Agentic TCAD Calibration Workflow for Oxide Semiconductor Transistors
本文介绍了一种代理式 TCAD 校准工作流，该工作流利用大语言模型（LLM）来编排氧化物半导体晶体管的迭代模型优化与物理模型选择，成功降低了多指标器件误差，并证明了与传统的依赖专家的方案相比，该方法在不同偏置和几何结构下具有更优越的模型迁移能力。
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
在现代电子领域，硅芯片长期以来一直是无可争议的王者，但工程师们正越来越多地转向新材料，以构建下一代设备。在这些竞争者中，由氧化物半导体制成的晶体管脱颖而出，这类材料可以在较低的温度下进行加工，并集成到先进计算机芯片的复杂层中。这些设备对于从我们手机中的存储器到电动汽车中的功率转换器等各种用途都至关重要。然而，在这些新材料被制造出来之前，预测它们的行为是一项极其困难的任务。科学家使用复杂的计算机模拟来对这些设备进行建模，但要使模拟与现实世界相匹配，就像是在暴风雨中尝试调频收音机一样：可能有许多不同的设置可以产生清晰的信号，但只有一个设置能反映材料真实的物理特性。如果没有精确的匹配，工程师就无法可靠地设计出为我们的技术提供动力的未来电路。
一组研究人员现在推出了一种解决这一“调频”问题的新方法，从缓慢的人工猜测转向自动化、智能化的过程。在最近的一项研究中，他们展示了一个工作流，其中一个人工智能代理充当向导，帮助校准一种由铟、钨和氧制成的特定类型晶体管的计算机模型。其目标是获取来自物理器件的原始电学测量数据，并找到模拟器内部确切的一套规则和数值，从而完美地重现这些测量结果。研究人员发现，通过让 AI 代理分析真实器件与模拟器之间的差异，它可以系统地提出对模型的修改建议。经过仅仅五轮这种智能化的建议后，模拟器就成为了真实器件的高度精确的呈现，使两者之间的误差降低了十四倍以上。
该过程始于一个已经在实验室中制造并测量过的物理晶体管。研究人员将该器件的电学数据输入到一个旨在模拟晶体管应如何工作的计算机程序中。最初，模拟结果与真实数据并不匹配；代表电流流动的曲线位置不对。AI 代理并没有让人类专家花费数小时手动调整数十个变量，而是接管了工作。这个代理扮演着项目经理的角色，不断比较模拟结果与实际测量值。当它发现不匹配时，它并不仅仅是猜测一个数字来修复它。相反，它会查阅大量的技术手册和科学文献，以理解可能导致误差的物理现象是什么。
如果这种不匹配表明器件未能以正确的电压开启，代理可能会建议调整功函数（work function），这是一个描述电子离开材料难易程度的属性。如果这种不匹配出现在器件本应关闭时的漏电流方式上，代理可能会提议添加一个新的物理模型，以解释材料内的陷阱电荷或特定的能态。至关重要的是，代理只接受那些确实能改善匹配度的改动。如果建议的调整使模拟效果变差或无法收敛，代理就会丢弃该建议并尝试另一条路径。这种测量、比较、咨询和调整的循环持续进行，直到模拟与现实世界的数据达成一致。
这种自动化校准的结果令人瞩目。最终的模型是利用具有特定化学成分的器件数据构建的，它能够在不需要重新调优的情况下，预测该器件在各种条件下的行为。当研究人员用不同的电压测试该模型，甚至用一个长度是原器件两倍的晶体管进行测试时，模拟依然保持准确。预测器件开启电压的误差小于 46.2 mV，预测电流流动的误差小于 0.062 个数量级（decade）。这证明了该模型学习到了器件底层的物理特性，而不仅仅是记住了某一组数字。
这项研究还揭示了该模型如何用于理解制造过程本身。研究人员测试了第二个由化学成分略有不同的混合物（含有更多钨）制成的器件。AI 代理成功地为这个新器件重新校准了模型，并识别出化学成分的变化主要影响了材料内的载流子密度。这提供了一个在制造配方与电学性能之间清晰且定量的联系，为未来帮助工程师优化生产流程提供了见解。
这项工作证明了人工智能可以作为开发新型电子材料的强大伙伴，将曾经需要深厚专业直觉的过程转变为更加系统化、更快速的工作流。通过将传统模拟的物理严谨性与 AI 代理的自适应推理相结合，研究人员为更可靠、更高效地设计下一代半导体器件开辟了一条路径。这种方法并非取代人类的专业知识，而是增强了它，让工程师能够专注于宏观图景，而由代理处理寻找理论与现实之间完美匹配的复杂迭代任务。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。