voraussichtliche Laufzeit: 15.05.2023–14.05.2027
FWF-Elise-Richter
Projektleiterin: Leila TAGHIZADEH (E101-03-2)

Nanoelektronische Geräte haben viele reale Anwendungen, von der Medizin bis zur Cybersicherheit. Partielle Differentialgleichungen, die zur Modellierung des Ladungstransports in Geräten im Nanomaßstab verwendet werden, haben normalerweise unbekannte Parameter, die nicht berechnet oder gemessen werden können. Das anfängliche Ziel dieses Projekts, öffnet eine externe URL in einem neuen Fenster ist die Formulierung Bayesscher inverser Probleme für Nanogeräte zur Schätzung der unbekannten Modellparameter. Der Vorteil des statistischen Bayesschen Ansatzes zur Lösung inverser Probleme besteht darin, dass man davon ausgeht, dass der unbekannte Parameter, der eine unbekannte Funktion sein kann (abhängig von der räumlichen Variable), unsicher und zufällig ist, und der Bayessche Ansatz eine Wahrscheinlichkeitsverteilung der interessierenden Menge anstelle einer Einzelwertschätzung liefert. Zu diesem Zweck benötigen wir Vorwissen über die unbekannte Menge (vorherige Verteilung) und einige Mess-/Simulationsdaten (Wahrscheinlichkeitsverteilung der Daten), die unser Vorwissen aktualisieren, um die nachträgliche Wahrscheinlichkeitsverteilung der unbekannten Menge zu schätzen. Das ultimative Ziel des Projekts ist es, die Optimalität und Zuverlässigkeit beim Design von Nanogeräten durch effiziente Bayes-Algorithmen und maschinelle Lernmethoden für inverse Halbleiterprobleme zu verbessern.

Projektmitarbeiterin: Aida MOUSAVI