Physics-informed AI Accelerated Retention Analysis of Ferroelectric Vertical NAND: From Day-Scale TCAD to Second-Scale Surrogate Model

Gyujun Jeong (School of Electrical and Computer Engineering, Georgia Institute of Technology, GA, USA), Sungwon Cho (School of Electrical and Computer Engineering, Georgia Institute of Technology, GA, USA), Minji Shon (School of Electrical and Computer Engineering, Georgia Institute of Technology, GA, USA), Namhoon Kim (School of Electrical and Computer Engineering, Georgia Institute of Technology, GA, USA), Woohyun Hwang (Semiconductor Research and Development, Samsung Electronics Co., Ltd, South Korea), Kwangyou Seo (Semiconductor Research and Development, Samsung Electronics Co., Ltd, South Korea), Suhwan Lim (Semiconductor Research and Development, Samsung Electronics Co., Ltd, South Korea), Wanki Kim (Semiconductor Research and Development, Samsung Electronics Co., Ltd, South Korea), Daewon Ha (Semiconductor Research and Development, Samsung Electronics Co., Ltd, South Korea), Prasanna Venkatesan (NVIDIA, Santa Clara, CA, USA), Kihang Youn (NVIDIA, Santa Clara, CA, USA), Ram Cherukuri (NVIDIA, Santa Clara, CA, USA), Yiyi Wang (NVIDIA, Santa Clara, CA, USA), Suman Datta (School of Electrical and Computer Engineering, Georgia Institute of Technology, GA, USA), Asif Khan (School of Electrical and Computer Engineering, Georgia Institute of Technology, GA, USA), Shimeng Yu (School of Electrical and Computer Engineering, Georgia Institute of Technology, GA, USA)

发布于 Tue, 10 Ma

📖 1 分钟阅读☕ 轻松阅读

查看于 arXiv ↗PDF ↗

Each language version is independently generated for its own context, not a direct translation.

这篇论文讲述了一个关于如何用最聪明的“人工智能”来加速芯片设计的故事。

想象一下，你正在设计一种超级先进的 3D 存储芯片（就像手机里的闪存，但容量更大、速度更快）。这种芯片里有一个关键部件叫“铁电场效应晶体管”（FeFET）。

1. 遇到的难题：慢得像蜗牛的“模拟实验”

在这个芯片里，数据能不能存得住（也就是“数据保持”能力），取决于两个复杂的物理过程在打架：

铁电极化：就像弹簧被压缩后想弹回去。
电荷泄漏：就像气球上的小孔慢慢漏气。

为了设计出一个完美的芯片，工程师需要调整很多参数（比如材料厚度、温度、时间等）。

传统方法（TCAD）的痛点：
以前，工程师只能用一种叫"TCAD"的超级计算机模拟软件来测试。这就像是在虚拟世界里做一个极其精密的物理实验。

太慢了：模拟一次数据能保存多久，可能需要24 个小时甚至更久。
太贵了：如果你想测试 100 种不同的设计方案，你就得等 100 天。这在实际生产中是不可能的，因为时间成本太高了。

2. 新的解决方案：给 AI 装上“物理大脑”

为了解决这个问题，研究团队（来自佐治亚理工学院、三星和英伟达）开发了一个**“物理信息人工智能”（PINO）**模型。

我们可以用两个比喻来理解它的厉害之处：

比喻一：从“死记硬背”到“理解原理”

普通 AI（黑盒模型）：就像是一个只会死记硬背的学生。你给它看 100 道题的答案，它背下来了。但如果考它一道稍微有点变化的新题，它就懵了，甚至开始胡编乱造（产生不合理的波动）。
物理信息 AI（PINO）：就像是一个既背了答案，又精通物理公式的天才学生。它不仅记住了数据，还把“电荷守恒”、“电场定律”等物理铁律刻在了脑子里。
- 即使它没见过某个特定温度的数据，它也能根据物理定律推理出结果，而且结果一定是符合物理常识的（比如电荷只会慢慢漏光，不会突然变多）。

比喻二：从“手绘地图”到“上帝视角”

传统模拟：就像你要画一张城市地图，必须一砖一瓦地测量每一栋楼，非常慢。
AI 代理模型：就像你直接拥有了一个上帝视角的 3D 打印机。你只需要输入几个关键参数（比如“这里要建多高的楼”、“温度是多少”），AI 就能在几秒钟内直接打印出整张城市的全景图，而且连地下水管（电荷分布）和电线（电流）都画得清清楚楚。

3. 这个 AI 有多快？

这就是论文最惊人的地方：

传统方法：跑完所有测试需要 60 个小时（两天两夜）。
AI 方法：只需要 10 秒钟！
速度提升：快了 10,000 多倍！

这意味着，以前工程师需要等两周才能完成的设计优化，现在喝杯咖啡的功夫（10 秒）就能搞定。而且，AI 不仅能预测结果，还能生成2D 物理地图，让工程师看到芯片内部电荷是怎么流动的，就像给芯片做了一次"CT 扫描”。

4. 为什么这很重要？

更便宜的芯片：因为设计速度极快，工程师可以尝试成千上万种设计方案，找到最完美、成本最低的那个。
更可靠的存储：这种技术能帮助我们造出容量更大、数据保存更久的 3D 存储芯片，让你的手机、电脑存下更多照片和视频，而且几年后打开还能完好无损。
未来的基石：这不仅是为了解决当下的问题，更是为未来更复杂的 3D 芯片设计铺平了道路。

总结

简单来说，这篇论文就是用“懂物理”的 AI 取代了“算得慢”的传统超级计算机。它把原本需要几天才能完成的芯片“体检”和“设计”工作，压缩到了几秒钟，而且结果依然精准可靠。这就像是从“骑自行车送信”直接升级到了“超音速飞机”，彻底改变了芯片研发的游戏规则。

Each language version is independently generated for its own context, not a direct translation.

这是一份关于论文《Physics-informed AI Accelerated Retention Analysis of Ferroelectric Vertical NAND: From Day-Scale TCAD to Second-Scale Surrogate Model》（物理信息 AI 加速铁电垂直 NAND 的保持特性分析：从天级 TCAD 到秒级代理模型）的详细技术总结。

1. 研究背景与问题 (Problem)

技术背景：随着存储密度的增加，3D 垂直 NAND（VNAND）面临 Z 轴缩放瓶颈。传统的电荷捕获层需要高编程电压，而基于铁电场效应晶体管（FeFET）的 Fe-VNAND 因其低操作电压和快速开关速度成为有前景的替代方案。
核心挑战：Fe-VNAND 的数据保持特性（Data Retention）受到铁电极化去极化（Depolarization）与界面电荷陷阱/去陷阱（Charge Trapping/Detrapping）之间复杂相互作用的制约。优化器件设计（如隧穿介质层 TDL 和铁电层几何结构）需要探索巨大的参数空间。
现有局限：传统的工艺计算机辅助设计（TCAD）仿真虽然准确，但计算成本极高。
- 单次涵盖温度和时间的严格仿真可能需要超过 24 小时。
- 在多变量（尺寸、温度、沟道几何等）优化中，计算成本呈线性增长，使得大规模设计空间探索（DSE）变得不切实际。
- 现有的纯数据驱动机器学习模型（黑盒模型）往往违反物理定律（例如出现非单调的电荷去陷阱行为），缺乏可解释性和泛化能力。

2. 方法论 (Methodology)

为了解决上述问题，作者提出了一种基于**物理信息神经算子（Physics-Informed Neural Operator, PINO）**的 AI 代理模型。该模型利用 NVIDIA PhysicsNeMo™框架构建，旨在以极高的效率预测阈值电压（ $V_{th}$ ）漂移和保持行为。

A. 器件物理与数据生成

器件结构：采用单 FeFET 器件，具有工程化的栅极堆叠（HZO/TDL/HZO）。TDL 作为电荷屏蔽区，用于在擦除（ERS）状态下通过 Fowler-Nordheim (FN) 隧积累电荷，抵消去极化场。
TCAD 仿真：使用 Synopsys Sentaurus TCAD 生成高保真训练数据。
- 集成铁电 Preisach 模型和 FN 隧穿模型。
- 扫描参数：HZO 厚度（5-9 nm）、温度（300-473 K）、保持时间（0-10,000 秒）。
- 输出： $I_D-V_G$ 特性曲线及内部 2D 物理场（静电势、极化场、陷阱载流子密度、电流密度）。

B. PINO 架构设计

模型分为三个阶段，旨在学习控制器件可靠性的偏微分方程（PDEs）的解算子：

阶段 1：输入嵌入
- 将标量输入（ $t_{HZO}$ , $T$ , $\log(\tau)$ ）嵌入特征向量。
阶段 2：物理代理核心 (FNO)
- 使用**傅里叶神经算子（FNO）**作为骨干网络。与处理局部像素的 CNN 不同，FNO 在傅里叶域进行全局卷积，能够学习连续的 PDE 解算子，将标量输入映射为分辨率不变的 2D 物理场。
- 关键创新：不直接映射输入到 $I_D-V_G$ 曲线，而是先生成中间物理场（如电势、极化、电荷分布），这提供了物理可解释性并作为物理正则化器。
- 网络约束：为防止过拟合（仅 120 个 TCAD 数据点），采用低频率模式截断（modes=12）和窄潜在通道（W=32）。
阶段 3：器件电学指标读取 (IV-Net)
- 使用混合架构（CNN + MLP）预测最终的 $I_D-V_G$ 曲线。
- 标量上下文注入：CNN 提取物理图的空间特征，同时原始标量输入（温度等）直接注入并行 MLP。这种残差连接确保了全局热力学上下文（如高温对整体热力学的影响）不被丢失，并修正量化误差。

C. 物理信息损失函数 (Physics-Informed Loss)

为了将纯数据驱动的 FNO 转化为 PINO，在训练损失函数中嵌入了物理约束：
$\mathcal{L}_{total} = \mathcal{L}_{data} + \mathcal{L}_{physics}$

数据损失 ( $\mathcal{L}_{data}$ )：预测值与 TCAD 真值之间的 L2 范数误差。
物理损失 ( $\mathcal{L}_{physics}$ )：
1. 泊松方程残差 (Poisson Residual)：强制预测的电势、电荷密度和极化满足泊松方程，确保静电学一致性。
2. 单调性约束 (Monotonicity Constraints)：强制剩余极化（ $P_r$ ）和陷阱电荷随时间单调衰减，消除非物理的时间振荡或瞬态伪影。

3. 主要贡献与结果 (Key Contributions & Results)

A. 极高的重建精度

物理场预测：PINO 模型在重构内部器件状态（静电势、陷阱电荷、电流密度）方面表现出高保真度，与 TCAD 真值的相对误差约为 0.1%。
电学特性预测：在阈值电压（ $V_{th}$ ）预测上， $R^2 > 0.998$ （在 $I_D=100nA$ 处）。模型能准确插值由电荷去陷阱和去极化引起的 $V_{th}$ 漂移。

B. 卓越的泛化能力与物理一致性

未见温度泛化：模型能够准确预测未见过的温度（如 350K）下的保持损耗，其表现介于 300K 和 400K 的 TCAD 基准之间，证明了物理约束的有效性。
消除伪影：与纯数据驱动模型相比，PINO 消除了 $I_D-V_G$ 曲线上的不稳定波纹（Ripples）。纯数据驱动模型在稀疏数据上容易过拟合，而 PINO 通过物理损失约束，预测出平滑且符合物理规律的响应。
误差降低：相比纯数据驱动基线，PINO 的均方根误差（RMSE）降低了 40% 以上。

C. 计算效率的突破性提升

速度对比：
- TCAD：单次完整保持特性扫描（涵盖多温度、多时间）需 60 小时。
- PINO 代理模型：仅需 ~10 秒。
- 加速比：超过 10,000 倍（从“天级”到“秒级”）。
设计空间探索 (DSE)：实现了连续、无网格插值的 DSE，消除了传统离散点扫描的盲区，且优化成本从线性增长变为常数级。

4. 意义与展望 (Significance)

范式转变：该研究展示了如何将物理定律嵌入深度学习架构，从而在保持 TCAD 级精度的同时，将半导体器件仿真速度提升数个数量级。
解决数据稀疏问题：通过物理约束（Poisson 方程和单调性），模型在仅有少量 TCAD 训练数据（120 个点）的情况下，依然能实现良好的泛化，克服了昂贵仿真数据稀缺的瓶颈。
工程应用价值：为 Fe-VNAND 的栅极堆叠优化、可靠性评估提供了实时工具，使得以前因计算成本过高而无法进行的全面设计空间探索成为可能。
未来方向：该工作为构建全尺寸 3D Fe-VNAND 保持损耗机制的“数字孪生”奠定了基础，未来可扩展至更复杂的器件结构和多物理场耦合分析。

总结：这篇论文成功开发了一种物理信息 AI 代理模型，通过结合傅里叶神经算子和物理约束损失函数，解决了铁电 NAND 存储器保持特性分析中 TCAD 仿真速度慢、设计空间探索难的痛点，实现了从“天级”仿真到“秒级”预测的跨越，同时保证了物理机制的可解释性和预测的准确性。