Rapid FinFET Modelling Using an Autoencoder

Resumo Técnico: Modelagem Rápida de FinFET usando um Autoencoder

Definição do Problema
A escalabilidade dos dispositivos semicondutores, particularmente dos FinFETs, introduziu uma complexidade significativa na compreensão da física do dispositivo e na modelagem. As simulações tradicionais de Tecnologia Auxiliada por Computador (TCAD), embora indispensáveis, são frequentemente dificultadas por altos custos computacionais, problemas de convergência e pela necessidade de extensa expertise de domínio. Embora o aprendizado de máquina (ML) tenha emergido como uma ferramenta para acelerar simulações e extrair insights físicos, um desafio central permanece: desenvolver modelos que sejam precisos dentro de seu domínio de treinamento, capazes de generalização e capazes de minimizar a dependência de extração manual de características especializadas. As abordagens existentes frequentemente lutam para equilibrar a eficiência baseada em dados com a captura precisa de variações dependentes de polarização sem restrições físicas explícitas.

Metodologia
Os autores propõem um framework de aprendizado de máquina utilizando um autoencoder (AE) para modelar as características de corrente-tensão ($I_D$-$V_G$) de FinFETs. A metodologia procede da seguinte forma:

1. Geração de Dados: Um conjunto de dados foi gerado usando um modelo compacto BSIM-CMG calibrado, ajustado para correlacionar-se com dados experimentais de FinFETs de canal p de 12 nm. Os dispositivos apresentaram um comprimento de porta de 14 nm, altura de fin de 30,5 nm e largura de fin de 14 nm.
2. Pré-processamento: Curvas de corrente de dreno versus tensão de porta foram geradas em tensões específicas de dreno-fonte ($V_{DS}$), com $V_G$ variando de 0 V a -0,8 V. Para garantir a consistência, as curvas foram interpoladas em um vetor $V_G$ comum. Dada a ampla faixa dinâmica da corrente de dreno, uma transformação logarítmica de base 10 foi aplicada. Os dados passaram por uma normalização z-score usando média e desvio padrão calculados a partir do pool de treinamento.
3. Arquitetura da Rede: Uma rede neural autoencoder simétrica foi empregada.
   • Entrada: Um vetor achatado compreendendo pontos de $I_D$ normalizados concatenados com o valor de $V_{DS}$ normalizado.
   • Encoder: Duas camadas ocultas totalmente conectadas (50 neurônios cada, ativação ReLU) comprimindo a entrada em um gargalo de espaço latente de 3 neurônios.
   • Decoder: Duas camadas totalmente conectadas espelhando o encoder para reconstruir o vetor de entrada original.
   • Treinamento: O modelo foi treinado usando o otimizador Adam por até 500 épocas.
4. Avaliação: Além do erro de reconstrução, a eficácia do modelo foi avaliada pela extração de métricas críticas do dispositivo a partir das curvas reconstruídas: tensão de limiar ($V_{TH}$), inclinação de subthreshold ($SS$) e transcondutância de pico ($g_m$). Estas foram comparadas contra os dados originais do BSIM-CMG.

Principais Contribuições

• Compressão do Espaço Latente: O trabalho demonstra a capacidade de comprimir curvas completas de $I_D$-$V_G$ em um espaço latente de baixa dimensão que codifica intrinsecamente a física chave do dispositivo.
• Incorporação Explícita de Polarização: Uma inovação notável é a inclusão explícita da tensão dreno-fonte ($V_{DS}$) como uma característica de entrada. Isso aumenta a capacidade do modelo de capturar variações dependentes de polarização, um fator frequentemente tratado separadamente em modelos de regressão mais simples.
• Extração Direta de Métricas: O framework reconstrói com sucesso curvas completas e extrai diretamente parâmetros críticos ($V_{TH}$, $SS$, $g_m$) sem exigir engenharia de características manual ou pós-processamento complexo.
• Eficiência de Dados: A abordagem aproveita os princípios de aprendizado de variedade (manifold learning), sugerindo que alta precisão pode ser alcançada com o mínimo de dados de treinamento (referenciando trabalhos anteriores onde 25–50 amostras foram suficientes para tarefas similares).

Resultos
O modelo baseado em IA proposto foi validado contra o padrão da indústria, o modelo BSIM-CMG:

• Correlação de Curva: O modelo demonstrou forte correlação com o BSIM-CMG tanto para a corrente de dreno quanto para a transcondutância através de várias tensões de porta.
• Precisão Estatística: O coeficiente de determinação ($R^2$) excedeu consistentemente 0,9 em diferentes valores de $V_{DS}$.
• Erro de Extração de Parâmetros:
  • Tensão de Limiar ($V_{TH}$): O erro percentual entre o $V_{TH}$ previsto pela IA e o extraído pelo BSIM foi consistentemente baixo, confirmando a captura precisa da dependência da tensão de limiar em relação à polarização de dreno.
  • Inclinação de Subthreshold ($SS$): Similarmente, baixos erros percentuais foram observados na previsão da inclinação de subthreshold.
  • Transcondutância ($g_m$): O erro na previsão da transcondutância de pico permaneceu dentro de uma faixa de 0% a 5%. Os autores observam que o $g_m$ exibe um pouco mais de variabilidade do que o $V_{TH}$ ou o $SS$, o que é esperado, pois é um parâmetro diferencial altamente sensível a pequenas mudanças na forma da curva.

Significância e Alegações
O artigo conclui que o framework de autoencoder proposto fornece uma ferramenta poderosa para caracterização e modelagem rápida de dispositivos. Ao reproduzir com precisão as principais características do dispositivo com baixo erro de previsão, o modelo demonstra robustez adequada para aplicação em design de circuitos analógicos, digitais e de RF. Os autores posicionam esta abordagem baseada em dados como uma alternativa viável aos modelos compactos tradicionais, oferecendo um caminho para modelagem mais rápida e alta precisão para tecnologias de dispositivos atuais e futuras, tudo isso reduzindo a dependência de expertise manual de domínio para extração de características.