎng)絡(luò)的隱藏層數(shù)量為5層，每層神經(jīng)元的數(shù)量為50。

8.一種計(jì)算機(jī)設(shè)備，其特征在于：包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述存儲(chǔ)器存儲(chǔ)計(jì)算機(jī)程序；所述處理器執(zhí)行權(quán)利要求1所述的一種壓電半導(dǎo)體器件的多物理場(chǎng)耦合力學(xué)行為預(yù)測(cè)方法。

9.一種可讀存儲(chǔ)介質(zhì)，其特征在于：存儲(chǔ)有計(jì)算機(jī)程序；所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)用于實(shí)現(xiàn)權(quán)利要求1所述的一種壓電半導(dǎo)體器件的多物理場(chǎng)耦合力學(xué)行為預(yù)測(cè)方法。

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種壓電半導(dǎo)體器件的多物理場(chǎng)耦合力學(xué)行為的預(yù)測(cè)方法，該預(yù)測(cè)方法通過(guò)網(wǎng)格化反演全連接神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)多物理場(chǎng)耦合力學(xué)行為，在求解壓電半導(dǎo)體多場(chǎng)耦合非線性問(wèn)題中具有顯著優(yōu)勢(shì)，既能夠?qū)崿F(xiàn)復(fù)雜耦合關(guān)系的靈活建模，又能應(yīng)對(duì)非線性效應(yīng)，實(shí)現(xiàn)高效優(yōu)化；同時(shí)，通過(guò)并行訓(xùn)練物理信息神經(jīng)網(wǎng)絡(luò)，在計(jì)算問(wèn)題復(fù)雜、計(jì)算量大的情況下，減小模型訓(xùn)練過(guò)程中的損失函數(shù)，使訓(xùn)練出的模型能夠更快速地預(yù)測(cè)問(wèn)題的近似解，從而提高計(jì)算效率和預(yù)測(cè)的準(zhǔn)確性。此外，該預(yù)測(cè)方法在訓(xùn)練模型的過(guò)程中融合了物理定律，使設(shè)計(jì)模型具有較強(qiáng)的泛化能力，能夠在缺乏數(shù)據(jù)的情況下，提高模型預(yù)測(cè)結(jié)果的精度，增強(qiáng)本發(fā)明設(shè)計(jì)的模型的實(shí)際應(yīng)用價(jià)值。

技術(shù)研發(fā)人員：肖爭(zhēng)光,張春利,張偉,陳偉球
受保護(hù)的技術(shù)使用者：浙江大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/11/14