679
近期落幕的2022 VLSI-TSA上，中国台湾阳明交通大学李义明团队发表了应用于GAA晶体管器件的人工神经网络模型，该模型基于深度学习技术开发的，可针对功函数涨落、随机掺杂波动和界面陷阱波动等影响器件结构的随机参数进行预测。
随着器件技术节点的发展，缩小晶体管尺寸的技术进程面临着越来越大的挑战。产业现状表明，对集成电路制造商而言，通过制造面积更小的晶体管器件以实现更低的成本、提供更好的性能以及降低功率的传统技术演进路径会变得越发困难，晶体管的结构到了改变的时候。
四面环栅的GAA晶体管结构应运而生，其栅极从对沟道实现了360°的包裹。在不同的GAA衍生结构中，硅基nanosheet被认为是构建未来晶体管的最佳结构。但像nanosheet这样的器件通常会受到各种波动的影响，如功函数波动(WKF)、随机掺杂波动(RDF)、界面陷阱波动(ITF)、线边缘粗糙度(LER)等。考虑和研究这些波动在对于纳米器件的影响具有十分重要的意义。
中国台湾阳明交通大学平行与科学计算实验室研究团队提出将深度学习技术应用于函数涨落等影响晶体管建模的随机变化计算，其成果以Deep Learning Approach to Modeling and Exploring Random Sources of Gate-All-Around Silicon Nanosheet MOSFETs为题发表于中国台湾新竹举行的2022年VLSI-TSA会议，Rajat Butola为第一作者，李义明教授为通讯作者。
阳明交通大学研究团队为了分析前述这些波动对GAA器件的影响，引入了基于深度学习的神经网络模型，同时考虑了WKF、RDF和ITF三种不同的波动，并共同研究了它们对3nm节点技术电特性的综合影响。深度学习模型的训练（train）是通过给模型喂数据以学习隐藏参数，而测试（test）指的是对训练后的模型中新出现的数据进行预测；通过将每个源数据变化的波动次数作为输入特征，定性和定量地研究了它们对器件的影响。
具体过程包括：
· 在配置深度学习模型之前执行数据预处理；
· WKF、RDF和ITF三种波动的数据输入到深度学习模型中；
· 训练神经网络模型时，在每个epoch*内优化隐藏层的权重和偏差值；
· 通过对比模拟和预测的ID-Vg曲线，预测值与模拟值相一致，证明该模型具有较好的预测性。
*epoch，所有的数据送入网络中, 完成一次前向计算 + 反向传播的过程。
GAA器件的三种波动示意图(a)，
以及器件模拟参数表(b)
器件模拟仿真流程
图 (a)神经网络模型结构； (b)调制超参数及其对应值；
(c)损失函数随Epoch的衰减曲线
对GAA器件的线性坐标模拟，ANN模型预测其传输特性，具有较好一致性
从模拟/算法预测的ID-VG曲线中提取关键数据对比：ION、IOFF和gm
阳明交通大学团队首次利用深度学习算法，通过分析WK、RD等类型的函数波动的变化来预测和确定GAA器件的电学特性，其实验结果被证明是有效且低成本的研究不同源参数变化和传输特性之间关系的变化。目前，该团队正开发多种深度学习技术以应用于更多场景下的先进纳米器件仿真，助力先进信息技术落地集成电路器件领域，推动先进制程前沿技术的快速发展。
团队介绍：
李义明教授，中国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。
中国台湾阳明交通大学，原中国台湾交通大学与阳明大学于2021年正式合并改组完成，两校皆为中国台湾一流学府，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/9771019
