Enhanced Photon Detection Probability Model for Single-Photon Avalanche Diodes in TCAD with Machine Learning
Notice bibliographique
Résumé
Accurate photon detection probability (PDP) modeling is important for the optimized design of single-photon avalanche diodes (SPADs) using modern standard CMOS technologies. To ensure a planar active region of a SPAD, the edge of the depletion region must have a lower electric field, so a lower doping concentration is needed. However, this edge effect may have a negative impact on the total PDP, especially for small-sized SPADs. In this paper, we proposed an enhanced PDP modeling process by combining the Technology Computer-Aided Design (TCAD) simulations with machine learning (ML) techniques. Using this ML-TCAD PDP model, we investigated the influence of the edge effect on the PDP of SPADs by varying the diameter of the SPADs from 1.75 μm to 8.75 μm. After generating the sample simulation data, Gaussian process regression (GPR) and deep neuron network (DNN) are applied to train the model. With the application of principal component analysis (PCA), the accuracy of the trained models was significantly improved. Overall, this ML-TCAD PDP model provides an optimized and accelerated design process for SPADs, thus saving simulation time and reducing the design iterations required in the traditional design process of SPADs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».