Heterojunction‐Driven Stochasticity: Bi‐Heterojunction Noise‐Enhanced Negative Transconductance Transistor in Image Generation
Notice bibliographique
Résumé
Abstract Reliable true‐random number generator (TRNG) hardware demands amplified intrinsic noise and multi‐bit entropy output, which are difficult to achieve in conventional single‐device TRNG implementation. A bi‐heterojunction noise‐enhanced negative transconductance (BHN‐NTC) transistor is presented, incorporating an asymmetric PTCDI‐C13 layer into an NTC transistor. This design enhances electron injection, expanding the NTC region (19 → 27 V) and increasing negative transconductance (−0.036 µS at VGS = −11 V → −0.073 µS at VGS = −15 V) by reducing the electron injection barrier (≈2.13 eV → ≈0.41 eV). The bi‐heterojunction configuration introduces a strong correlation between noises, including trapping/detrapping and generation/recombination processes. This property enables a threefold higher entropy throughput in TRNG, achieving a 3‐bit output per sampling event. The BHN‐NTC‐driven TRNG leverages increased noise‐induced entropy to generate more diverse latent vectors, mitigating mode collapse and enabling the synthesis of high‐quality, realistic images. This significantly enhances StyleGAN2‐based image generation, improving performance metrics such as Frechet inception distance (FID) (18.7 → 8.3), kernel inception distance (KID) (0.024 → 0.009), inception score (IS) (6.5 → 9.2), and multi‐scale structural similarity (MS‐SSIM) (0.43 → 0.21). Consequently, the BHN‐NTC transistor establishes a scalable stochastic noise platform, advancing applications in secure electronics and probabilistic stochastic computing.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».