Deep Learning Accelerated Quantum Transport Simulations in Nanoelectronics: From Break Junctions to Field-Effect Transistors

要約

量子輸送計算はナノエレクトロニクスデバイスの理解と設計に不可欠ですが、精度と計算効率の間のトレードオフにより、実際の応用は長い間制限されてきました。
深層学習の強結合ハミルトニアン (DeePTB) アプローチと非平衡グリーン関数 (NEGF) 法を組み合わせた一般的なフレームワークを提案します。これにより、第一原理の精度を維持しながら効率的な量子輸送計算が可能になります。
我々は、2 つの代表的なアプリケーションを通じて DeePTB-NEGF フレームワークの機能を実証します。1 つはブレーク ジャンクション システムの包括的なシミュレーションで、コンダクタンス ヒストグラムは金属接触と単一分子接合の両方のケースで実験測定と良好な一致を示します。
自己一貫性のある NEGF-ポアソン計算によるカーボン ナノチューブ電界効果トランジスタのシミュレーションにより、有限バイアス条件下での静電ポテンシャルや伝達特性曲線などの重要な物理現象を捕捉します。
このフレームワークは、第一原理の精度と計算効率の間のギャップを埋め、ナノエレクトロニクスのさまざまなスケールにわたる高スループットの量子輸送シミュレーションのための強力なツールを提供します。

要約(オリジナル)

Quantum transport calculations are essential for understanding and designing nanoelectronic devices, yet the trade-off between accuracy and computational efficiency has long limited their practical applications. We present a general framework that combines the deep learning tight-binding Hamiltonian (DeePTB) approach with the non-equilibrium Green’s Function (NEGF) method, enabling efficient quantum transport calculations while maintaining first-principles accuracy. We demonstrate the capabilities of the DeePTB-NEGF framework through two representative applications: comprehensive simulation of break junction systems, where conductance histograms show good agreement with experimental measurements in both metallic contact and single-molecule junction cases; and simulation of carbon nanotube field effect transistors through self-consistent NEGF-Poisson calculations, capturing essential physics including the electrostatic potential and transfer characteristic curves under finite bias conditions. This framework bridges the gap between first-principles accuracy and computational efficiency, providing a powerful tool for high-throughput quantum transport simulations across different scales in nanoelectronics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google