🔬 applied physics

Agentic TCAD Calibration Workflow for Oxide Semiconductor Transistors

Cet article introduit un flux de travail de calibration TCAD agentique qui exploite un LLM pour orchestrer l'affinement itératif du modèle et la sélection du modèle physique pour les transistors à semi-conducteurs d'oxyde, réduisant avec succès les erreurs de dispositifs multi-métriques et démontrant une transférabilité de modèle supérieure à travers diverses tensions et géométries par rapport aux méthodes traditionnelles dépendantes d'experts.

Auteurs originaux : 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

Publié 2026-09-14

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : 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

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans le monde de l'électronique moderne, la puce de silicium est depuis longtemps le roi incontesté, mais les ingénieurs se tournent de plus en plus vers de nouveaux matériaux pour construire la prochaine génération d'appareils. Parmi ces prétendants figurent les transistors fabriqués à partir de semi-conducteurs d'oxydes, une classe de matériaux qui peuvent être traités à des températures plus basses et intégrés dans les couches complexes des puces informatiques avancées. Ces dispositages sont cruciaux pour tout, de la mémoire de nos téléphones aux convertisseurs de puissance des véhicules électriques. Cependant, prédire comment ces nouveaux matériaux se comporteront avant qu'ils ne soient construits est une tâche notoirement difficile. Les scientifiques utilisent des simulations informatiques sophistiquées pour modéliser ces dispositifs, mais faire correspondre la simulation au monde réel revient à essayer de régler une radio dans une tempête : il existe de nombreux réglages différents qui pourraient produire un signal clair, mais un seul ensemble de réglages reflète la physique réelle du matériau. Sans une correspondance précise, les ingénieurs ne peuvent pas concevoir de manière fiable les futurs circuits qui alimenteront notre technologie.

Une équipe de chercheurs a maintenant introduit une nouvelle façon de résoudre ce problème de réglage, passant d'un tâtonnement manuel et lent à un processus automatisé et intelligent. Dans une étude récente, ils ont démontré un flux de travail où un agent d'intelligence artificielle agit comme un guide, aidant à calibrer un modèle informatique d'un type spécifique de transistor fabriqué à partir d'indium, de tungstène et d'oxygène. L'objectif était de prendre les mesures électriques brutes d'un dispositif physique et de trouver l'ensemble exact de règles et de nombres à l'intérieur de la simulation qui reproduirait parfaitement ces mesures. Les chercheurs ont découvert qu'en laissant l'agent d'IA analyser les différences entre le dispositif réel et la simulation, celui-ci pouvait suggérer systématiquement des modifications au modèle. Après seulement cinq cycles de ces suggestions intelligentes, la simulation est devenue une représentation hautement précise du dispositif réel, réduisant l'erreur entre les deux de plus de quatorze fois.

Le processus a commencé avec un transistor physique qui avait déjà été construit et mesuré en laboratoire. Les chercheurs ont injecté les données électriques de ce dispositif dans un programme informatique conçu pour simuler le fonctionnement théorique du transistor. Initialement, la simulation ne correspondait pas bien aux données réelles ; les courbes représentant le flux d'électricité étaient mal positionnées. Au lieu qu'un expert humain passe des heures à ajuster manuellement des dizaines de variables, un agent d'IA a pris le relais. Cet agent agissait comme un chef de projet, comparant constamment les résultats de la simulation avec les mesures réelles. Lorsqu'il détectait un décalage, il ne se contentait pas de deviner un nombre pour le corriger. Au lieu de cela, il consultait une vaste bibliothèque de manuels techniques et de littérature scientifique pour comprendre quel phénomène physique pouvait être à l'origine de l'erreur.

Si le décalage suggérait que le dispositif ne s'activait pas à la bonne tension, l'agent pouvait suggérer d'ajuster la fonction de travail, une propriété qui décrit la facilité avec laquelle les électrons peuvent quitter un matériau. Si le décalage apparaissait dans la manière dont le courant fuyait lorsque le dispositif était censé être éteint, l'agent pouvait proposer l'ajout d'un nouveau modèle physique pour rendre compte des charges piégées ou d'états énergétiques spécifiques au sein du matériau. Crucialement, l'agent n'acceptait que les changements qui amélioraient réellement la correspondance. Si un ajustement suggéré rendait la simulation moins précise ou ne parvenait pas à converger, l'agent le rejetait et essayait une autre voie. Ce cycle de mesure, de comparaison, de consultation et d'ajustement se poursuivait jusqu'à ce que la simulation et les données du monde réel s'alignent.

Les résultats de ce calibrage automatisé ont été frappants. Le modèle final, construit à partir des données d'un dispositif ayant une composition chimique spécifique, a été capable de prédire le comportement de ce même dispositif sous une grande variété de conditions sans nécessiter de nouveau réglage. Lorsque les chercheurs ont testé le modèle avec différentes tensions électriques et même avec un transistor deux fois plus long que l'original, la simulation est restée précise. L'erreur de prédiction de la tension à laquelle le dispositif s'active était inférieure à 46,2 mV, et l'erreur de prédiction du flux de courant était inférieure à 0,062 décade. Cela a prouvé que le modèle avait appris la physique sous-jacente du dispositif plutôt que de simplement mémoriser un ensemble de chiffres.

L'étude a également révélé comment le modèle pouvait être utilisé pour comprendre le processus de fabrication lui-même. Les chercheurs ont testé un second dispositif fabriqué avec un mélange chimique légèrement différent, contenant plus de tungstène. L'agent d'IA a réussi à recalibrer le modèle pour ce nouveau dispositif, identifiant que le changement de chimie affectait principalement la densité des porteurs de charge au sein du matériau. Cela a fourni un lien quantitatif clair entre la recette de fabrication et la performance électrique, offrant des perspectives qui pourraient aider les ingénieurs à optimiser le processus de production à l'avenir.

Ce travail démontre que l'intelligence artificielle peut servir de partenaire puissant dans le développement de nouveaux matériaux électroniques, transformant un processus qui exigeait autrefois une intuition profonde et spécialisée en un flux de travail plus systématique et plus rapide. En combinant la rigueur physique de la simulation traditionnelle avec le raisonnement adaptatif d'un agent d'IA, les chercheurs ont créé une voie vers une conception plus fiable et plus efficace des prochains dispositifs semi-conducteurs. L'approche ne remplace pas l'expertise humaine mais l'amplifie, permettant aux ingénieurs de se concentrer sur la vision globale tandis que l'agent gère la tâche complexe et itérative consistant à trouver la correspondance parfaite entre la théorie et la réalité.

Résumé Technique : Flux de travail d'étalonnage TCAD agentique pour les transistors à semi-conducteurs d'oxyde

Problématique
L'étalonnage par TCAD (Technology Computer-Aided Design) expérimental constitue un goulot d'étranglement critique dans la modélisation prédictive des technologies pour les transistors émergents à semi-conducteurs d'oxyde. Le processus est traditionnellement chronophage et fortement dépendant de l'intuition de l'expert car il constitue un problème inverse non trivial. Un défi majeur est l'« ambiguïté du modèle » : plusieurs combinaations de modèles physiques et de jeux de paramètres peuvent reproduire les mêmes caractéristiques de transfert mesurées, pourtant un ajustement local de paramètres ne parvient pas à identifier de manière unique la physique sous-jacente du dispositif ou à garantir la généralisation du modèle. Les études TCAD assistées par IA/ML existantes opèrent généralement au sein d'espaces physiques ou de conception prédéfinis, manquant de la capacité de sélectionner de manière autonome des modèles physiques ou de fournir des informations basées sur les résidus expérimentaux.

Méthodologie
Les auteurs présentent un flux de travail d'étalonnage TCAD agentique conçu pour automatiser la sélection des modèles physiques et les ajustements de paramètres pour un transistor In–W–O à grille inférieure (BG-IWO) fabriqué. Le flux de travail intègre quatre composants clés orchestrés par un agent de type Grand Modèle de Langage (LLM) :

Génération augmentée par récupération (RAG) : L'agent interroge une base de connaissances (KB) contenant le guide de l'utilisateur Sentaurus Device et la littérature sur les dispositifs examinée par les pairs afin d'identifier des modèles physiques candidats cohérents avec les résidus de mesure-TCAD observés.
Boucle guidée par les résidus : Le système compare les courbes de transfert mesurées avec les résultats TCAD actuels pour extraire les résidus et les métriques du dispositif. Il détermine si la prochaine action nécessite l'ajustement d'un paramètre existant ou l'activation d'un modèle physique supplémentaire.
Optimisation bornée :
- Ajustement de paramètres : Pour les paramètres existants, le flux de travail utilise des sondes OFAT (One-Factor-At-a-Time) pour estimer la sensibilité locale, suivie de mises à jour DFO-GN (Derivative-Free Gauss–Newton) pour calculer des changements de paramètres bornés qui minimisent une fonction objectif multi-métrique ( $J$ ).
- Activation de modèles : Si des écarts systématiques persistent après l'épuisement des bornes de paramètres, l'agent propose de nouveaux modèles physiques (par exemple, des modèles de densité d'états de type Gaussienne ou de queue) basés sur les preuves issues de la RAG.
Validation par l'humain dans la boucle : Un réviseur humain définit les contraintes du flux de travail (Compétences de l'Agent), approuve les modifications de fichiers de commande (decks) et vérifie la validité physique des mises à jour proposées. Le LLM agit comme l'orchestrateur, tandis que Sentaurus TCAD résout les équations du dispositif.

Les mises à jour ne sont acceptées que si l'exécution de Sentaurus converge et réduit l'objectif multi-métrique $J$ , qui agrège les erreurs dans le courant logarithmique/linéaire, la tension de seuil ( $V_{th}$ ), le courant de passage ( $I_{on}$ ) et la pente sous le seuil ( $SS$ ).

Contributions Clés

Première démonstration expérimentale : Ce travail présente la première démonstration expérimentale d'un flux de travail d'étalonnage TCAD agentique appliqué à un dispositif à semi-conducteur d'oxyde fabriqué.
Sélection active de modèles physiques : Contrairement aux travaux antérieurs qui ajustent les paramètres au sein d'un modèle fixe, ce flux de travail sélectionne et active activement des modèles physiques (par exemple, des termes de DOS) basés sur l'analyse des résidus et la recherche documentaire.
Aperçu sensible au processus : Le flux de travail parvient à différencier les descripteurs efficaces pour l'étalonnage (par exemple, la fonction de travail effective, la densité de fond de type donneur effective) des quantités physiques microscopiques, fournissant un diagnostic inverse au niveau du modèle pour les variations de processus.

Résultats
Le flux de travail a été appliqué à un dispositif BG-IWO de référence à 2%-W ( $L=1 \mu m$ ) étalonné par rapport aux courbes de transfert à des tensions de drain de 50 mV et 1 V.

Efficacité de l'étalonnage : Cinq mises à jour suggérées par l'agent ont réduit l'objectif de dispositif multi-métrique $J$ de 14,3× (de 2,589 à 0,181).
Transférabilité du modèle : Le modèle calibré fixe a été testé sans ré-étalonnage sur des tensions de drain variables (0,05–1,0 V) et des longueurs de canal variables ( $L=2 \mu m$ $L = 2 μ m$ ).
- Tests de tension de drain : Les erreurs maximales étaient de 36,1 mV pour $V_{th}$ et 0,022 décade pour $I_{on}$ .
- Tests de longueur de canal : Les erreurs maximales étaient de 46,2 mV pour $V_{th}$ et 0,062 décade pour $I_{on}$ .
Sensibilité au processus : Un ré-étalonnage distinct pour un dispositif à 4%-W a révélé que le changement de composition affectait principalement la densité de fond de type donneur effective ( $N_{D,eff}$ ) et l'électrostatique de la grille, ce qui est cohérent avec les études antérieures sur la liaison dopant-oxygène.

Signification et Revendications
L'article affirme que ce flux de travail agentique offre une voie plus rapide vers le développement de modèles pour les technologies de dispositifs émergents en réduisant l'effort de recherche active et l'ambiguïté du modèle/paramètre. Les auteurs soulignent que le flux de travail produit un modèle calibré fixe capable de se généraliser à travers les biais et la géométrie, plutôt que de simplement atteindre un ajustement de paramètre local. En intégrant la RAG, l'exécution TCAD en direct et la prise de décision guidée par les résidus, le cadre offre des perspectives physiques et de processus qui peuvent guider les études TCAD ultérieures et l'optimisation des processus. Les auteurs notent que la méthodologie est extensible à d'autres trajectoires technologiques de dispositifs émergents, permettant une boucle itérative rapide entre la génération de modèles et l'optimisation des processus.

Articles similaires