基于深度学习的智能预测技术，用于优化N2200基供体-受体共聚物有机场效应晶体管（OFETs）的电学性能

《Science China-Materials》：Deep learning-driven intelligent prediction for tailoring electrical properties of N2200-based donor-acceptor conjugated copolymer OFETs

本研究通过优化N2200基OFETs的沟道长度（150μm）、N2200/PMMA浓度比（7/100 mg/mL）及退火条件（80℃×3h），显著提升器件性能。基于719组实验数据，创新性构建CNN-PSO-BP混合模型，自主提取物理特征，实现Vth、SS等参数R2>0.9，误差较传统模型降低10%-15%，为智能器件预测提供新范式。

　　

摘要

有机场效应晶体管（OFETs）由于其低成本加工和机械适应性，在柔性电子领域具有巨大潜力。本研究通过参数优化系统性地提升了基于N2200材料的顶栅底接触型OFET的电性能，结果表明较短的通道长度（150 μm）提高了电流密度（同时实现了漏电流控制）；优化的N2200与聚甲基丙烯酸甲酯（PMMA）的浓度比（7/100 mg/mL）以及80°C、3小时的退火处理改善了晶体结构和界面性能，从而实现了稳定的电性能。关键在于，利用719个实验数据（优于现有的TCAD生成的数据集），通过卷积神经网络（CNN）、反向传播神经网络（BPNN）和随机森林（RF）模型建立了基于制造参数的性能预测方法，并通过我们创新开发的CNN-粒子群优化（PSO）-BP混合架构进一步优化了这些模型。这些模型无需预设公式即可自主提取物理特性，其中CNN在所有指标上的R2值均大于0.9（尤其是V_th的R2值为0.95，SS的R2值为0.96）。基于CNN-PSO-BP的混合架构显著降低了误差：V_th的平均绝对误差（MAE）为15.7%，均方根误差（RMSE）为14.9%；lg(I_on/I_off的MAE为10%，RMSE为9%；SS的MAE为13.5%，RMSE为9.5%；同时通过异常值拟合提高了μ_sat的稳定性。PSO在OFET性能预测中的优越性表明，机器学习驱动的框架对于智能性能预测和高效的高通量设备性能调优至关重要。

有机场效应晶体管（OFETs）由于其低成本加工和机械适应性，在柔性电子领域具有巨大潜力。本研究通过参数优化系统性地提升了基于N2200材料的顶栅底接触型OFET的电性能，结果表明较短的通道长度（150 μm）提高了电流密度（同时实现了漏电流控制）；优化的N2200与聚甲基丙烯酸甲酯（PMMA）的浓度比（7/100 mg/mL）以及80°C、3小时的退火处理改善了晶体结构和界面性能，从而实现了稳定的电性能。关键在于，利用719个实验数据（优于现有的TCAD生成的数据集），通过卷积神经网络（CNN）、反向传播神经网络（BPNN）和随机森林（RF）模型建立了基于制造参数的性能预测方法，并通过我们创新开发的CNN-粒子群优化（PSO）-BP混合架构进一步优化了这些模型。这些模型无需预设公式即可自主提取物理特性，其中CNN在所有指标上的R2值均大于0.9（尤其是V_th的R2值为0.95，SS的R2值为0.96）。基于CNN-PSO-BP的混合架构显著降低了误差：V_th的平均绝对误差（MAE）为15.7%，均方根误差（RMSE）为14.9%；lg(I_on/I_off的MAE为10%，RMSE为9%；SS的MAE为13.5%，RMSE为9.5%；同时通过异常值拟合提高了μ_sat的稳定性。PSO在OFET性能预测中的优越性表明，机器学习驱动的框架对于智能性能预测和高效的高通量设备性能调优至关重要。