Критерий оценки нейросетевой модели гетероструктурных наноэлектронных устройств для прогнозирования их электрических параметров

Работа посвящена нейросетевому подходу, который предлагается использовать для прогнозирования эксплуатационных параметров гетероструктурных наноразмерных устройств различного назначения. Его преимуществом является эффективная методика оценки весовых коэффициентов в составе обучаемой искусственной нейронной сети, что позволяет решать задачу для устройств с произвольной структурой. Обучение представляет собой сложный итерационный процесс, по окончании которого важно производить оценку работы нейросетевой модели. Поэтому после построения такой модели необходимо определить достигаемую точность, а также выявить негативные эффекты, которые могут возникнуть в процессе обучения, в частности переобучение и недообучение сети. Представлен критерий оценки качества обучения нейросетевой модели гетероструктурных наноэлектронных устройств для прогнозирования их электрических параметров. Основное преимущество данного критерия - его чувствительность к негативным эффектам, возникающим в процессе обучения, что было продемонстрированно на примере с двумя входными обучающими параметрами и подтверждено визуальным контролем 3D-поверхностей. Доказана применимость разработанного критерия при выборе нейронных сетей с произвольной архитектурой для решения конструкторских задач при проектировании полупроводниковых приборов.