用于亚百分比p-n结仿真的混合PINN-TCAD框架，并具备溢出误差量化功能

《Journal of Computational Electronics》：Hybrid PINN-TCAD framework for sub-percent p–n junction simulation with spillover error quantification

提出融合分析模型、数值方法和机器学习的p-n结模拟框架，开发混合有限差分物理信息神经网络求解器，在12种硅器件（掺杂浓度10^15-10^19 cm^-3）验证中实现0.48% RMS误差，揭示高掺杂时分析模型低估内建电势8mV导致3%电流高估，较传统TCAD加速47倍，并成功扩展至2D（50×50网格）保持12倍加速和0.62%误差，代码数据开源。

　　

摘要

我们提出了一个全面的p-n结仿真框架，该框架结合了分析模型、数值方法和机器学习技术。开发并验证了一种基于有限差分和物理信息的神经网络求解器，该求解器在12种不同掺杂浓度的硅器件上进行了测试，掺杂浓度范围从\(10^{15}\)到\(10^{19}\,\textrm{cm}^{-3}\)。这种替代模型复现了Sentaurus TCAD的计算结果，其电位误差的均方根（RMS）仅为\(0.48\%\)；同时发现，在高掺杂浓度下，分析模型系统性地低估了内建电位，最大低估幅度可达8 mV。这种误差导致预测模型中太阳能电池短路电流的估计值高出实际值\(3\%\)。与传统TCAD仿真相比，该框架的速度提升了\(47\times\)；并且无需对架构进行任何修改，即可成功应用于二维几何结构（\(50 \times 50\)网格），同时保持0.62%的RMS误差和\(12\times\)的速度提升。所有实现代码、数据集和重现脚本均根据MIT许可证公开提供。