科研前線 | AI與芯片大碰撞，臺交大深度學習算法賦能GAA器件模擬

研究背景

由于晶體管尺寸微縮帶來的性能增益逐漸減少，集成電路制程發(fā)展速度放緩，納米器件和集成電路制造相關的廠商和機構轉而從新型器件結構入手探索新的技術助推劑。一些半導體技術的發(fā)展嚴重依賴于器件模擬技術，因此，需要找到降低器件仿真和計算時間成本的方式方法。此外，功函數(shù)波動（以下簡稱WKF）、隨機摻雜劑波動（以下簡稱RDF）、隨機界面阱（暫譯，random interface trap簡稱RIT）、工藝參數(shù)浮動效應（以下簡稱PVE）和邊緣粗糙度（line-edge roughness）等各種變化因子在先進集成電路制造中都有著重要的作用。如今,高驅動電流和器件縮小是半導體制造中需要考慮的兩大因素。

中國臺灣陽明交通大學平行與科學計算實驗室研究團隊首次提出了一種深度學習算法研究不同工藝變化因子對半導體納米器件性能的影響,基于柵極功函數(shù)波動統(tǒng)計分布，并以先進GAA晶體管為研究對象探索了器件模擬仿真的創(chuàng)新新方案。該成果以“Deep Learning Approach to Inverse Grain Pattern of Nanosized Metal Gate for Multichannel GateAll-Around Silicon Nanosheet MOSFETs”為題發(fā)表于IEEE Transactions on Semiconductor Manufacturing，第一作者為Chandni Akbar，通訊作者為李義明教授。

研究內容

研究團隊通過對于晶體管器件進行研究，發(fā)現(xiàn)金屬柵極的WKF會引起不同的電性能變化，針對其實驗成果提出了一種深度學習算法——artificial neural network(以下簡稱ANN)，用于識別金屬柵極上合適的WKF模式，以減少波動造成的影響。在此基礎上，團隊進一步研究了探討了ANN算法在多溝道GAA nanosheet器件*中的應用，以抑制WKF對特性波動的影響。

*多溝道GAA nanosheet器件，與三星發(fā)布的MBCFET類似，是一種采用多nanosheet溝道堆疊結構的環(huán)柵晶體管器件，不同廠商有各自的命名。

圖(a)為多溝道nanosheet器件示意圖；

圖(b)為功函數(shù)模型,以二進制圖案映射WKF波動

通過器件仿真生成數(shù)據(jù)的原理流程圖

圖為ANN架構實際工作示例

ANN算法訓練模式

ANN算法測試模式

DL-ANN模型的性能驗證顯示：

圖(a)經(jīng)多次訓練&測試的損失值變化；

圖(b)經(jīng)多次訓練&測試的模型精度變化

前景展望

中國臺灣陽明大學團隊基于WKF對工藝變化影響的ANN算法，為納米器件建模和電路設計分析提供一種新的方法，可減小器件電學特性的波動，加速器件設計和工藝中的調參流程，是集成電路器件仿真和新興人工智能技術優(yōu)化技術之間的橋梁，并在未來成為集成電路器件模擬和優(yōu)化的一劑強大助推劑。

團隊介紹

李義明教授，中國臺灣陽明交通大學電機系教授、平行與科學計算實驗室負責人、納米元件實驗室組長及副研究員，2001年博士畢業(yè)于國立交通大學電子研究所。目前研究方向為半導體組件模式與仿真、電路仿真與設計優(yōu)化、顯示、生醫(yī)與能源電子。

中國臺灣陽明交通大學，原中國臺灣交通大學與陽明大學于2021年正式合并改組完成，兩校皆為中國臺灣一流學府，分別專長于電子信息領域和生物醫(yī)學領域；其中，臺交大在電子、通信和光電等學科研究水平居世界前列。

平行與科學計算實驗室，由國立交通大學發(fā)起成立于公元2001年，從事基礎學術研究以及電機信息領域實務問題，該實驗室與新竹科學園區(qū)半導體、面板顯示器、與太陽能電池大廠密切合作，實驗室所研究的結果，皆與業(yè)界進行樣品實作與實驗量測驗證，是世界上少數(shù)能落實學以致用，縮小理論與實務差距之專業(yè)實驗室。

論文原文鏈接：https://ieeexplore.ieee.org/document/9552207/