当前位置：首页 > news >正文

物理信息神经网络驱动的阻变存储器参数反演：从时序电压响应中精准提取二氧化钛ReRAM物理参数（Python）

news 2026/4/27 4:50:20

提出算法采用物理信息神经网络框架，从时序电压激励下的电阻响应数据中自动提取二氧化钛阻变存储器模型的九个关键物理参数。神经网络以归一化后的时间和电压为输入，输出器件的即时电阻值，同时将描述电阻变化速率的常微分方程嵌入损失函数，迫使网络输出满足物理规律。通过同时优化网络权重与可训练的物理参数，算法在拟合合成数据的同时，使模型能够恢复出包括正负向开关灵敏度、阈值电压、电阻边界系数及初始电阻在内的全部参数。训练完成后，提取的参数与预设真值高度吻合，验证了物理信息神经网络在阻变存储器参数反演中的有效性。

算法步骤

定义物理模型：明确目标器件的电阻变化率微分方程，确定九个待提取的物理参数，包括正负电压下的开关灵敏度、阈值电压、电阻上下界的截距与斜率以及初始电阻。

生成合成数据：利用已知的“真实”参数和微分方程的解析解，在交替变幅电压脉冲序列下，数值模拟器件的电阻随时间演化轨迹，并添加高斯噪声以模拟真实实验环境。

构建神经网络架构：搭建多层感知机，输入为归一化的时间和电压，输出为归一化的电阻值。隐藏层采用双曲正切激活函数，输出层经反归一化得到物理电阻值。同时将九个物理参数定义为可训练的张量，参与梯度更新。

设计复合损失函数：损失函数由数据项和物理项加权构成。数据项计算预测电阻与合成电阻的均方误差；物理项利用自动微分计算预测电阻对时间的导数，并与模型给出的理论电阻变化率做残差，强制网络输出满足微分方程。

训练与优化：使用自适应矩估计优化器，配合学习率递减策略，对网络权重和物理参数进行联合更新。每轮迭代中批量计算损失，反向传播后裁剪梯度，防止梯度爆炸。训练持续两万五千轮，并记录损失和参数演变过程。

参数提取与评估：训练结束后，读取九个可训练参数的最终值，与生成数据时使用的真值进行对比，计算相对误差。同时绘制损失曲线、参数演化图、预测与真实电阻的拟合图以及物理残差分布图，全面评估模型性能。

class PINN(nn.Module): """ 物理信息神经网络，包含： - 一个前馈网络 self.net，输入(t,v)输出归一化电阻 - 九个可训练的物理参数 - 前向方法将归一化输出还原为实际电阻 - 辅助方法计算正负电压下的物理函数 s(v), r(v), f(R,v), m(R,v) - physics_loss 方法计算微分方程残差 """ def __init__(self, R_min=1000.0, R_max=7000.0, dRdt_scale=1.0e4, t_min_norm=0.0, t_range_norm=1.0, v_min_norm=0.0, v_range_norm=1.0): super(PINN, self).__init__() # 神经网络：2个输入(t,v) -> 1个输出(归一化电阻) self.net = nn.Sequential( nn.Linear(2, 128), nn.Tanh(), nn.Linear(128, 128), nn.Tanh(), nn.Linear(128, 64), nn.Tanh(), nn.Linear(64, 1), nn.Sigmoid() # 输出在[0,1]之间，便于反归一化 ) # 九个可训练的物理参数（初始值略微偏离真实目标，用于演示学习过程） self.A_p = nn.Parameter(torch.tensor(0.011)) # 正压开关灵敏度 [s⁻¹Ω⁻¹] self.t_p = nn.Parameter(torch.tensor(2.00)) # 正压阈值电压 [V] self.a_1p = nn.Parameter(torch.tensor(4300.0)) # 正压电阻斜率 [Ω/V] self.a_0p = nn.Parameter(torch.tensor(65.61)) # 正压电阻截距 [Ω] self.A_n = nn.Parameter(torch.tensor(-0.58)) # 负压开关灵敏度 [s⁻¹Ω⁻¹] self.t_n = nn.Parameter(torch.tensor(2.00)) # 负压阈值电压 [V] self.a_0n = nn.Parameter(torch.tensor(6000.0)) # 负压电阻截距 [Ω] self.a_1n = nn.Parameter(torch.tensor(1200.0)) # 负压电阻斜率 [Ω/V] self.R_0 = nn.Parameter(torch.tensor(4513.0)) # 初始电阻 [Ω] # 数据归一化参数（用于反归一化） self.R_min = R_min self.R_max = R_max self.dRdt_scale = dRdt_scale # 物理残差缩放因子，平衡损失项 self.t_min_norm = t_min_norm self.t_range_norm = t_range_norm self.v_min_norm = v_min_norm self.v_range_norm = v_range_norm def forward(self, inputs_normalized): """ 前向传播：输入归一化的 (t,v) → 输出实际电阻 R """ R_normalized = self.net(inputs_normalized) # 网络输出 [0,1] return self.R_min + R_normalized * (self.R_max - self.R_min) # ---------- 正电压下的物理函数 ---------- def s_p(self, v): """正压开关灵敏度 s_p(v) = A_p * (exp(|v|/t_p) - 1)""" v_tensor = torch.as_tensor(v, dtype=torch.float32, device=self.A_p.device) t_p_safe = torch.where(torch.abs(self.t_p) > 1e-9, self.t_p, torch.sign(self.t_p) * 1e-9 if torch.abs(self.t_p) > 0 else 1e-9) return self.A_p * (-1 + torch.exp(torch.abs(v_tensor) / t_p_safe)) def r_p(self, v): """正压阈值电阻 r_p(v) = a_0p + a_1p * v，并限制在 [R_min, R_max]""" v_tensor = torch.as_tensor(v, dtype=torch.float32, device=self.a_0p.device) r = self.a_0p + self.a_1p * v_tensor return torch.clamp(r, self.R_min, self.R_max) def f_p(self, R, v): """正压窗口函数 (r_p(v) - R)²""" R_tensor = torch.as_tensor(R, dtype=torch.float32, device=self.a_0p.device) r_v = self.r_p(v) return (r_v - R_tensor) ** 2 def m_p_calc(self, R, v): """正压下的电阻变化率 m_p(R,v) = s_p(v) * f_p(R,v)""" return self.s_p(v) * self.f_p(R, v) # ---------- 负电压下的物理函数 ---------- def s_n(self, v): """负压开关灵敏度 s_n(v) = A_n * (exp(|v|/t_n) - 1)""" v_tensor = torch.as_tensor(v, dtype=torch.float32, device=self.A_n.device) t_n_safe = torch.where(torch.abs(self.t_n) > 1e-9, self.t_n, torch.sign(self.t_n) * 1e-9 if torch.abs(self.t_n) > 0 else 1e-9) return self.A_n * (-1 + torch.exp(torch.abs(v_tensor) / t_n_safe)) def r_n(self, v): """负压阈值电阻 r_n(v) = a_0n + a_1n * v，并限制在 [R_min, R_max]""" v_tensor = torch.as_tensor(v, dtype=torch.float32, device=self.a_0n.device) r = self.a_0n + self.a_1n * v_tensor return torch.clamp(r, self.R_min, self.R_max) def f_n(self, R, v): """负压窗口函数 (R - r_n(v))²""" R_tensor = torch.as_tensor(R, dtype=torch.float32, device=self.a_0n.device) r_v = self.r_n(v) return (R_tensor - r_v) ** 2