Rapid FinFET Modelling Using an Autoencoder

Technische Samenvatting: Snelle FinFET-modellering met behulp van een Autoencoder

Probleemstelling
De schaling van halfgeleidercomponenten, in het bijzonder FinFETs, heeft geleid tot aanzienlijke complexiteit in het begrijpen van de fysica van de componenten en de modellering ervan. Traditionele TCAD-simulaties (Technology Computer-Aided Design) zijn weliswaar onmisbaar, maar worden vaak gehinderd door hoge computationele kosten, convergentieproblemen en de noodzaak voor uitgebreide domeinkennis. Hoewel machine learning (ML) is opgekomst als een instrument om simulaties te versnellen en fysieke inzichten te extraheren, blijft een centrale uitdaging bestaan: het ontwikkelen van modellen die accuraat zijn binnen hun trainingsdomein, in staat zijn tot generalisatie, en die het vermogen hebben om de afhankelijkheid van gespecialiseerde handmatige kenmerkextractie te minimaliseren. Bestaande benaderingen worstelen vaak met het balanceren van datagestuurde efficiëntie met de nauwkeurige capture van bias-afhankelijke variaties zonder expliciete fysieke beperkingen.

Methodologie
De auteurs stellen een machine learning-framework voor dat gebruikmaakt van een autoencoder (AE) om de stroom-spanningseigenschappen ($I_D$-$V_G$) van FinFETs te modelleren. De methodologie verloopt als volgt:

1. Datageneratie: Een dataset werd gegenereerd met behulp van een gekalibreerd BSIM-CMG compact model, afgestemd op experimentele gegevens van 12-nm p-kanaals bulk FinFETs. De componenten hadden een gate-lengte van 14 nm, een fin-hoogte van 30,5 nm en een fin-breedte van 14 nm.
2. Preprocessing: Curven van drainstroom versus gate-spanning werden gegenereerd bij specifieke drain-source-spanningen ($V_{DS}$), waarbij $V_G$ werd gescand van 0 V tot -0,8 V. Om consistentie te waarborgen, werden de curven geïnterpoleerd op een gemeenschappelijke $V_G$-vector. Gezien het brede dynamische bereik van de drainstroom werd een base-10 logaritmische transformatie toegepast. De data onderging een z-score normalisatie met behulp van het gemiddelde en de standaarddeviatie berekend uit de trainingspool.
3. Netwerkarchitectuur: Er werd een symmetrische encoder-decoder neurale netwerk ingezet.
   • Input: Een platgeslagen vector bestaande uit genormaliseerde $I_D$-punten geconcateneerd met de genormaliseerde $V_{DS}$-waarde.
   • Encoder: Twee volledig verbonden (fully connected) verborgen lagen (50 neuronen elk, ReLU-activatie) die de input comprimeren naar een 3-neuronen latent space bottleneck.
   • Decoder: Twee volledig verbonden lagen die de encoder spiegelen om de oorspronkelijke inputvector te reconstrueren.
   • Training: Het model werd getraind met de Adam-optimizer voor maximaal 500 epochs.
4. Evaluatie: Naast de reconstructiefout werd de effectiviteit van het model beoordeeld door kritieke componentparameters te extraheren uit de gereconstrueerde curven: de drempelspanning ($V_{TH}$), de subthreshold slope ($SS$) en de piek-transconductantie ($g_m$). Deze werden vergeleken met de oorspronkelijke BSIM-CMG data.

Belangrijkste Bijdragen

• Latent Space Compressie: Het werk demonstreert het vermogen om volledige $I_D$-$V_G$-curven te comprimeren naar een laag-dimensionale latent space die intrinsiek de belangrijkste componentfysica codeert.
• Expliciete Bias-incorporatie: Een opmerkelijke innovatie is de expliciete inclusie van de drain-source spanning ($V_{DS}$) als inputkenmerk. Dit verbetert het vermogen van het model om bias-afhankelijke variaties te vangen, een factor die in eenvoudigere regressiemodellen vaak apart wordt behandeld.
• Directe Metriek-extractie: Het framework reconstrueert succesvol volledige curven en extraheert direct kritieke parameters ($V_{TH}$, $SS$, $g_m$) zonder dat handmatige feature engineering of complexe post-processing vereist is.
• Data-efficiëntie: De aanpak maakt gebruik van manifold learning-principes, wat suggereert dat een hoge nauwkeurigheid kan worden bereikt met minimale trainingsdata (verwijzend naar eerder werk waar 25–50 samples volstonden voor soortgelijke taken).

Resultaten
Het voorgestelde AI-gebaseerde model werd gevalideerd tegenover de industriestandaard BSIM-CMG:

• Curve Correlatie: Het model vertoonde een sterke correlatie met BSIM-CMG voor zowel de drainstroom als de transconductantie over verschillende gate-spanningen.
• Statistische Nauwkeurigheid: De determinatiecoëfficiënt ($R^2$) overtrof consequent 0,9 over verschillende $V_{DS}$-waarden.
• Parameter Extractie Fout:
  • Drempelspanning ($V_{TH}$): De procentuele fout tussen de door AI voorspelde en door BSIM geëxtraheerde $V_{TH}$ was consistent laag, wat de nauwkeurige capture van de drempelspanning-afhankelijkheid van de drain-bias bevestigt.
  • Subthreshold Slope ($SS$): Eveneens werden lage procentuele fouten waargenomen in de voorspelde subthreshold swing.
  • Transconductantie ($g_m$): De fout in de voorspelling van de piek-transconductantie bleef binnen een bereik van 0% tot 5%. De auteurs merken op dat $g_m$ iets meer variabiliteit vertoont dan $V_{TH}$ of $SS$, wat te verwachten is aangezien het een differentiële parameter is die zeer gevoelig is voor kleine veranderingen in de curvevorm.

Betekenis en Claims
Het artikel concludeert dat het voorgestelde autoencoder-framework een krachtig instrument biedt voor snelle componentkarakterisering en modellering. Door de belangrijkste componentkenmerken accuraat te reproduceren met een lage voorspellingsfout, demonstreert het model een robuustheid die geschikt is voor toepassing in analoge, digitale en RF-circuitontwerpen. De auteurs positioneren deze datagestuurde aanpak als een levensvatbaar alternatief voor traditionele compacte modellen, wat een pad biedt naar snellere modellering en hoge nauwkeurigheid voor zowel bestaande als toekomstige componenttechnologieën, terwijl de afhankelijkheid van handmatige domeinkennis voor feature-extractie wordt verminderd.