级联PINN建模SrTiO3/Si忆阻器，避开条件数超10^16的数值刚性问题
arXiv预印本提出级联物理信息神经网络与切比雪夫谱优化器，在20 nm SrTiO3薄膜上复现导电AFM电流-电压滞回，R²>0.96。
AI解读：这项研究解决的是用物理信息神经网络（PINN）模拟氧化物忆阻器时遇到的数值刚性问题：SrTiO3/Si异质结构中，薄膜仅20纳米而硅衬底厚380微米，尺度差异悬殊，导致标准PINN难以收敛。研究者把待求解的电位、载流子浓度和氧空位输运拆成四个依次训练的子网络，配合自研的二阶切比雪夫谱优化器，绕开了条件数超过10^16的困境，无需算子分裂。结果是模拟与实验导电AFM测得的电流-电压滞回曲线高度吻合（R²>0.96），且严格满足泊松方程。对做器件仿真的人，这套方法相比COMSOL等有限元工具，优势在于支持可微分的逆参数估计——即从实验数据反推材料参数——并且推理时间是线性的。不过这只是预印本，尚未经过同行评审，且论文是跨库收录（cond-mat + cs.LG），实际工程落地还需验证其在更复杂器件结构上的泛化能力。普通读者无需立即行动，这项进展主要面向计算材料与器件建模领域。
arXiv预印本（编号2609.02966）提出一种级联物理信息神经网络（PINN）架构，用于模拟Pt/SrTiO3/Si忆阻异质结构中的离子-电子漂移扩散输运。该模型将势、载流子浓度和空位输运分解为四个依次训练的子网络，避开条件数超过10^16的数值刚性问题，无需算子分裂；在20 nm SrTiO3薄膜和380 μm硅衬底的结构上，复现实验导电AFM电流-电压滞回，R²>0.96，并保证连续空间的严格泊松一致性。
方法：级联子网络与切比雪夫谱优化器
研究来自Rodion Podorozhny、Nikoleta Theodoropoulou和Jelena Tešić（arXiv编号2609.02966，2026年9月2日提交）。作者称，标准PINN难以处理氧化物异质结构固有的严重数值刚性和多尺度空间差异。
为此，他们采用级联PINN架构，并配以自研的“二阶切比雪夫第二类多项式谱优化器（DSO V2 Hybrid）”。模型将待求解的电位、载流子密度和空位输运隔离到四个顺序训练的子神经网络中，从而绕开条件数超过10^16的极端病态问题。
结果与对比
训练后的代理模型复现了实验导电AFM测得的电流-电压滞回曲线，决定系数R²大于0.96，并在连续空间上保证严格的泊松一致性。
与COMSOL等传统有限元求解器相比，作者指出该PINN代理模型支持可微分的逆参数估计，且推理时间呈线性（linear time inference）。
论文归类于Materials Science (cond-mat.mtrl-sci) 和Machine Learning (cs.LG)，属于跨学科预印本，尚未经过同行评审。