Agentic TCAD Calibration Workflow for Oxide Semiconductor Transistors

आधुनिक इलेक्ट्रॉनिक्स की दुनिया में, सिलिकॉन चिप लंबे समय से निर्विवाद राजा रहा है, लेकिन इंजीनियर अगली पीढ़ी के उपकरणों के निर्माण के लिए तेजी से नई सामग्रियों की ओर देख रहे हैं। इन दावेदारों में ऑक्साइड अर्धचालकों (oxide semiconductors) से बने ट्रांजिस्टर शामिल हैं, जो सामग्रियों का एक ऐसा वर्ग है जिन्हें कम तापमान पर संसाधित किया जा सकता है और उन्नत कंप्यूटर चिप्स की जटिल परतों में एकीकृत किया जा सकता है। ये उपकरण हमारे फोन की मेमोरी से लेकर इलेक्ट्रिक वाहनों के पावर कन्वर्टर तक, हर चीज़ के लिए महत्वपूर्ण हैं। हालाँकि, इन नई सामग्रियों के निर्माण से पहले उनके व्यवहार की भविष्यवाणी करना एक अत्यंत कठिन कार्य है। वैज्ञानिक इन उपकरणों का मॉडल बनाने के लिए परिष्कृत कंप्यूटर सिमुलेशन का उपयोग करते हैं, लेकिन सिमुलेशन को वास्तविक दुनिया के साथ मिलाना एक तूफान में रेडियो ट्यून करने जैसा है: ऐसे कई अलग-अलग सेटिंग्स हो सकते हैं जो एक स्पष्ट सिग्नल उत्पन्न कर सकते हैं, लेकिन केवल एक ही सेटिंग्स का समूह वास्तविक भौतिकी को दर्शाता है। सटीक मिलान के बिना, इंजीनियर उन भविष्य के सर्किटों को विश्वसनीय रूप से डिजाइन नहीं कर सकते जो हमारी तकनीक को शक्ति देंगे।

शोधकर्ताओं की एक टीम ने अब इस ट्यूनिंग समस्या को हल करने का एक नया तरीका पेश किया है, जो धीमी, मैनुअल अनुमान लगाने की प्रक्रिया से हटकर एक स्वचालित, बुद्धिमान प्रक्रिया की ओर बढ़ रहा है। एक हालिया अध्ययन में, उन्होंने एक वर्कफ़्लो का प्रदर्शन किया जहाँ एक आर्टिफिशियल इंटेलिजेंस एजेंट एक मार्गदर्शक के रूप में कार्य करता है, जो इंडियम, टंगस्टन और ऑक्सीजन से बने एक विशिष्ट प्रकार के ट्रांजिस्टर के कंप्यूटर मॉडल को कैलिब्रेट करने में मदद करता है। लक्ष्य एक भौतिक उपकरण से कच्चे विद्युत मापों को लेना और सिमुलेशन के भीतर नियमों और संख्याओं के उस सटीक सेट को खोजना था जो उन मापों को पूरी तरह से दोहरा सके। शोधकर्ताओं ने पाया कि AI एजेंट को वास्तविक डिवाइस और सिमुलेशन के बीच के अंतर का विश्लेषण करने देने से, यह व्यवस्थित रूप से मॉडल में परिवर्तन का सुझाव दे सकता है। केवल पाँच राउंड के इन बुद्धिमान सुझावों के बाद, सिमुलेशन वास्तविक डिवाइस का एक अत्यधिक सटीक प्रतिनिधित्व बन गया, जिससे दोनों के बीच की त्रुटि चौदह गुना से अधिक कम हो गई।

प्रक्रिया की शुरुआत एक भौतिक ट्रांजिस्टर से हुई जिसे पहले ही प्रयोगशाला में बनाया और मापा जा चुका था। शोधकर्ताओं ने इस डिवाइस के इलेक्ट्रिकल डेटा को एक कंप्यूटर प्रोग्राम में डाला जो यह सिम्युलेट करने के लिए डिज़ाइन किया गया था कि ट्रांजिस्टर को कैसे काम करना चाहिए। शुरुआत में, सिमुलेशन वास्तविक डेटा से अच्छी तरह मेल नहीं खा रहा था; बिजली के प्रवाह को दर्शाने वाले कर्व (curves) गलत स्थानों पर थे। एक मानव विशेषज्ञ द्वारा दर्जनों वेरिएबल्स को मैन्युअल रूप से समायोजित करने में घंटों बिताने के बजाय, एक AI एजेंट ने कमान संभाल ली। यह एजेंट एक प्रोजेक्ट मैनेजर की तरह कार्य करता था, जो लगातार सिमुलेशन परिणामों की वास्तविक मापों के साथ तुलना करता रहता था। जब इसने कोई विसंगति देखी, तो इसने केवल संख्या का अनुमान नहीं लगाया। इसके बजाय, इसने यह समझने के लिए तकनीकी मैनुअल और वैज्ञानिक साहित्य के एक विशाल पुस्तकालय का परामर्श लिया कि कौन सी भौतिक घटना त्रुटि का कारण हो सकती है।

यदि विसंगति यह संकेत देती थी कि डिवाइस सही वोल्टेज पर चालू नहीं हो रहा है, तो एजेंट 'वर्क फंक्शन' (work function) को समायोजित करने का सुझाव दे सकता था, जो एक ऐसा गुण है जो बताता है कि इलेक्ट्रॉन कितनी आसानी से किसी सामग्री को छोड़ सकते हैं। यदि विसंगति उस तरीके में दिखाई देती थी जिससे डिवाइस के बंद होने पर करंट लीक होता था, तो एजेंट सामग्री के भीतर ट्रैप्ड चार्जेस या विशिष्ट ऊर्जा अवस्थाओं को समझाने के लिए एक नया फिजिकल मॉडल जोड़ने का प्रस्ताव दे सकता था। महत्वपूर्ण रूप से, एजेंट ने केवल उन्हीं परिवर्तनों को स्वीकार किया जिन्होंने वास्तव में मिलान में सुधार किया। यदि किसी सुझाए गए समायोजन ने सिमुलेशन को बदतर बना दिया या वह विफल रहा, तो एजेंट ने उसे त्याग दिया और एक अलग रास्ता अपनाया। मापने, तुलना करने, परामर्श करने और समायोजित करने का यह चक्र तब तक चलता रहा जब तक कि सिमुलेशन और वास्तविक दुनिया का डेटा एक समान नहीं हो गया।

इस स्वचालित अंशांकन (calibration) के परिणाम आश्चर्यजनक थे। अंतिम मॉडल, जिसे एक विशिष्ट रासायनिक संरचना वाले डिवाइस के डेटा का उपयोग करके बनाया गया था, उस समान डिवाइस के व्यवहार की विभिन्न परिस्थितियों में भविष्यवाणी करने में सक्षम था, जिसके लिए दोबारा ट्यूनिंग की आवश्यकता नहीं थी। जब शोधकर्ताओं ने मॉडल का परीक्षण विभिन्न विद्युत वोल्टेज के साथ और यहाँ तक कि मूल से दोगुने लंबे ट्रांजिस्टर के साथ किया, तो सिमुलेशन सटीक बना रहा। डिवाइस के चालू होने के वोल्टेज की भविष्यवाणी करने में त्रुटि 46.2 mV से कम थी, और करंट फ्लो की भविष्यवाणी करने में त्रुटि 0.062 डेकेड (decade) से कम थी। इसने सिद्ध किया कि मॉडल ने केवल संख्याओं के एक सेट को याद करने के बजाय डिवाइस की अंतर्निहित भौतिकी को सीख लिया था।

अध्ययन ने यह भी खुलासा किया कि मॉडल का उपयोग विनिर्माण प्रक्रिया को समझने के लिए कैसे किया जा सकता है। शोधकर्ताओं ने दूसरे डिवाइस का परीक्षण किया जिसे थोड़े अलग रासायनिक मिश्रण के साथ बनाया गया था, जिसमें अधिक टंगस्टन शामिल था। AI एजेंट ने इस नए डिवाइस के लिए मॉडल को सफलतापूर्वक पुन: अंशांकित (recalibrate) किया, यह पहचानते हुए कि रसायन विज्ञान में परिवर्तन मुख्य रूप से सामग्री के भीतर चार्ज वाहकों के घनत्व को प्रभावित करता है। इसने विनिर्माण रेसिपी और इलेक्ट्रिकल प्रदर्शन के बीच एक स्पष्ट, मात्रात्मक लिंक प्रदान किया, जो ऐसी अंतर्दृष्टि प्रदान करता है जो इंजीनियरों को भविष्य में उत्पादन प्रक्रिया को अनुकूलित करने में मदद कर सकती है।

यह कार्य प्रदर्शित करता है कि आर्टिफिशियल इंटेलिजेंस नई इलेक्ट्रॉनिक सामग्रियों के विकास में एक शक्तिशाली भागीदार के रूप में कार्य कर सकता है, जो एक ऐसी प्रक्रिया को बदल देता है जिसमें कभी गहरी, विशेषीकृत अंतर्दृष्टि की आवश्यकता होती थी, एक अधिक व्यवस्थित और तेज़ वर्कफ़्लो में। पारंपरिक सिमुलेशन की भौतिक कठोरता को AI एजेंट के अनुकूल तर्क के साथ जोड़कर, शोधकर्ताओं ने अगली पीढ़ी के सेमीकंडक्टर उपकरणों के अधिक विश्वसनीय और कुशल डिजाइन की ओर एक मार्ग बनाया है। यह दृष्टिकोण मानव विशेषज्ञता को प्रतिस्थापित नहीं करता है बल्कि इसे बढ़ाता है, जिससे इंजीनियरों को बड़े चित्र (big picture) पर ध्यान केंद्रित करने की अनुमति मिलती है जबकि एजेंट सिद्धांत और वास्तविकता के बीच पूर्ण मिलान खोजने के जटिल, पुनरावृत्ति वाले कार्य को संभालता है।