机构名称：
¥ 1.0
摘要：随着纳米级半导体器件尺寸的不断缩小，从复杂的物理方程中获取表面势的解析解变得越来越困难，而这正是 MOSFET 紧凑模型的根本目的。在本文中，我们提出了一个通用框架，利用深度神经网络的通用近似能力，自动推导 MOSFET 表面势的解析解。我们的框架结合了物理关系神经网络 (PRNN)，可以从通用数值模拟器并行学习处理复杂的数学物理方程，然后将模拟数据中的“知识”灌输到神经网络，从而生成器件参数和表面势之间的精确闭式映射。本质上，表面势能够反映二维 (2D) 泊松方程的数值解，超越了传统一维泊松方程解的限制，从而更好地说明缩放器件的物理特性。我们在推导 MOSFET 的解析表面电位以及将导出的电位函数应用于 130 nm MOSFET 紧凑模型的构建和电路模拟方面取得了令人鼓舞的结果。这种高效框架能够准确预测器件性能，展现了其在器件优化和电路设计方面的潜力。
基于MOSFET物理的紧凑型模型量产
主要关键词
相关文件推荐
