🔬 applied physics

Deep Learning to Automate Parameter Extraction and Model Fitting of Two-Dimensional Transistors

Dit artikel presenteert een deep learning-framework dat de extractie van fysische parameters en model-fitting voor tweedimensionale transistoren automatiseert door gebruik te maken van een vooraf getraind neuraal netwerk om natuurkundige simulatoren te benaderen, waarbij een hoge nauwkeurigheid wordt bereikt met aanzienlijk minder trainingsvoorbeelden dan eerdere methoden.

Oorspronkelijke auteurs: Robert K. A. Bennett, Jan-Lucas Uslu, Harmon F. Gault, Asir Intisar Khan, Lauren Hoang, Tara Peña, Kathryn Neilson, Young Suh Song, Zhepeng Zhang, Andrew J. Mannix, Eric Pop

Gepubliceerd 2026-09-09

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Robert K. A. Bennett, Jan-Lucas Uslu, Harmon F. Gault, Asir Intisar Khan, Lauren Hoang, Tara Peña, Kathryn Neilson, Young Suh Song, Zhepeng Zhang, Andrew J. Mannix, Eric Pop

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

In de wereld van de moderne elektronica worden de minuscule transistoren die onze apparaten aandrijven steeds moeilijker te begrijpen. Wetenschappers kijken verder dan traditioneel silicium om nieuwe materialen te verkennen, zoals ultradunne vellen atomen die slechts één laag dik zijn. Deze tweedimensionale materialen bieden grote belofte voor snellere, efficiëntere elektronica, maar ze gedragen zich op complexe manieren die moeilijk te voorspellen zijn. Om deze nieuwe materialen werkend te krijgen, moeten onderzoekers meten hoe elektriciteit doorheen stroomt en vervolgens terugwerken om de verborgen fysieke eigenschappen binnenin te achterhalen, zoals hoe gemakkelijk elektronen bewegen of hoe hoog de energiebarrières zijn op de punten waar metaal het materiaal ontmoet. Dit proces van terugwerken is essentieel voor het ontwerpen van betere apparaten, maar het was traditioneel een langzame, handmatige taak die vereiste dat experts gokten en controleerden, wat vaak uren of dagen duurde om één enkel antwoord correct te krijgen.

Een team van onderzoekers aan Stanford University heeft een nieuwe methode ontwikkeld om dit proces drastisch te versnellen met behulp van kunstmatige intelligentie. In plaats van een computer te vragen het antwoord te raden, hebben ze een digitaal systeem getraind om de relatie tussen de elektrische metingen en de fysieke eigenschappen van de transistor te leren. De uitdaging was dat de computersimulaties die dit systeem moesten onderwijzen, ongelooflijk traag en duur zijn om uit te voeren, waarbij het vaak minuten of uren duurt om één enkel datapunt te genereren. Om dit op te lossen, creëerden de onderzoekers een slim tweestaps-trainingssysteem. Eerst trainden ze een snelle, eenvoudige neurale netwerk om de trage, complexe fysica-simulator na te bootsen. Ze gebruikten deze snelle nabootsing om een enorme hoeveelheid oefendata gratis te genereren. Vervolgens gebruikten ze deze oefendata om het hoofdgestuurde systeem te leren hoe het werkt, voordat ze het tenslotte bijstuurden met een klein aantal echte, dure simulaties.

Het resultaat is een systeem dat de verborgen fysieke parameters van een transistor in een fractie van een seconde kan extraheren. In hun tests gebruikten de onderzoekers deze methode op een set van 500 gesimuleerde apparaten om het netwerk te trainen. Eenmaal getraind, kon het systeem naar de elektrische metingen van een echte transistor kijken en direct de waarden van acht verschillende fysieke eigenschappen voorspellen met hoge nauwkeurigheid. Toen ze dit testten op werkelijke experimentele transistoren gemaakt van een materiaal genaamd wolfraamdisulfide, slaagde het systeem erin de werking van het apparaat te reconstrueren (reverse-engineering), waarbij de gemeten gegevens matchen met een precisie die wijst op een bijna perfecte fit. De onderzoekers ontdekten dat het systeem kon bepalen hoe snel elektronen door het materiaal bewegen en de hoogte van de energiebarrières bij de contacten, waardoor variaties tussen verschillende apparaten werden onthuld die anders moeilijk op te merken zouden zijn geweest.

Deze aanpak is bijzonder krachtig omdat het de hoeveelheid benodigde rekenkracht drastisch vermindert. Eerdere methoden vereisten training op data van tienduizenden of zelfs miljoenen gesimuleerde apparaten om vergelijkbare resultaten te bereiken. Door de snelle nabootsing te gebruiken om het systeem voor te trainen, bereikten de onderzoekers uitstekende resultaten met data van slechts 500 apparaten, een reductie van meer dan veertig keer. Dit maakt het haalbaar om de meest rigoureuze en nauwkeurige fysica-modellen te gebruiken, die normaal gesproken te traag zijn om te gebruiken voor het trainen van grote datasets. De methode bleek ook flexibel; de onderzoekers lieten zien dat het kon worden opgeschaald om veel complexere transistoren te verwerken met tot wel vijfendertig verschillende onbekende parameters, wat suggereert dat het kan worden toegepast op een breed scala aan elektronische componenten buiten de specifiek geteste materialen.

De onderzoekers valideerden hun werk door het getrainde systeem toe te passen op eenentwintig echte transistoren gefabriceerd op drie verschillende chips. Het systeem kwam de elektrische curves van deze apparaten succesvol overeen, waardoor het team de distributie van mobiliteit en contactbarrières over de chips in kaart kon brengen. Dit niveau van detail helpt wetenschappers te begrijpen hoe het fabricageproces het eindproduct beïnvloedt, zoals hoe de metalen contacten interageren met het halfgeleider. Hoewel het systeem zeer nauwkeurig is in het matchen van de elektrische curves, merken de auteurs op dat een perfecte match niet garandeert dat elk geëxtraheerd getal fysiek perfect is, aangezien verschillende combinaties van eigenschappen soms vergelijkbare elektrische resultaten kunnen produceren. Echter, voor het doel van het karakteriseren van grote groepen apparaten en het begrijpen van hun prestatiegrenzen, biedt de methode een robuust en snel hulpmiddel.

Door hun code en data publiekelijk beschikbaar te maken, hopen de onderzoekers verdere ontwikkeling van deze technieken aan te moedigen. Dit werk vertegenwoordigt een verschuiving van handmatige, tijdrovende analyse naar een geautomatiseerde, high-throughput aanpak voor het begrijpen van de volgende generatie elektronica. Het stelt wetenschappers in staat om minder te focussen op het tedieuze werk van het fitten van curves en meer op het interpreteren van de fysieke inzichten die die curves bieden. Terwijl het veld van de tweedimensionale elektronica zich blijft ontwikkelen, zullen instrumenten zoals deze essentieel zijn om experimentele ontdekkingen om te zetten in betrouwbare, hoogwaardige technologie. Het vermogen om de interne werking van deze minuscule apparaten snel en nauwkeurig te begrijpen, is een cruciale stap naar het tot leven brengen van de volgende generatie elektronica.

Technische Samenvatting: Deep Learning voor de Automatisering van Parameterextractie en Model-fitting van Tweedimensionale Transistors

Probleemstelling
Opkomende halfgeleidertechnologieën, zoals tweedimensionale (2D) overgangsmetalen dichalcogeniden (TMD's), vereisen een rigoureuze karakterisering om fysische parameters (bijv. mobiliteit, Schottky-barrièrehoogte, defectprofielen) te extraheren uit elektrische metingen. Traditioneel wordt dit bereikt door gemeten stroom-spanning ( $I_d$ - $V_{gs}$ ) karakteristieken aan te passen aan fysische modellen. Dit proces is echter iteratief, tijdrovend en vaak ontoegankelijk voor niet-experts. Hoewel recente deep learning-benaderingen dit inverse probleem hebben geautomatiseerd, vereisen zij doorgaans trainingssets bestaande uit 20.000 tot 1.000.000 unieke apparaten. Voor opkomende technologieën die worden gemodelleerd door computationeel dure fysische simulators (bijv. Sentaurus Device, quantum transport solvers), is het genereren van dergelijke grote datasets vaak onhaalbaar, aangezien een enkele simulatie minuten tot uren kan duren.

Methodologie
De auteurs stellen een deep learning-framework voor dat de vereiste hoeveelheid dure fysische simulaties drastisch vermindert door een "surrogaat" pretraining-strategie te hanteren. De workflow bestaat uit vijf stappen:

Fysisch Gebaseerde Datageneratie: Een kleine initiële dataset wordt gegenereerd met behulp van een uitgebreide fysische simulator (Sentaurus Device) voor 2D veldeffecttransistors (FET's). Deze dataset brengt input-modelparameters (8 parameters, waaronder mobiliteit, barrièrehoogte en defectprofielen) in kaart naar output $I_d$ - $V_{gs}$ curves.
Forward Surrogate Training: Een forward neuraal netwerk wordt getraind om de fysische simulator te benaderen. Dit netwerk leert $I_d$ - $V_{gs}$ curves te voorspellen op basis van een set inputparameters.
Geaugmenteerde Pretraining: Het getrainde forward netwerk wordt gebruikt om een enorme, computationeel goedkope geaugmenteerde dataset te genereren (bijv. 100.000 curves) door willekeurige parameters te samplen. Een inverse neuraal netwerk wordt vervolgens op deze geaugmenteerde data voorgetraind.
Tandem Fine-Tuning: Het inverse netwerk wordt gefinetuned met de oorspronkelijke, kleine set van fysische simulaties. Cruciaal is dat deze training gebruikmaakt van een tandem neuraal netwerk benadering: de voorspelde parameters van het inverse netwerk worden ingevoerd in het forward netwerk om de resulterende stroom te schatten. De loss-functie straft zowel de fout in de voorspelde parameters als de fout in de gereconstrueerde stroom ( $I_{pred}$ vs. $I_{actual}$ ) af, wat de niet-uniciteit van het inverse probleem aanpakt waarbij meerdere parameter-sets vergelijkbare curves kunnen opleveren.
Inference: Eenmaal getraind, brengt het inverse netwerk experimentele $I_d$ - $V_{gs}$ data direct in kaart naar de onderliggende fysische parameters zonder verdere fysische simulaties te vereisen.

Belangrijkste Bijdragen

Data-efficiëntie: De methode bereikt hoogwaardige fits met trainingssets van slechts ~500 apparaten, wat een reductie van >40× betekent ten opzichte van eerdere deep learning-inspanningen die tienduizenden of honderdduizenden apparaten vereisten.
Fysisch Rigoureuze Training: In tegenstelling tot methoden die beperkt zijn tot compacte modellen, maakt deze benadering training mogelijk op complexe, zelfconsistente fysische modellen (TCAD) die geometrie, transport en elektrostatische effecten bevatten, zonder prohibitieve computationele kosten.
Generaliseerbaarheid: Het framework is gedemonstreerd als schaalbaar naar complexere modellen, waarbij het succesvol 35 parameters voor Galliumnitride (GaN) high-electron-mobility transistors (HEMT's) heeft gereconstrueerd met behulp van het ASM-HEMT compacte model.
Open Science: De auteurs hebben de code en voorbeelddatasets vrijgegeven op GitHub om toekomstig onderzoek naar inverse transistorontwerp te faciliteren.

Resultaten

Gesimuleerde en Experimentele Prestaties: Bij testen op een set van 1.000 ongeziene apparaten gesimuleerd met Sentaurus Device, bereikte de benadering een mediane coëfficiënt van determinatie ( $R^2$ ) van 0,995. Op de experimentele testset van 51 monolayer WS₂ transistors bereikte de benadering een mediane $R^2$ van 0,990. De pretraining stap bleek een nauwkeurigheidsboost te leveren die gelijk staat aan het verdubbelen van de omvang van de fysische trainingsset.
Nauwkeurigheid van Parameterextractie: De mediane absolute fouten voor sleutelparameters waren laag: mobiliteit (0,88 cm² V⁻¹ s⁻¹) en Schottky-barrièrehoogte (18,4 meV). Fouten waren iets hoger voor defectdensiteit-parameters, toegeschreven aan wederzijdse redundantie in het model, hoewel de algehele $I_d$ - $V_{gs}$ fit uitstekend bleef.
Experimentele Validatie: De methode werd toegepast op 51 experimentele monolayer WS₂ transistors. De gereconstrueerde parameters produceerden gesimuleerde curves die nauw overeenkwamen met de experimentele data, met een mediane $R^2$ van 0,990. De geëxtraheerde distributies van mobiliteit en barrièrehoogte kwamen kwalitatief overeen met de verwachte experimentele variaties.
Schaalbaarheid: De benadering kon hoog-dimensionale problemen aan, waarbij 35 parameters voor GaN HEMTs werden gefit met een trainingsset van ~16.000 apparaten, wat aantoont dat de methode schaalt met modelcomplexiteit, mits de generatie van de trainingsset computationeel haalbaar blijft.

Betekenis en Claims
Het artikel claimt dat deze benadering geautomatiseerde parameterextractie haalbaar maakt voor opkomende technologieën waar het genereren van grote datasets via rigoureuze fysische simulatie voorheen een bottleneck vormde. Door de trainingsvereiste te reduceren van dagen of weken aan simulatietijd naar minder dan een uur, maakt de methode het gebruik van complexe, fysisch accurate modellen voor device-karakterisering en Technology Computer-Aided Design (TCAD) fitting mogelijk.

De auteurs benadrukken dat hoewel de methode het fittingproces automatiseert, het niet automatisch het juiste fysische model selecteert; de gebruiker moet nog steeds waarborgen dat het onderliggende fysische model geschikt is voor het apparaat. Bovendien merken zij op dat hoewel de methode zeer efficiënt is voor het karakteriseren van grote distributies van apparaten (bijv. voor yield-analyse of procesmonitoring), voor het fitten van een enkel apparaat traditionele optimalisatiemethoden mogelijk nog computationeel goedkoper zijn. Het werk positioneert deep learning als een praktisch instrument om de kloof te overbruggen tussen complexe fysische simulaties en experimentele data-analyse in de volgende generatie elektronica.

Meer zoals dit