Ce掺杂Bi2Te3薄膜的分子束外延制备及其电输运性质研究
用于追踪低浓度氨的ZnS基量子点的合成与表征
喷射沉积Fe掺杂TiO2薄膜的湿敏特性
松山湖材料实验室和北京大学共同研制出4英寸无开裂高质量氮化铝单晶模板
片状增益结构提高等离激元纳米激光器效率
高增益高效率X波段AlGaN/GaN HEMT微波功率器件
新型水热法合成氧化铈纳米光催化剂
>35%效率 (AM0,1sun) 空间高效五结太阳电池
中心对称β-MA2Z4衍生的单层Janus MSiGeN4 (M = Zr和Hf):第一性原理研究
以二维GaSb为沟道材料的晶体管的量子输运模拟
官方微信
友情链接

通过卷积神经网络和多处理实现了多 I-V特征的TCAD增强机器学习框架

2021-12-10

 

机器学习是一种依靠数据驱动的技术,该技术的发展允许各领域的研究人员可以尝试更多的架构或想法,从而加速各自领域的发展。在微电子领域,机器学习算法在辅助芯片加工过程中的监控、性能预测等方面具有重要应用价值。然而,由于数据缺失,限制了机器学习在微电子领域的应用。

针对于此,清华大学集成电路学院任天令教授团队结合机器学习算法提出了一种用于器件设计及仿真的增强机器学习框架,采用TCAD仿真工具和并行计算创建了自定义数据集。通过器件的工艺参数仿真了NMOS的电学性能。以13个特征曲线作为输入数据,利用卷积神经网络模型预测了器件的栅厚、源漏和沟道的掺杂浓度,预测结果和实际值的相关系数分别为0.999、0.999和0.982。此外,采用反卷积神经网络架构对输入的特性曲线进行扩展并提取器件的特征值,通过对2000组数据进行训练,获得的模型均方误差(MSE)可以达到4e-4。

机器学习方法的引入,器件的仿真速度提升了9000倍,可以用于微纳电子器件性能的超快优化仿真,极大简化了半导体器件制造的模拟过程,从而不再需要任何昂贵的设备,对促进机器学习算法在微电子领域的应用起到了积极的作用。

图1. (a)将器件性能映射到参数的神经网络流程图;(b)器件参数的预测值与实际值的散点图;(c)用于预测不同数量训练样本参数的训练曲线图。

图2 .(a)通过机器学习算法预测NMOS器件的转移和输出曲线图;(b)栅厚、源漏和沟道的掺杂浓度固定之后器件的转移和输出曲线预测图。

Framework for TCAD augmented machine learning on multi-I–V characteristics using convolutional neural network and multiprocessing

Thomas Hirtz, Steyn Huurman, He Tian, Yi Yang, Tian-Ling Ren

J. Semicond. 2021, 42(12): 124101

doi:?10.1088/1674-4926/42/12/124101

Full Text: http://www.jos.ac.cn/article/doi/10.1088/1674-4926/42/12/124101?pageType=en

来源:第12期半导体学报中文导读

 

 

 



关于我们
下载视频观看
联系方式
通信地址

北京市海淀区清华东路甲35号(林大北路中段) 北京912信箱 (100083)

电话

010-82304210/010-82305052(传真)

E-mail

semi@semi.ac.cn

交通地图
版权所有 中国科学院半导体研究所

备案号:,京ICP备05085259-1号 京公网安备110402500052 中国科学院半导体所声明