Agentic TCAD Calibration Workflow for Oxide Semiconductor Transistors

In der Welt der modernen Elektronik ist der Siliziumchip seit langem der unangefochtene König, doch Ingenieure suchen zunehmend nach neuen Materialien, um die nächste Generation von Geräten zu bauen. Zu diesen Anwärtern gehören Transistoren aus Oxid-Halbleitern, einer Klasse von Materialien, die bei niedrigeren Temperaturen verarbeitet und in die komplexen Schichten fortschrittlicher Computerchips integriert werden können. Diese Bauteile sind entscheidend für alles, vom Speicher in unseren Telefonen bis hin zu den Stromwandlern in Elektrofahrzeugen. Es ist jedoch eine notorisch schwierige Aufgabe, vorherzusagen, wie sich diese neuen Materialien verhalten werden, bevor sie gebaut werden. Wissenschaftler nutzen anspruchsvolle Computersimulationen, um diese Geräte zu modellieren, aber die Simulation mit der realen Welt in Einklang zu bringen, ist wie der Versuch, ein Radio in einem Sturm einzustellen: Es gibt viele verschiedene Einstellungen, die ein klares Signal erzeugen könnten, aber nur ein einziger Satz von Einstellungen spiegelt die tatsächliche Physik des Materials wider. Ohne eine präzise Übereinstimmung können Ingenieure die zukünftigen Schaltkreise, die unsere Technologie antreiben werden, nicht zuverlässig entwerfen.

Ein Forschungsteam hat nun einen neuen Weg vorgestellt, um dieses Abstimmungsproblem zu lösen, indem es sich von langsamer, manueller Raterei weg zu einem automatisierten, intelligenten Prozess bewegt. In einer kürzlich veröffentlichten Studie demonstrierten sie einen Arbeitsablauf, bei dem ein künstlicher Intelligenz-Agent als Wegweiser fungiert und dabei hilft, ein Computermodell eines spezifischen Typs von Transistor aus Indium, Wolfram und Sauerstoff zu kalibrieren. Das Ziel war es, die rohen elektrischen Messwerte eines physischen Bauteils zu nehmen und exakt jene Regeln und Zahlen innerhalb der Simulation zu finden, die diese Messwerte perfekt reproduzieren würden. Die Forscher fanden heraus, dass die KI, indem sie die Unterschiede zwischen dem realen Gerät und der Simulation analysierte, systematisch Änderungen am Modell vorschlagen konnte. Nach nur fünf Runden dieser intelligenten Vorschläge wurde die Simulation zu einer hochgenauen Darstellung des realen Bauteils, wobei der Fehler zwischen den beiden um mehr als das Vierzehnfache reduziert wurde.

Der Prozess begann mit einem physischen Transistor, der bereits gebaut und in einem Labor vermessen worden war. Die Forscher speisten die elektrischen Daten dieses Geräts in ein Computerprogramm ein, das simulieren sollte, wie der Transistor funktionieren müsste. Zu Beginn stimmte die Simulation nicht gut mit den realen Daten überein; die Kurven, die den Stromfluss repräsentieren, befanden sich an den falschen Stellen. Anstatt dass ein menschlicher Experte Stunden damit verbrachte, manuell Dutzende von Variablen anzupassen, übernahm ein KI-Agent das Kommando. Dieser Agent agierte wie ein Projektmanager, der ständig die Simulationsergebnisse mit den realen Messungen verglich. Wenn er eine Diskrepanz feststellte, rät er nicht einfach eine Zahl, um das Problem zu beheben. Stattdessen konsultierte er eine umfangreiche Bibliothek technischer Handbücher und wissenschaftlicher Literatur, um zu verstehen, welches physikalische Phänomen die Ursache für den Fehler sein könnte.

Wenn die Diskrepanz darauf hindeutete, dass das Gerät nicht bei der richtigen Spannung einschaltet, könnte der Agent vorschlagen, die Austrittsarbeit anzupassen – eine Eigenschaft, die beschreibt, wie leicht Elektronen ein Material verlassen können. Wenn die Diskrepanz in der Art und Weise auftrat, wie der Strom leckte, wenn das Gerät eigentlich ausgeschaltet sein sollte, könnte der Agent den Vorschlag machen, ein neues physikalisches Modell hinzuzufügen, um gefangene Ladungen oder spezifische Energiezustände innerhalb des Materials zu berücksichtigen. Entscheidend war, dass der Agent nur Änderungen akzeptierte, die die Übereinstimmung tatsächlich verbesserten. Wenn eine vorgeschlagene Anpassung die Simulation verschlechterte oder nicht konvergierte, verworf der Agent sie und versuchte einen anderen Weg. Dieser Zyklus aus Messen, Vergleichen, Konsultieren und Anpassen setzte sich fort, bis die Simulation und die realen Daten übereinstimmten.

Die Ergebnisse dieser automatisierten Kalibrierung waren beeindruckend. Das endgültige Modell, das unter Verwendung von Daten eines Geräts mit einer spezifischen chemischen Zusammensetzung erstellt wurde, war in der Lage, das Verhalten desselben Geräts unter einer Vielzahl von Bedingungen vorherzusagen, ohne neu kalibriert werden zu müssen. Als die Forscher das Modell mit unterschiedlichen elektrischen Spannungen testeten und sogar mit einem Transistor, der doppelt so lang war wie der ursprüngliche, blieb die Simulation genau. Der Fehler bei der Vorhersage der Spannung, bei der das Gerät einschaltet, lag bei weniger als 46,2 mV, und der Fehler bei der Vorhersage des Stromflusses betrug weniger als 0,062 Dekaden. Dies bewies, dass das Modell die zugrunde liegende Physik des Bauteils gelernt hatte und nicht bloß einen einzelnen Satz von Zahlen auswendig gelernt hatte.

Die Studie zeigte auch auf, wie das Modell verwendet werden kann, um den Herstellungsprozess selbst zu verstehen. Die Forscher testeten ein zweites Gerät, das aus einer leicht anderen chemischen Mischung bestand, die mehr Wolfram enthielt. Der KI-Agent konnte das Modell erfolgreich für dieses neue Gerät rekalibrieren und identifizierte, dass die Änderung der Chemie primlich die Ladungsträgerdichte innerhalb des Materials beeinflusste. Dies lieferte eine klare, quantitative Verbindung zwischen dem Rezept der Herstellung und der elektrischen Leistung und bot Erkenntnisse, die Ingenieuren helfen könnten, den Produktionsprozess in Zukunft zu optimieren.

Diese Arbeit zeigt, dass künstliche Intelligenz als leistungsstarker Partner in der Entwicklung neuer elektronischer Materialien dienen kann, indem sie einen Prozess, der einst tiefes, spezialisiertes Gespür erforderte, in einen systematischeren und schnelleren Arbeitsablauf verwandelt. Durch die Kombination der physikalischen Strenge traditioneller Simulation mit der adaptiven Logik eines KI-Agenten haben die Forscher einen Weg zu einem zuverlässigeren und effizienteren Design der nächsten Generation von Halbleiterbauteilen geschaffen. Der Ansatz ersetzt nicht die menschliche Expertise, sondern verstärkt sie, sodass sich Ingenieure auf das große Ganze konzentrieren können, während der Agent die komplexe, iterative Aufgabe übernimmt, die perfekte Übereinstimmung zwischen Theorie und Realität zu finden.