Agentic TCAD Calibration Workflow for Oxide Semiconductor Transistors

In de wereld van de moderne elektronica is de siliconen chip lang de onbetwiste koning geweest, maar ingenieurs kijken steeds vaker naar nieuwe materialen om de volgende generatie apparaten te bouwen. Onder deze kanshebbers zijn transistoren gemaakt van oxide-halfgeleiders, een klasse materialen die verwerkt kunnen worden bij lagere temperaturen en geïntegreerd kunnen worden in de complexe lagen van geavanceerde computerchips. Deze apparaten zijn cruciaal voor alles, van het geheugen in onze telefoons tot de stroomomvormers in elektrische voertuigen. Het voorspellen van hoe deze nieuwe materialen zich zullen gedragen voordat ze gebouwd zijn, is echter een berucht moeilijke taak. Wetenschappers gebruiken geavanceerde computersimulaties om deze apparaten te modelleren, maar het afstemmen van de simulatie op de echte wereld is als het proberen af te stemmen van een radio tijdens een storm: er zijn veel verschillende instellingen die een duidelijk signaal kunnen produceren, maar slechts één set instellingen weerspiegelt de werkelijke fysica van het materiaal. Zonder een nauwkeurige match kunnen ingenieurs niet betrouwbaar de toekomstige circuits ontwerpen die onze technologie zullen aandrijven.

Een team van onderzoekers heeft nu een nieuwe manier geïntroduceerd om dit afstemmingsprobleem op te lossen, waarbij ze bewegen van traag, handmatig gokwerk naar een geautomatiseerd, intelligent proces. In een recente studie demonstreerden zij een workflow waarbij een kunstmatige intelligentie-agent fungeert als een gids, die helpt bij het kalibreren van een computermodel van een specifiek type transistor gemaakt van indium, wolfraam en zuurstof. Het doel was om de ruwe elektrische metingen van een fysiek apparaat te nemen en de exacte set regels en getallen binnen de simulatie te vinden die die metingen perfect zouden reproduceren. De onderzoekers ontdekten dat door de AI-agent de verschillen tussen het echte apparaat en de simulatie te laten analyseren, deze systematisch wijzigingen aan het model kon voorstellen. Na slechts vijf rondes van deze intelligente suggesties werd de simulatie een zeer nauwkeurige representatie van het echte apparaat, waarbij de fout tussen de twee met meer dan veertien keer werd verminderd.

Het proces begon met een fysieke transistor die al gebouwd en gemeten was in een laboratorium. De onderzoekers voedden de elektrische gegevens van dit apparaat in een computerprogramma dat ontworpen is om te simuleren hoe de transistor zou moeten werken. Aanvankelijk kwam de simulatie niet goed overeen met de echte gegevens; de curves die de stroom van elektriciteit vertegenwoordigen, bevonden zich op de verkeerde plaatsen. In plaats van dat een menselijke expert urenlang handmatig tientallen variabelen aanpaste, nam een AI-agent het over. Deze agent fungeerde als een projectmanager die constant de resultaten van de simulatie vergeleek met de echte metingen. Wanneer de agent een mismatch opmerkte, gokte hij niet zomaar een getal om het te repareren. In plaats daarvan raadpleegde hij een uitgebreide bibliotheek van technische handleidingen en wetenschappelijke literatuur om te begrijpen welk fysisch fenomeen de fout mogelijk veroorzaakte.

Als de mismatch suggereerde dat het apparaat niet op de juiste spanning aanging, kon de agent voorstellen om de werkfunctie aan te passen, een eigenschap die beschrijft hoe gemakkelijk elektronen een materiaal kunnen verlaten. Als de mismatch verscheen in de manier waarop de stroom lekte wanneer het apparaat uitgeschakeld zou moeten zijn, kon de agent voorstellen om een nieuw fysisch model toe te voegen om gevangen ladingen of specifieke energietoestanden binnen het materiaal te verklaren. Cruciaal was dat de agent alleen wijzigingen accepteerde die de match daadwerkelijk verbeterden. Als een voorgestelde aanpassing de simulatie slechter maakte of niet convergeerde, verwierp de agent deze en probeerde een ander pad. Deze cyclus van meten, vergelijken, raadplegen en aanpassen ging door totdat de simulatie en de echte wereldgegevens op één lijn lagen.

De resultaten van deze geautomatiseerde kalibratie waren opmerkelijk. Het uiteindelijke model, dat gebouwd was met gegevens van een apparaat met een specifieke chemische samenstelling, was in staat om het gedrag van datzelfde apparaat onder een breed scala aan omstandigheden te voorspellen zonder opnieuw te hoeven worden afgestemd. Wanneer de onderzoekers het model testten met verschillende elektrische spanningen en zelfs met een transistor die twee keer zo lang was als het origineel, bleef de simulatie nauwkeurig. De fout in het voorspellen van de spanning waarbij het apparaat aangaat was minder dan 46,2 mV, en de fout in het voorspellen van de stroomsterkte was minder dan 0,062 decade. Dit bewees dat het model de onderliggende fysica van het apparaat had geleerd in plaats van slechts een enkele set getallen te hebben onthouden.

De studie onthulde ook hoe het model gebruikt kon worden om het productieproces zelf te begrijpen. De onderzoekers testten een tweede apparaat gemaakt met een iets andere chemische mix, die meer wolfraam bevat. De AI-agent slaagde erin het model voor dit nieuwe apparaat te herkalibreren, waarbij hij identificeerde dat de verandering in chemie voornamelijk de ladingsdragersdichtheid binnen het materiaal beïnvloedde. Dit bood een duidelijke, kwantitatieve link tussen het productie-recept en de elektrische prestaties, wat inzichten biedt die ingenieurs in de toekomst kunnen helpen het productieproces te optimaliseren.

Dit werk demonstreert dat kunstmatige intelligentie een krachtige partner kan zijn in de ontwikkeling van nieuwe elektronische materialen, door een proces dat ooit diepe, gespecialiseerde intuïtie vereiste, te veranderen in een meer systematische en snellere workflow. Door de fysieke strengheid van traditionele simulatie te combineren met het adaptieve redeneren van een AI-agent, hebben de onderzoekers een pad gecreëerd naar een betrouwbaarder en efficiënter ontwerp van de volgende generatie halfgeleiderapparaten. De aanpak vervangt de menselijke expertise niet, maar versterkt deze juist, waardoor ingenieurs zich op het grote plaatje kunnen concentreren terwijl de agent de complexe, iteratieve taak van het vinden van de perfecte match tussen theorie en realiteit afhandelt.