科研前線 | 深度學習助力GAA器件設計，臺灣NYCU新成果發布

直擊前線科研動態

盡在芯片揭秘●科研前線

近期落幕的2022 VLSI-TSA上，臺灣陽明交通大學李義明團隊發表了應用于GAA晶體管器件的人工神經網絡模型，該模型基于深度學習技術開發的，可針對功函數漲落、隨機摻雜波動和界面陷阱波動等影響器件結構的隨機參數進行預測。

隨著器件技術節點的發展，縮小晶體管尺寸的技術進程面臨著越來越大的挑戰。產業現狀表明，對集成電路制造商而言，通過制造面積更小的晶體管器件以實現更低的成本、提供更好的性能以及降低功率的傳統技術演進路徑會變得越發困難，晶體管的結構到了改變的時候。

四面環柵的GAA晶體管結構應運而生，其柵極從對溝道實現了360°的包裹。在不同的GAA衍生結構中，硅基nanosheet被認為是構建未來晶體管的最佳結構。但像nanosheet這樣的器件通常會受到各種波動的影響，如功函數波動(WKF)、隨機摻雜波動(RDF)、界面陷阱波動(ITF)、線邊緣粗糙度(LER)等。考慮和研究這些波動在對于納米器件的影響具有十分重要的意義。

臺灣陽明交通大學平行與科學計算實驗室研究團隊提出將深度學習技術應用于函數漲落等影響晶體管建模的隨機變化計算，其成果以Deep Learning Approach to Modeling and Exploring Random Sources of Gate-All-Around Silicon Nanosheet MOSFETs為題發表于臺灣新竹舉行的2022年VLSI-TSA會議，Rajat Butola為第一作者，李義明教授為通訊作者。

陽明交通大學研究團隊為了分析前述這些波動對GAA器件的影響，引入了基于深度學習的神經網絡模型，同時考慮了WKF、RDF和ITF三種不同的波動，并共同研究了它們對3nm節點技術電特性的綜合影響。深度學習模型的訓練（train）是通過給模型喂數據以學習隱藏參數，而測試（test）指的是對訓練后的模型中新出現的數據進行預測；通過將每個源數據變化的波動次數作為輸入特征，定性和定量地研究了它們對器件的影響。

具體過程包括：

· 在配置深度學習模型之前執行數據預處理；

· WKF、RDF和ITF三種波動的數據輸入到深度學習模型中；

· 訓練神經網絡模型時，在每個epoch*內優化隱藏層的權重和偏差值；

· 通過對比模擬和預測的ID-Vg曲線，預測值與模擬值相一致，證明該模型具有較好的預測性。

*epoch，所有的數據送入網絡中, 完成一次前向計算 + 反向傳播的過程。

GAA器件的三種波動示意圖(a)， 以及器件模擬參數表(b)

器件模擬仿真流程

圖 (a)神經網絡模型結構； (b)調制超參數及其對應值； (c)損失函數隨Epoch的衰減曲線

對GAA器件的線性坐標模擬， ANN模型預測其傳輸特性，具有較好一致性

從模擬/算法預測的ID-VG曲線中提取關鍵數據對比： ION、IOFF和gm

陽明交通大學團隊首次利用深度學習算法，通過分析WK、RD等類型的函數波動的變化來預測和確定GAA器件的電學特性，其實驗結果被證明是有效且低成本的研究不同源參數變化和傳輸特性之間關系的變化。目前，該團隊正開發多種深度學習技術以應用于更多場景下的先進納米器件仿真，助力先進信息技術落地集成電路器件領域，推動先進制程前沿技術的快速發展。

李義明教授，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、電路仿真與設計優化、顯示、生醫與能源電子。

臺灣陽明交通大學，原臺灣交通大學與陽明大學于2021年正式合并改組完成，兩校皆為臺灣一流學府，分別專長于電子信息領域和生物醫學領域；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，皆與業界進行樣品實作與實驗量測驗證，是世界上少數能落實學以致用，縮小理論與實務差距之專業實驗室。