基于图神经网络的单光子雪崩二极管同步TCAD仿真

《IEEE Transactions on Electron Devices》：Synchronous TCAD Simulation of Single-Photon Avalanche Diodes Based on Graph Neural Networks

　　

摘要：

单光子雪崩二极管（SPAD）在现代光电子检测中至关重要。然而，雪崩倍增的显著非线性和掺杂梯度界面处的电场奇异性给传统的计算机辅助设计（TCAD）模拟带来了重大挑战，导致收敛问题和高昂的计算成本，从而限制了SPAD设计优化的效率。为了解决这些挑战，本文提出了一种多层残差连接图神经网络（MLRC-GNN），用于快速准确的SPAD模拟。该模型将非均匀的模拟网格表示为图，并在深度架构中使用残差连接来有效捕捉SPAD内部的复杂多物理场耦合。通过使用校准的TCAD模拟生成了包含8250个SPAD结构的数据集用于模型训练和验证。结果表明，与TCAD相比，MLRC-GNN实现了高达480× 的加速比以及10%的收敛概率提升。该模型还获得了较高的预测准确性（R 2>0.9939），并且与标准图卷积网络（GCN）相比，将均方误差（mse）降低了约33%，同时在不同的器件几何形状和偏置条件下保持了强大的泛化能力。这种方法加速了模拟过程，能够快速识别控制光子检测概率（PDP）和暗计数率（DCR）的关键物理场，为SPAD设计和优化提供了一个高效、可扩展的框架。