arXiv は 2026 年 10 月 23 日、『Physics Informed Neural Networks for Solving the Drift-Diffusion Equations』と題するプレプリント論文（arXiv:2610.33133v1、機械学習 cs.LG 分類）を公開した。著者は Luke Ragan 氏ら 4 名で、投稿者は Luca Dal Negro 氏として記録されている。本論文は、半導体デバイスモデリングの中核課題であるドリフト拡散方程式を物理情報ニューラルネットワーク（PINN）で解く手法を扱っている。
ドリフト拡散方程式は現代の半導体デバイスのモデリング、設計、最適化における基礎的な構成要素である。しかし解析解が得られることはまれで、強い非線形性を示し、解は数桁にわたって変化する。このため従来は数値解法の研究が進められ、現在では多くの商用 TCAD（技術計算機支援設計）パッケージが存在する。ただしそれらはシミュレーション時間が長く、初期推定値に敏感で、メッシュ生成に依存するという制約を抱える。さらに、所望の機能特性からデバイスの設計パラメータを逆算する逆問題には適していない。
こうした課題に対処するため、著者らは高度な学習手法を用いてドリフト拡散方程式を PINN で解き、従来のシミュレーションソフトウェアに匹敵する誤差を達成するとともに、良好に振る舞う平衡状態の範囲を超えた問題にも対応できることを示した。研究では、一次元および二次元の急峻な PN 接合（abrupt PN-junction）を対象としている。この構造は、オーミック接触におけるキャリア濃度の極端な勾配と、ドーピングプロファイルの急激な不連続を含む点で数値解析上の難所となる。
提案する PINN アーキテクチャにより、すべてのバイアス条件下で全観測量について正確な結果が得られた。
さらに著者らは、PINN ソルバーを逆問題へ応用した。非ゼロの印加バイアス下で、所望の電界分布または静電ポテンシャルからドーピングプロファイルを直接復元する試みである。本研究は、非平衡条件下での逆問題を解く能力を備えた PINN ベースの半導体デバイスモデリング手法を確立するもので、マイクロエレクトロニクス研究および新規発見に貢献しうる。
論文の全文は arXiv ページから PDF、実験的 HTML 版、TeX ソースとして閲覧可能で、DOI は 10.48550/arXiv.2610.33133 である。