🔬 applied physics

Agentic TCAD Calibration Workflow for Oxide Semiconductor Transistors

Este artículo presenta un flujo de trabajo de calibración de TCAD agéntico que aprovecha un LLM para orquestar el refinamiento iterativo del modelo y la selección del modelo físico para transistores de semiconductores de óxido, reduciendo con éxito los errores de dispositivos en múltiples métricas y demostrando una transferencia de modelo superior a través de diversas polarizaciones y geometrías en comparación con los métodos tradicionales dependientes de expertos.

Autores originales: Gyujun Jeong, Junmo Lee, Sungwon Cho, Woohyun Hwang, Kwangyou Seo, Suhwan Lim, Wanki Kim, Daewon Ha, Rishi Ranade, Kihang Youn, Ram Cherukuri, Yiyi Wang, Asif Khan, Shimeng Yu

Publicado 2026-09-14

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Gyujun Jeong, Junmo Lee, Sungwon Cho, Woohyun Hwang, Kwangyou Seo, Suhwan Lim, Wanki Kim, Daewon Ha, Rishi Ranade, Kihang Youn, Ram Cherukuri, Yiyi Wang, Asif Khan, Shimeng Yu

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo de la electrónica moderna, el chip de silicio ha sido durante mucho tiempo el rey indiscutible, pero los ingenieros buscan cada vez más nuevos materiales para construir la próxima generación de dispositivos. Entre estos contendientes se encuentran los transistores fabricados con semiconductores de óxido, una clase de materiales que pueden procesarse a temperaturas más bajas e integrarse en las complejas capas de los chips informáticos avanzados. Estos dispositivos son cruciales para todo, desde la memoria de nuestros teléfonos hasta los convertidores de potencia en los vehículos eléctricos. Sin embargo, predecir cómo se comportarán estos nuevos materiales antes de ser construidos es una tarea notoriamente difícil. Los científicos utilizan sofisticadas simulaciones por computadora para modelar estos dispositivos, pero hacer coincidir la simulación con el mundo real es como intentar sintonizar una radio en medio de una tormenta: hay muchas configuraciones diferentes que podrían producir una señal clara, pero solo un conjunto de configuraciones refleja la física real del material. Sin una coincidencia precisa, los ingenieros no pueden diseñar de manera fiable los circuitos del futuro que impulsarán nuestra tecnología.

Un equipo de investigadores ha presentado ahora una nueva forma de resolver este problema de sintonización, alejándose de las lentas conjeturas manuales hacia un proceso automatizado e inteligente. En un estudio reciente, demostraron un flujo de trabajo donde un agente de inteligencia artificial actúa como guía, ayudando a calibrar un modelo computacional de un tipo específico de transistor fabricado con indio, tungsteno y oxígeno. El objetivo era tomar las mediciones eléctricas brutas de un dispositivo físico y encontrar el conjunto exacto de reglas y números dentro de la simulación que reproducirían esas mediciones perfectamente. Los investigadores descubrieron que, al dejar que el agente de IA analizara las diferencias entre el dispositivo real y la simulación, este podía sugerir cambios al modelo de manera sistemática. Tras solo cinco rondas de estas sugerencias inteligentes, la simulación se convirtió en una representación altamente precisa del dispositivo real, reduciendo el error entre ambos en más de catorce veces.

El proceso comenzó con un transistor físico que ya había sido construido y medido en un laboratorio. Los investigadores introdujeron los datos eléctricos de este dispositivo en un programa informático diseñado para simular cómo debería funcionar el transistor. Inicialmente, la simulación no coincidía bien con los datos reales; las curvas que representan el flujo de electricidad estaban en los lugares equivocados. En lugar de que un experto humano pasara horas ajustando manualmente docenas de variables, un agente de IA tomó el control. Este agente actuó como un director de proyecto, comparando constantemente los resultados de la simulación con las mediciones reales. Cuando detectaba un desajuste, no se limitaba a adivinar un número para arreglarlo. En su lugar, consultaba una vasta biblioteca de manuales técnicos y literatura científica para comprender qué fenómeno físico podría estar causando el error.

Si el desajuste sugería que el dispositivo no se encendía en el voltaje adecuado, el agente podría sugerir ajustar la función de trabajo, una propiedad que describe la facilidad con la que los electrones pueden abandonar un material. Si el desajuste aparecía en la forma en que la corriente se filtraba cuando el dispositivo debía estar apagado, el agente podría proponer la adición de un nuevo modelo físico para dar cuenta de las cargas atrapadas o de estados de energía específicos dentro del material. Crucialmente, el agente solo aceptaba los cambios que realmente mejoraban la coincidencia. Si un ajuste sugerido empeoraba la simulación o no lograba converger, el agente lo descartaba y probaba un camino diferente. Este ciclo de medir, comparar, consultar y ajustar continuó hasta que la simulación y los datos del mundo real se alinearon.

Los resultados de esta calibración automatizada fueron sorprendentes. El modelo final, que fue construido utilizando datos de un dispositivo con una composición química específica, fue capaz de predecir el comportamiento de ese mismo dispositivo bajo una amplia variedad de condiciones sin necesidad de ser reajustado. Cuando los investigadores probaron el modelo con diferentes voltajes eléctricos e incluso con un transistor que era el doble de largo que el original, la simulación mantuvo su precisión. El error al predecir el voltaje al que el dispositivo se enciende fue inferior a 46,2 mV, y el error al predecir el flujo de corriente fue inferior a 0,062 décadas. Esto demostró que el modelo había aprendido la física subyacente del dispositivo en lugar de simplemente memorizar un conjunto de números.

El estudio también reveló cómo el modelo podría utilizarse para comprender el propio proceso de fabricación. Los investigadores probaron un segundo dispositivo fabricado con una mezcla química ligeramente distinta, que contenía más tungsteno. El agente de IA recalibró con éxito el modelo para este nuevo dispositivo, identificando que el cambio en la química afectaba principalmente a la densidad de los portadores de carga dentro del material. Esto proporcionó un vínculo cuantitativo claro entre la receta de fabricación y el rendimiento eléctrico, ofreciendo conocimientos que podrían ayudar a los ingenieros a optimizar el proceso de producción en el futuro.

Este trabajo demuestra que la inteligencia artificial puede servir como una poderosa compañera en el desarrollo de nuevos materiales electrónicos, convirtiendo un proceso que antes requería una intuición profunda y especializada en un flujo de trabajo más sistemático y rápido. Al combinar el rigor físico de la simulación tradicional con el razonamiento adaptativo de un agente de IA, los investigadores han creado un camino hacia el diseño más fiable y eficiente de la próxima generación de dispositivos semiconductores. El enfoque no reemplaza la experiencia humana, sino que la amplifica, permitiendo que los ingenieros se concentren en el panorama general mientras el agente se encarga de la compleja e iterativa tarea de encontrar la coincidencia perfecta entre la teoría y la realidad.

Resumen Técnico: Flujo de Trabajo de Calibración de TCAD Agéntico para Transistores de Semiconductores de Óxido

Planteamiento del Problema
La calibración de la Tecnología de Diseño Asistida por Computadora (TCAD) experimental es un cuello de botella crítico en el modelado predictivo de tecnología para transistores emergentes de semiconductores de óxido. El proceso es tradicionalmente lento y depende fuertemente de la intuición de un experto porque constituye un problema inverso no trivial. Un desafío principal es la "ambigüedad del modelo": múltiples combinaciones de modelos físicos y conjuntos de parámetros pueden reproducir las mismas características de transferencia medidas, sin embargo, un ajuste de parámetros local por sí solo no logra identificar de manera única la física subyacente del dispositivo ni garantizar la generalización del modelo. Los estudios de TCAD asistidos por IA/ML existentes suelen operar dentro de espacios de física o diseño predefinidos, careciendo de la capacidad de seleccionar autónomamente modelos físicos o proporcionar información basada en los residuos de los datos experimentales.

Metodología
Los autores presentan un flujo de trabajo de calibración de TCAD agéntico diseñado para automatizar la selección de modelos físicos y el ajuste de parámetros para un transistor de In–W–O de puerta inferior (BG-IWO) fabricado. El flujo de trabajo integra cuatro componentes clave orquestados por un agente de Modelo de Lenguaje de Gran Escala (LLM):

Generación Aumentada por Recuperación (RAG): El agente consulta una base de conocimientos (KB) que contiene la Guía de Usuario de Sentaurus Device y literatura de dispositivos revisada para identificar modelos físicos candidatos consistentes con los residuos de la medición-TCAD observados.
Bucle Guiado por Residuos: El sistema compara las curvas de transferencia medidas con los resultados actuales de TCAD para extraer residuos y métricas del dispositivo. Determina si la siguiente acción requiere ajustar un parámetro existente o activar un modelo físico adicional.
Optimización Acotada:
- Ajuste de Parámetros: Para los parámetros existentes, el flujo de trabajo utiliza sondas de un factor a la vez (OFAT) para estimar la sensibilidad local, seguidas de actualizaciones de Gauss–Newton libres de derivadas (DFO-GN) para calcular cambios de parámetros acotados que minimicen una función objetivo multimétrica ( $J$ ).
- Activación de Modelos: Si persisten discrepancias sistemáticas después de agotar los límites de los parámetros, el agente propone nuevos modelos físicos (por ejemplo, modelos de densidad de estados de cola o gaussianos) basados en la evidencia de RAG.
Validación con Intervención Humana (Human-in-the-Loop): Un revisor humano define las restricciones del flujo de trabajo (Habilidades del Agente), aprueba las modificaciones de los decks y verifica la validez física de las actualizaciones propuestas. El LLM actúa como el orquestador, mientras que Sentaurus TCAD resuelve las ecuaciones del dispositivo.

Las actualizaciones se aceptan solo si la ejecución de Sentaurus converge y reduce la función objetivo multimétrica $J$ , la cual agrega errores en corriente logarítmica/lineal, voltaje de umbral ( $V_{th}$ ), corriente de encendido ( $I_{on}$ ) y pendiente de subumbral ( $SS$ ).

Contribuciones Clave

Primera Demostración Experimental: Este trabajo presenta la primera demostración experimental de un flujo de trabajo de calibración de TCAD agéntico aplicado a un dispositivo de semiconductor de óxido fabricado.
Selección Activa de Modelos Físicos: A diferencia de los trabajos previos que ajustan parámetros dentro de un modelo fijo, este flujo de trabajo selecciona y activa activamente modelos físicos (por ejemplo, términos de DOS) basados en el análisis de residuos y la recuperación de literatura.
Información Sensible al Proceso: El flujo de trabajo logra diferenciar entre descriptores efectivos para la calibración (por ejemplo, función de trabajo efectiva, densidad de fondo tipo donante efectiva) y cantidades físicas microscópicas, proporcionando un diagnóstico inverso a nivel de modelo para las variaciones del proceso.

Resultados
El flujo de trabajo se aplicó a un dispositivo BG-IWO de referencia con 2%-W ( $L=1 \mu m$ ) calibrado contra curvas de transferencia a sesgos de drenaje de 50 mV y 1 V.

Eficiencia de Calibración: Cinco actualizaciones sugeridas por el agente redujeron la función objetivo multimétrica del dispositivo $J$ en 14.3× (de 2.589 a 0.181).
Transferibilidad del Modelo: El modelo calibrado fijo se probó sin reajuste ante variaciones de sesgo de drenaje (0.05–1.0 V) y variaciones de longitud de canal ( $L=2 \mu m$ $L = 2 μ m$ ).
- Pruebas de sesgo de drenaje: Los errores máximos fueron de 36.1 mV para $V_{th}$ y 0.022 décadas para $I_{on}$ .
- Pruebas de longitud de canal: Los errores máximos fueron de 46.2 mV para $V_{th}$ y 0.062 décadas para $I_{on}$ .
Sensibilidad al Proceso: Una recalibración separada para un dispositivo de 4%-W reveló que el cambio de composición afectó principalmente a la densidad de fondo tipo donante efectiva ( $N_{D,eff}$ ) y a la electrostática de la puerta, lo cual es consistente con estudios previos sobre el enlace dopante–oxígeno.

Significancia y Reivindicaciones
El artículo afirma que este flujo de trabajo agéntico proporciona una ruta más rápida hacia el desarrollo de modelos para tecnologías de dispositivos emergentes al reducir el esfuerzo de búsqueda activa y la ambigüedad de modelo/parámetro. Los autores enfatizan que el flujo de trabajo produce un modelo calibrado fijo capaz de generalizarse a través de sesgos y geometrías, en lugar de simplemente lograr un ajuste de parámetros local. Al integrar RAG, la ejecución de TCAD en vivo y la toma de decisiones guiada por residuos, el marco ofrece información física y de proceso que puede guiar estudios de TCAD posteriores y la optimización de procesos. Los autores señalan que la metodología es extensible a la búsqueda de caminos para otras tecnologías de dispositivos emergentes, permitiendo un ciclo iterativo rápido entre la generación de modelos y la optimización de procesos.

Más como este