研究背景

 

由于晶体管尺寸微缩带来的性能增益逐渐减少,集成电路制程发展速度放缓,纳米器件和集成电路制造相关的厂商和机构转而从新型器件结构入手探索新的技术助推剂。一些半导体技术的发展严重依赖于器件模拟技术,因此,需要找到降低器件仿真和计算时间成本的方式方法。此外,功函数波动(以下简称WKF)、随机掺杂剂波动(以下简称RDF)、随机界面阱(暂译,random interface trap简称RIT)、工艺参数浮动效应(以下简称PVE)和边缘粗糙度(line-edge roughness)等各种变化因子在先进集成电路制造中都有着重要的作用。如今,高驱动电流和器件缩小是半导体制造中需要考虑的两大因素。

 

台湾阳明交通大学平行与科学计算实验室研究团队首次提出了一种深度学习算法研究不同工艺变化因子对半导体纳米器件性能的影响,基于栅极功函数波动统计分布,并以先进GAA晶体管为研究对象探索了器件模拟仿真的创新新方案。该成果以“Deep Learning Approach to Inverse Grain Pattern of Nanosized Metal Gate for Multichannel GateAll-Around Silicon Nanosheet MOSFETs”为题发表于IEEE Transactions on Semiconductor Manufacturing,第一作者为Chandni Akbar,通讯作者为李义明教授。

 

研究内容

 

研究团队通过对于晶体管器件进行研究,发现金属栅极的WKF会引起不同的电性能变化,针对其实验成果提出了一种深度学习算法——artificial neural network(以下简称ANN),用于识别金属栅极上合适的WKF模式,以减少波动造成的影响。在此基础上,团队进一步研究了探讨了ANN算法在多沟道GAA nanosheet器件*中的应用,以抑制WKF对特性波动的影响。

 

*多沟道GAA nanosheet器件,与三星发布的MBCFET类似,是一种采用多nanosheet沟道堆叠结构的环栅晶体管器件,不同厂商有各自的命名。

 

 

 

 

图(a)为多沟道nanosheet器件示意图;

 

图(b)为功函数模型,以二进制图案映射WKF波动

 

 

 

通过器件仿真生成数据的原理流程图

 

 

 

 

 

图为ANN架构实际工作示例

 

 

 

 

ANN算法训练模式

 

 

 

 

ANN算法测试模式

 

 

 

DL-ANN模型的性能验证显示:

 

图(a)经多次训练&测试的损失值变化;

图(b)经多次训练&测试的模型精度变化

 

前景展望

 

台湾阳明大学团队基于WKF对工艺变化影响的ANN算法,为纳米器件建模和电路设计分析提供一种新的方法,可减小器件电学特性的波动,加速器件设计和工艺中的调参流程,是集成电路器件仿真和新兴人工智能技术优化技术之间的桥梁,并在未来成为集成电路器件模拟和优化的一剂强大助推剂。

 

团队介绍

 

李义明教授,台湾阳明交通大学电机系教授、平行与科学计算实验室负责人、纳米元件实验室组长及副研究员,2001年博士毕业于国立交通大学电子研究所。目前研究方向为半导体组件模式与仿真、电路仿真与设计优化、显示、生医与能源电子。

 

台湾阳明交通大学,原台湾交通大学与阳明大学于2021年正式合并改组完成,两校皆为台湾一流学府,分别专长于电子信息领域和生物医学领域;其中,台交大在电子、通信和光电等学科研究水平居世界前列。

 

平行与科学计算实验室,由国立交通大学发起成立于公元2001年,从事基础学术研究以及电机信息领域实务问题,该实验室与新竹科学园区半导体、面板显示器、与太阳能电池大厂密切合作,实验室所研究的结果,皆与业界进行样品实作与实验量测验证,是世界上少数能落实学以致用,缩小理论与实务差距之专业实验室。

 

 

论文原文链接:https://ieeexplore.ieee.org/document/9552207/