Ein intelligenter und präziser Parameterextraktor für BSIM-CMG-Modelle

Core Concepts

iPREFER ist ein innovatives Werkzeug zur hochpräzisen Extraktion von Kompaktmodellparametern, das Merkmalsextraktion aus Bauelementekennlinien und maschinelles Lernen nahtlos integriert. Es ermöglicht eine effiziente Überführung von TCAD-Modellen in Schaltungsdesign-Kompaktmodelle und unterstützt so den Design-Technologie-Co-Optimierungsprozess.

Abstract

Das Papier stellt ein neuartiges Verfahren zur Extraktion von Kompaktmodellparametern für BSIM-CMG-Modelle vor, das Merkmalsextraktion aus Bauelementekennlinien und maschinelles Lernen kombiniert.
Das Verfahren, genannt iPREFER, besteht aus vier Hauptmodulen:

Eingabedaten: Umfasst Trainingsdaten aus Monte-Carlo-Simulationen und TCAD-Simulationsdaten zur Validierung.
Merkmalsextraktor: Extrahiert relevante physikalische und statistische Merkmale aus Strom-Spannungs- und Kapazitäts-Spannungskennlinien.
Kompaktmodell-Parameterextraktor: Verwendet ein einfaches neuronales Netzwerk, um die Beziehung zwischen den Kennlinieneigenschaften und den Kompaktmodellparametern zu lernen.
Modellverifikation: Vergleicht die Simulationskurven des extrahierten Kompaktmodells mit den ursprünglichen TCAD-Daten, um die Extraktionsgenauigkeit zu bewerten.

Die Validierung mit TCAD-Daten eines 5-nm-Nanoblatt-Transistors zeigt eine hervorragende Genauigkeit, mit Abweichungen von nur 0,42% für Kapazitäts-Spannungskurven und 1,28% für Strom-Spannungskurven. Selbst bei Variationen von ±10% in Gatelänge und Oxiddicke bleibt die Extraktionsgenauigkeit hoch.
Im Vergleich zu anderen KI-basierten Verfahren zeichnet sich iPREFER durch eine kleinere Netzwerkstruktur, kürzere Trainingszeiten, geringeren Datenbedarf und höhere Extraktionsgenauigkeit aus. Damit stellt es einen wichtigen Schritt zur Unterstützung von Innovation und Fortschritt im Halbleiterdesign und in der Prozessoptimierung dar.

Stats

Die maximale Abweichung der Cgg-Vgs-Kurve beträgt 0,42% RMS.
Die maximale Abweichung der Ids-Vgs-Kurve (Vds=0,05V) beträgt 1,28% RMS, im Unterschwellbereich 0,32% RMS.
Die maximale Abweichung der Ids-Vgs-Kurve (Vds=0,7V) beträgt 2,6%, im Unterschwellbereich 0,95% RMS.
Die maximale Abweichung der Ids-Vds-Kurve beträgt 1,58% RMS.
Bei Variation von Gatelänge und Oxiddicke um ±10% beträgt die durchschnittliche Abweichung 0,47% für Cgg-Vgs, 1,44% für Ids-Vgs (Vds=0,05V), 2,47% für Ids-Vgs (Vds=0,7V), 3,98% für Gm-Vgs (Vds=0,05V) und 3,59% für Gm-Vgs (Vds=0,7V).

Quotes

"iPREFER demonstriert ausreichende Genauigkeit bei der Extraktion des Kompaktmodells aus Baseline-TCAD-Daten, wie die hochpräzise Anpassung der Ableitungen höherer Ordnung zeigt."
"Diese Ergebnisse zeigen, dass iPREFER Kompaktmodelle für variable TCAD-Daten genau extrahiert, und die Parameterextraktionsgenauigkeit ist mit der für Baseline-TCAD-Daten vergleichbar."

Key Insights Distilled From

iPREFER

by Zhiliang Pen... at arxiv.org 04-12-2024

https://arxiv.org/pdf/2404.07827.pdf

Deeper Inquiries

Wie lässt sich die Merkmalsextraktion von iPREFER auf andere Kompaktmodelle als BSIM-CMG erweitern?

Die Merkmalsextraktion von iPREFER kann auf andere Kompaktmodelle als BSIM-CMG erweitert werden, indem die relevanten Merkmale und Eigenschaften der spezifischen Kompaktmodelle identifiziert und in den Extraktionsprozess integriert werden. Dies erfordert eine gründliche Analyse der physikalischen und statistischen Merkmale der elektrischen Charakteristiken der jeweiligen Geräte, um sicherzustellen, dass die extrahierten Merkmale eine klare Korrelation zu den Parametern des Kompaktmodells aufweisen. Durch Anpassung der Merkmalsextraktion an die spezifischen Anforderungen und Gleichungen der alternativen Kompaktmodelle kann iPREFER vielseitig eingesetzt werden, um präzise Parameterextraktionen für verschiedene Geräteplattformen zu ermöglichen.

Welche zusätzlichen Herausforderungen ergeben sich bei der Anwendung von iPREFER auf experimentelle Messdaten anstelle von TCAD-Simulationen?

Die Anwendung von iPREFER auf experimentelle Messdaten anstelle von TCAD-Simulationen kann zusätzliche Herausforderungen mit sich bringen, da experimentelle Daten oft mit mehr Unsicherheiten und Rauschen behaftet sind als Simulationsdaten. Die Merkmalsextraktion und Parameterextraktion müssen möglicherweise an die spezifischen Eigenschaften der experimentellen Daten angepasst werden, um eine genaue und zuverlässige Extraktion zu gewährleisten. Darüber hinaus kann die Validierung und Anpassung von iPREFER an experimentelle Daten eine sorgfältige Kalibrierung erfordern, um die Genauigkeit und Zuverlässigkeit der extrahierten Kompaktmodelle sicherzustellen.

Wie könnte man die Leistungsfähigkeit von iPREFER weiter steigern, z.B. durch den Einsatz fortgeschrittener neuronaler Netzwerkarchitekturen?

Die Leistungsfähigkeit von iPREFER könnte durch den Einsatz fortgeschrittener neuronaler Netzwerkarchitekturen weiter gesteigert werden, indem komplexere Netzwerkstrukturen und Trainingsmethoden implementiert werden. Dies könnte die Fähigkeit von iPREFER verbessern, komplexe Zusammenhänge zwischen den extrahierten Merkmalen und den Kompaktmodellparametern zu erfassen. Der Einsatz von Convolutional Neural Networks (CNNs) oder Recurrent Neural Networks (RNNs) könnte die Merkmalsextraktion und Parametervorhersage optimieren, insbesondere bei der Verarbeitung großer und vielschichtiger Daten. Darüber hinaus könnte die Integration von Transfer Learning oder Reinforcement Learning Techniken die Anpassungsfähigkeit und Generalisierungsfähigkeit von iPREFER verbessern, um eine präzisere und effizientere Parameterextraktion für verschiedene Geräteplattformen zu ermöglichen.