亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

Semi-supervised physics guided deep learning framework: An application in modeling of gallium nitride based high electron mobility transistors

人工神经网络 试验装置 深度学习 人工智能 氮化镓 试验数据 计算机科学 晶体管 一致性(知识库) 机器学习 集合(抽象数据类型) 功能(生物学) 材料科学 工程类 纳米技术 电气工程 生物 进化生物学 电压 程序设计语言 图层(电子)
作者
Shivanshu Mishra,Bipin Gaikwad,Nidhi Chaturvedi
出处
期刊:Journal of Applied Physics [American Institute of Physics]
卷期号:132 (4)
标识
DOI:10.1063/5.0087344
摘要

This research article proposes a deep learning framework that addresses two major hurdles in adopting deep learning techniques for solving physics-based problems. One is the requirement of a large data set for training the deep learning (DL) model and another is the consistency of a DL model with the physics of a phenomenon. The framework is generic that can be applied to model a phenomenon in physics if its behavior is known. A semi-supervised physics guided neural network (SPGNN) has been developed based on our framework to demonstrate the concept. SPGNN models the I–V characteristics of gallium nitride based high electron mobility transistors (GaN HEMTs). A two-stage method has been proposed to train a DL model. In the first stage, the DL model is trained via an unsupervised learning method using the analytical physics-based model of a field-effect transistor (FET) as a loss function of the DL model that incorporates the physics of the FET in the DL model. Later, the DL model is fine-tuned with a small set of experimental data in the second stage. Performance of SPGNN has been assessed on various sizes of the data set with 100, 500, 1000, 1500, and 2000 samples. SPGNN significantly reduces the training data requirement by more than 80% and provides better performance than a traditionally trained neural network (TTNN), even for the unseen test data set. SPGNN predicts 32.4% of the unseen test data with less than 1% of error and only 0.4% of the unseen test data with more than 10% of error.

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
诚心的信封完成签到 ,获得积分10
1分钟前
3分钟前
3分钟前
DoggyBadiou发布了新的文献求助10
3分钟前
LEE完成签到,获得积分10
4分钟前
5分钟前
6分钟前
6分钟前
6分钟前
6分钟前
陈媛发布了新的文献求助10
6分钟前
小柯发布了新的文献求助10
6分钟前
小柯完成签到,获得积分10
6分钟前
CipherSage应助陈媛采纳,获得10
7分钟前
kuoping完成签到,获得积分10
7分钟前
7分钟前
陈媛发布了新的文献求助10
7分钟前
8分钟前
土豪的灵竹完成签到 ,获得积分10
8分钟前
丘比特应助陈媛采纳,获得10
8分钟前
9分钟前
完美世界应助一杯茶采纳,获得10
9分钟前
oncoma完成签到 ,获得积分10
9分钟前
9分钟前
陈媛发布了新的文献求助10
9分钟前
波里舞完成签到 ,获得积分10
10分钟前
陈媛发布了新的文献求助10
10分钟前
大个应助beiwei采纳,获得10
10分钟前
11分钟前
beiwei发布了新的文献求助10
11分钟前
beiwei完成签到,获得积分10
11分钟前
fasdfkgh完成签到,获得积分10
11分钟前
12分钟前
一杯茶发布了新的文献求助10
12分钟前
谢谢你变体精灵完成签到,获得积分10
12分钟前
FashionBoy应助陈媛采纳,获得10
13分钟前
tuanheqi完成签到,获得积分0
14分钟前
14分钟前
15分钟前
陈媛发布了新的文献求助10
15分钟前
高分求助中
Ore genesis in the Zambian Copperbelt with particular reference to the northern sector of the Chambishi basin 800
Becoming: An Introduction to Jung's Concept of Individuation 600
Briefe aus Shanghai 1946‒1952 (Dokumente eines Kulturschocks) 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
Актуализированная стратиграфическая схема триасовых отложений Прикаспийского региона. Объяснительная записка 360
Project Studies: A Late Modern University Reform? 300
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3167188
求助须知:如何正确求助?哪些是违规求助? 2818678
关于积分的说明 7921848
捐赠科研通 2478428
什么是DOI,文献DOI怎么找? 1320323
科研通“疑难数据库(出版商)”最低求助积分说明 632748
版权声明 602438