Title (eng)
Uncertainty quantification with applications in nanotechnology
Parallel title (deu)
Quantifizierung von Unsicherheiten mit Anwendungen in Nanotechnologie
Author
Amirreza Khodadadian
Advisor
Clemens Heitzinger
Assessor
Luca Selmi
Christian Ringhofer
Abstract (deu)
In den letzten Jahren haben nanotechnologische Vorrichtungen, z.B. Silizium-Nanodraht-Sensoren, Feldeffekttransistoren sowie Nanoporen, auf natürliche Weise zu Mehrskalenproblemen geführt.
Experimentell wurde gezeigt, dass Silizium-Nanodrahtsensoren winzige Konzentrationen von Biomolekülen wie DNA-Oligomeren, Tumormarkern, toxischen Gasmolekülen wie Kohlenmonoxid und die Diffusion von Ionen durch Transmembranproteine detektieren können. Feldeffekttransistoren (FETs) sind zu einem weit verbreiteten Bauteil in der Elektronikindustrie geworden. Diese Bauteile basieren auf modernsten Technologien und sind zugleich ein interessantes Modellsystem für stochastische PDEs.
Verschiedene Quellen von Rauschen
und Schwankungen werden hier in die Modellgleichungen inkludiert. Die Dotierung von Halbleitern is inhärent zufällig und führt zu einer zufälligen Anzahl von Verunreinigungsatomen, die an zufälligen Positionen platziert werden und von denen
sich die Ladungskonzentrationen und Mobilität an den Standorten ändert. Die hier entwickelten Simulationswerkzeuge sind allgemein genug, um viele Situationen mit einzuschließen, wo der Ladungstransport in einer zufälligen Umgebung auftritt. Diese Effekte aufgrund der zufälligen Lage von Dotierstoffen sind von zunehmender Bedeutung, da
die Geräte in die Nanometer-Skala geschrumpft sind und Milliarden von ihnen trotz der
unvermeidlicher Prozessvariationen zusammen arbeiten müssen. In Feldeffektsensoren binden Zielmoleküle an
zufällig platzierte Rezeptormolekülen in einem stochastischen Prozess, so dass der Detektionsmechanismus auch inhärent stochastisch ist.
Die Brownsche Bewegung der Zielmoleküle führt auch zu Änderungen der Ladungskonzentration und der Permittivität.
Die Zufälligkeit an der Sensoroberfläche breitet sich durch die selbstkonsistenten Transportgleichungen aus und führt schließlich zum Rauschen
im Sensorausgang.
Diese Überlegungen motivieren die Entwicklung fortgeschrittener stochastischer numerischer Methoden, um die Unsicherheit in nanoelektronischen Geräten zu modellieren.
Wir addressieren die numerische Herausforderung durch Verwendung von
State-of-the-Art-Methoden, wie z.B., der Multi-Level Monte-Carlo-Methode (MLMC) und verbessern sie
indem wir die Diskretisierungsparameter im numerischen Ansatz so bestimmen, dass die Rechenarbeit für einen vorgeschriebenen Gesamtfehler minimiert wird.
Auf diese Weise werden die verschiedenen Fehlerquellen optimal ausgeglichen.
Abstract (eng)
In recent years, nanoscale devices such as silicon nanowire sensors, field-effect transistors (FETs), and nanopores have been promising devices in medicine and engineering.
Silicon nanowire sensors have been used to detect minute concentrations of biomolecules
e.g., DNA oligomers, tumor markers, toxic gases and diffusion of ions through transmembrane proteins. FETs have become a very widely used device within the electronics
industry. These devices are cutting-edge technologies and, at the same time, an interesting model system for stochastic partial differential equations (PDEs).
Various sources of noise and fluctuations are included in the model equations here.
Doping of semiconductor devices is inherently random and results in a random number of impurity atoms placed at random positions. These effects due to the random location of dopants are of increasing importance, as the devices have been shrunk into the nanometer scale and billions of them are required to work together despite the unavoidable process variations. In field-effect sensors, target molecules bind to randomly placed probe molecules in a stochastic process so that the detection mechanism is inherently stochastic. The Brownian motion of the target molecules also results in changes in charge concentration and permittivity which propagates through the self-consistent transport equations and finally results in noise in the sensor output.
These considerations motivate the development of advanced stochastic numerical methods to model the uncertainty in nanoelectronic devices. We develop stochastic drift-diffusion-Poisson system of equation to model the effect of randomness on charge transport. To that end, existence and local-uniqueness theorems for weak solutions of the are presented and for the stochastic PDE an efficient computational technique (Scharfetter-Gummel iteration) is used to solve it. In order to calculate the ionic currents through various transmembrane proteins a transport equation for confined structures is employed.
The computational significance of this continuum model is that the (6 + 1)-dimensional Boltzmann equation is reduced to a (2 + 1)-dimensional diffusion-type equation and ionic currents through confined structures can be calculated immediately.
We address the numerical challenge by using state-of-the-art methods, such as multilevel Monte Carlo method, and improve on it by determining the discretization parameters in the numerical approach such that the computational work is minimized for a prescribed total error. In this way, the various sources of error are balanced optimally. To further improve the computational efficiency, a randomized low-discrepancy sequence such as a randomly shifted rank-1 lattice are applied.
Keywords (eng)
Uncertainty quantificationNanotechnologyStochastic partial differential equationsMonte Carlo methodmultilevel Monte Carlodrift-diffusion-Poisson equationmathematical modelingscientific computingfield-effect transistordiscretization error
Keywords (deu)
Quantifizierung von UnsicherheitenNanotechnologieStochastische partielle DifferentialgleichungenMonte-Carlo-MethodeMulti-level Monte-CarloDrift-Diffusions-Poisson-GleichungMathematische ModellierungWissenschaftliches rechnenFeldeffekttransistorDiskretisierungsfehler
Subject (deu)
Type (deu)
Persistent identifier
https://phaidra.univie.ac.at/o:1339875
rdau:P60550 (deu)
vi, 145 Seiten : Illustrationen, Diagramme
Number of pages
170
Association (deu)
Title (eng)
Uncertainty quantification with applications in nanotechnology
Parallel title (deu)
Quantifizierung von Unsicherheiten mit Anwendungen in Nanotechnologie
Author
Amirreza Khodadadian
Abstract (deu)
In den letzten Jahren haben nanotechnologische Vorrichtungen, z.B. Silizium-Nanodraht-Sensoren, Feldeffekttransistoren sowie Nanoporen, auf natürliche Weise zu Mehrskalenproblemen geführt.
Experimentell wurde gezeigt, dass Silizium-Nanodrahtsensoren winzige Konzentrationen von Biomolekülen wie DNA-Oligomeren, Tumormarkern, toxischen Gasmolekülen wie Kohlenmonoxid und die Diffusion von Ionen durch Transmembranproteine detektieren können. Feldeffekttransistoren (FETs) sind zu einem weit verbreiteten Bauteil in der Elektronikindustrie geworden. Diese Bauteile basieren auf modernsten Technologien und sind zugleich ein interessantes Modellsystem für stochastische PDEs.
Verschiedene Quellen von Rauschen
und Schwankungen werden hier in die Modellgleichungen inkludiert. Die Dotierung von Halbleitern is inhärent zufällig und führt zu einer zufälligen Anzahl von Verunreinigungsatomen, die an zufälligen Positionen platziert werden und von denen
sich die Ladungskonzentrationen und Mobilität an den Standorten ändert. Die hier entwickelten Simulationswerkzeuge sind allgemein genug, um viele Situationen mit einzuschließen, wo der Ladungstransport in einer zufälligen Umgebung auftritt. Diese Effekte aufgrund der zufälligen Lage von Dotierstoffen sind von zunehmender Bedeutung, da
die Geräte in die Nanometer-Skala geschrumpft sind und Milliarden von ihnen trotz der
unvermeidlicher Prozessvariationen zusammen arbeiten müssen. In Feldeffektsensoren binden Zielmoleküle an
zufällig platzierte Rezeptormolekülen in einem stochastischen Prozess, so dass der Detektionsmechanismus auch inhärent stochastisch ist.
Die Brownsche Bewegung der Zielmoleküle führt auch zu Änderungen der Ladungskonzentration und der Permittivität.
Die Zufälligkeit an der Sensoroberfläche breitet sich durch die selbstkonsistenten Transportgleichungen aus und führt schließlich zum Rauschen
im Sensorausgang.
Diese Überlegungen motivieren die Entwicklung fortgeschrittener stochastischer numerischer Methoden, um die Unsicherheit in nanoelektronischen Geräten zu modellieren.
Wir addressieren die numerische Herausforderung durch Verwendung von
State-of-the-Art-Methoden, wie z.B., der Multi-Level Monte-Carlo-Methode (MLMC) und verbessern sie
indem wir die Diskretisierungsparameter im numerischen Ansatz so bestimmen, dass die Rechenarbeit für einen vorgeschriebenen Gesamtfehler minimiert wird.
Auf diese Weise werden die verschiedenen Fehlerquellen optimal ausgeglichen.
Abstract (eng)
In recent years, nanoscale devices such as silicon nanowire sensors, field-effect transistors (FETs), and nanopores have been promising devices in medicine and engineering.
Silicon nanowire sensors have been used to detect minute concentrations of biomolecules
e.g., DNA oligomers, tumor markers, toxic gases and diffusion of ions through transmembrane proteins. FETs have become a very widely used device within the electronics
industry. These devices are cutting-edge technologies and, at the same time, an interesting model system for stochastic partial differential equations (PDEs).
Various sources of noise and fluctuations are included in the model equations here.
Doping of semiconductor devices is inherently random and results in a random number of impurity atoms placed at random positions. These effects due to the random location of dopants are of increasing importance, as the devices have been shrunk into the nanometer scale and billions of them are required to work together despite the unavoidable process variations. In field-effect sensors, target molecules bind to randomly placed probe molecules in a stochastic process so that the detection mechanism is inherently stochastic. The Brownian motion of the target molecules also results in changes in charge concentration and permittivity which propagates through the self-consistent transport equations and finally results in noise in the sensor output.
These considerations motivate the development of advanced stochastic numerical methods to model the uncertainty in nanoelectronic devices. We develop stochastic drift-diffusion-Poisson system of equation to model the effect of randomness on charge transport. To that end, existence and local-uniqueness theorems for weak solutions of the are presented and for the stochastic PDE an efficient computational technique (Scharfetter-Gummel iteration) is used to solve it. In order to calculate the ionic currents through various transmembrane proteins a transport equation for confined structures is employed.
The computational significance of this continuum model is that the (6 + 1)-dimensional Boltzmann equation is reduced to a (2 + 1)-dimensional diffusion-type equation and ionic currents through confined structures can be calculated immediately.
We address the numerical challenge by using state-of-the-art methods, such as multilevel Monte Carlo method, and improve on it by determining the discretization parameters in the numerical approach such that the computational work is minimized for a prescribed total error. In this way, the various sources of error are balanced optimally. To further improve the computational efficiency, a randomized low-discrepancy sequence such as a randomly shifted rank-1 lattice are applied.
Keywords (eng)
Uncertainty quantificationNanotechnologyStochastic partial differential equationsMonte Carlo methodmultilevel Monte Carlodrift-diffusion-Poisson equationmathematical modelingscientific computingfield-effect transistordiscretization error
Keywords (deu)
Quantifizierung von UnsicherheitenNanotechnologieStochastische partielle DifferentialgleichungenMonte-Carlo-MethodeMulti-level Monte-CarloDrift-Diffusions-Poisson-GleichungMathematische ModellierungWissenschaftliches rechnenFeldeffekttransistorDiskretisierungsfehler
Subject (deu)
Type (deu)
Persistent identifier
https://phaidra.univie.ac.at/o:1339876
Number of pages
170
Association (deu)
License
Citable links
Other links
Managed by
Details
Metadata
Export formats
Universitätsring 1, 1010 Wien | T
T +43-1-4277-0