🔬 applied physics

Rapid FinFET Modelling Using an Autoencoder

本文提出了一种利用自动编码器进行机器学习的框架，通过将校准后的 I-V 数据压缩到低维潜在空间中，从而实现对 FinFET 的高效建模，进而能够以极少的训练数据实现器件特性的快速准确重构以及关键指标的提取。

原作者： Amit Sarkar Suman Sau, Swagata Mandal

发布于 2026-06-24

📖 1 分钟阅读☕ 轻松阅读

原作者： Amit Sarkar Suman Sau, Swagata Mandal

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图教一台计算机理解一种被称为 FinFET 的微型高科技开关的工作原理。这些开关是现代智能手机和计算机的基础构建模块，但模拟它们的行为极其复杂，就像是在解决一个庞大而精细的拼图，不仅耗时，而且需要拥有物理学博士学位才能入门。

本文提出了一种利用 人工智能 (AI) 实现这一过程快速且简便的巧妙捷径。以下是他们的做法，通过简单的语言进行解释：

1. 问题所在：“沉重”的模拟

通常，工程师使用一种沉重且复杂的工具（称为 TCAD 或 BSIM-CMG）来预测这些开关的行为。这种方法很准确，但速度很慢，且需要大量的专家知识来进行设置。这就像每次都要通过计算每一种成分的确切化学反应，从头开始去烘焙一个完美的蛋糕。

2. 解决方案：“智能总结者”（自动编码器）

作者构建了一个名为 自动编码器 (Autoencoder) 的特殊 AI 工具。你可以把这个 AI 想象成一个极其高效的图书管理员或是一个总结者。

输入： 他们向 AI 输入了数千个关于开关行为的“故事”。这些故事是展示在不同设置下（具体而言是栅极电压 Gate Voltage 和漏极电压 Drain Voltage）电流如何流经开关的图表。
压缩（奇迹发生之处）： AI 并没有死记硬背图表的每一个细节，而是学会了将整个故事压缩成一个由 3 个数字组成的微小“秘密代码”（称为潜空间/隐空间 latent space）。
- 类比： 想象你有一本 100 页的小说。AI 阅读了它，并意识到整个故事可以完美地用三个词来总结：“英雄”、“反派”和“转折”。它不需要整本书就能记住情节，只需要这三个关键词。
创新点： 作者确保将 漏极电压 (Drain Voltage)（即电力被推动的力度）作为输入之一。这就像是告诉图书管理员：“不要只是总结故事；还要告诉我如果天气变阴雨了，故事会发生什么变化。”这有助于 AI 理解开关在不同压力下的表现。

3. 训练过程：向一位“经过校准”的老师学习

在教授 AI 之前，研究人员使用了那种沉重、缓慢的模拟工具 (BSIM-CMG) 来生成一个“教科书”数据集。他们确保这本教科书与现实世界的硬件数据完美匹配。然后，他们将这本教科书喂给了 AI。

过程： AI 尝试阅读一个压缩后的“秘密代码”，然后根据它重建原始图表。
目标： 如果 AI 能够完美地重建图表，这意味着它真正理解了开关的物理特性。

4. 结果：快速且准确

训练完成后，该 AI 在两方面表现得极其出色：

重建图表： 它能够通过一个微小的“秘密代码”几乎完美地绘制出完整的电流曲线。
提取关键统计数据： 它能观察曲线并瞬间告诉你重要的数值，例如 阈值电压 (Threshold Voltage)（开关开启的确切时刻）和 跨导 (Transconductance)（信号放大能力的强弱）。

证明：
当他们将 AI 的预测结果与沉重、缓慢的模拟工具进行对比时，结果几乎完全吻合（在某些情况下准确率超过 99%）。即使在电压设置发生变化时，AI 在预测开关如何开启或其反应速度方面也极少出错。

5. 为什么这很重要（根据论文所述）

论文声称，这种方法是快速器件建模的一种强大的新工具。

工程师不再需要等待数小时进行缓慢的模拟，可以使用这个 AI 瞬间获得同样的结果。
它消除了对深度、手动物理专业知识来解读数据的需求，因为 AI 已经自动学习了其中的模式。
它特别适用于设计 模拟 (Analog)、数字 (Digital) 和射频 (RF) 电路（即我们电子设备的“大脑”）。

简而言之： 作者教会了 AI 阅读微型电子开关的“语言”，将其总结为几个数字，然后瞬间重绘其行为并计算出重要的统计数据。这是一个快速、准确的捷径，取代了缓慢且复杂的模拟过程。

技术摘要：利用自动编码器进行快速 FinFET 建模

问题陈述
半导体器件（尤其是 FinFET）的缩放引入了理解器件物理方面的显著复杂性。传统的技术计算机辅助设计（TCAD）仿真虽然不可或缺，但往往受到高计算成本、收敛问题以及对大量领域专业知识需求的限制。虽然机器学习（ML）已成为加速仿真和提取物理洞察的工具，但一个核心挑战仍然存在：开发既能在其训练领域内保持准确，又具备泛化能力，且能最大限度减少对专门手动特征提取依赖的模型。现有方法往往难以在数据驱动的效率与精确捕捉无显式物理约束的偏置相关变化之间取得平衡。

方法论
作者提出了一种利用自动编码器（AE）对 FinFET 电流-电压（ $I_D$ - $V_G$ ）特性进行建模的机器学习框架。该方法流程如下：

数据生成： 使用经过校准的 BSIM-CMG 紧凑模型生成数据集，该模型经过调整以与 12 nm p 型体 FinFET 的实验数据相符合。器件特征包括 14 nm 栅极长度、30.5 nm 鳍片高度和 14 nm 鳍片宽度。
预处理： 生成特定漏源电压（ $V_{DS}$ ）下的漏极电流随栅极电压变化的曲线，其中 $V_G$ 从 0 V 扫至 -0.8 V。为确保一致性，将曲线插值到统一的 $V_G$ 向量上。鉴于漏极电流具有宽动态范围，应用了以 10 为底的对数变换。数据通过使用从训练池中计算出的均值和标准差进行 z-score 归一化处理。
网络架构： 采用对称的编码器-解码器神经网络。
- 输入： 由归一化后的 $I_D$ 点与归一化的 $V_{DS}$ 值拼接而成的展平向量。
- 编码器： 两个全连接隐藏层（各 50 个神经元，ReLU 激活函数），将输入压缩至 3 神经元的潜在空间瓶颈。
- 解码器： 两个镜像自编码器的全连接层，用于重建原始输入向量。
- 训练： 模型使用 Adam 优化器进行训练，最多进行 500 个 epoch。
评估： 除了重建误差外，还通过从重建曲线中提取关键器件指标来评估模型的有效性，包括阈值电压（ $V_{TH}$ ）、亚阈值摆幅（$SS $）和峰值跨导（$ g_m$）。这些指标与原始 BSIM-CMG 数据进行了对比。

主要贡献

潜在空间压缩： 本研究展示了将完整的 $I_D$ - $V_G$ 曲线压缩到能够本质上编码关键器件物理特性的低维潜在空间的能力。
显式偏置引入： 一项显著的创新是显式地将漏源电压（ $V_{DS}$ ）作为输入特征。这增强了模型捕捉偏置相关变化的能力，而这一因素在更简单的回归模型中通常被单独处理。
直接指标提取： 该框架成功重建了完整曲线，并能直接提取关键参数（ $V_{TH}$ 、$SS $、$ g_m$），无需进行手动特征工程或复杂的后处理。
数据效率： 该方法利用流形学习原理，表明在极少量的训练数据下即可实现高精度（参考前人工作，对于类似任务仅需 25–50 个样本即可）。

结果
所提出的 AI 模型针对工业标准 BSIM-CMG 模型进行了验证：

曲线相关性： 模型在不同栅极电压下，对于漏极电流和跨导均表现出与 BSIM-CMG 的强相关性。
统计准确性： 在不同的 $V_{DS}$ 值下，决定系数（ $R^2$ ）始终超过 0.9。
参数提取误差：
- 阈值电压（ $V_{TH}$ ）： AI 预测的 $V_{TH}$ 与 BSIM 提取的 $V_{TH}$ 之间的百分比误差始终较低，证实了准确捕捉阈值对漏极偏置依赖性的能力。
- 亚阈值摆幅（$SS$）： 在预测的亚阈值摆幅中同样观察到较低的百分比误差。
- 跨导（ $g_m$ ）： 峰值跨导预测的误差保持在 0% 到 5% 的范围内。作者指出， $g_m$ 比 $V_{TH}$ 或 $SS $表现出略高的变异性，这是预料之中的，因为$ g_m$ 是一个对曲线形状微小变化高度敏感的微分参数。

意义与主张
论文得出结论，所提出的自动编码器框架为快速器件表征和建模提供了一个强大的工具。通过以低预测误差准确重现关键器件特性，该模型展示了适用于模拟、数字及射频（RF）电路设计的鲁棒性。作者将这种数据驱动的方法定位为传统紧凑模型的可行替代方案，为现有及未来器件技术提供了一条实现快速建模和高精度的路径，同时降低了对手动领域专家进行特征提取的依赖。