MOSFET Physics-Based Compact Model Mass-Produced: An Artificial Neural Network Approach

MOSFET 人工神经网络 缩放比例 泊松方程 半导体器件 计算机科学 电子工程 拓扑(电路) 统计物理学 物理 晶体管 人工智能 数学 电气工程 工程类 量子力学 材料科学 电压 纳米技术 几何学 图层(电子)
作者
Shijie Huang,Lingfei Wang
出处
期刊:Micromachines [MDPI AG]
卷期号:14 (2): 386-386 被引量:8
标识
DOI:10.3390/mi14020386
摘要

The continued scaling-down of nanoscale semiconductor devices has made it very challenging to obtain analytic surface potential solutions from complex equations in physics, which is the fundamental purpose of the MOSFET compact model. In this work, we proposed a general framework to automatically derive analytical solutions for surface potential in MOSFET, by leveraging the universal approximation power of deep neural networks. Our framework incorporated a physical-relation-neural-network (PRNN) to learn side-by-side from a general-purpose numerical simulator in handling complex equations of mathematical physics, and then instilled the “knowledge’’ from the simulation data into the neural network, so as to generate an accurate closed-form mapping between device parameters and surface potential. Inherently, the surface potential was able to reflect the numerical solution of a two-dimensional (2D) Poisson equation, surpassing the limits of traditional 1D Poisson equation solutions, thus better illustrating the physical characteristics of scaling devices. We obtained promising results in inferring the analytic surface potential of MOSFET, and in applying the derived potential function to the building of 130 nm MOSFET compact models and circuit simulation. Such an efficient framework with accurate prediction of device performances demonstrates its potential in device optimization and circuit design.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
不配.应助跳跃的白梅采纳,获得10
刚刚
布丁完成签到,获得积分10
1秒前
香蕉觅云应助LJX采纳,获得10
1秒前
坦率斑马完成签到,获得积分10
1秒前
百草完成签到,获得积分10
1秒前
卡卡西发布了新的文献求助10
2秒前
wuyuan9588完成签到 ,获得积分10
2秒前
2秒前
续续完成签到,获得积分10
3秒前
丘比特应助陈文学采纳,获得10
3秒前
雪花君完成签到,获得积分10
3秒前
李爱国应助老和尚采纳,获得10
4秒前
吴晨曦完成签到,获得积分10
5秒前
Sophia完成签到,获得积分10
5秒前
超级饼干完成签到,获得积分10
6秒前
7秒前
hucchongzi应助awei采纳,获得10
7秒前
依古比古发布了新的文献求助10
7秒前
澄明的晨星完成签到,获得积分10
7秒前
科研不秃头完成签到 ,获得积分10
7秒前
8秒前
luckyd完成签到 ,获得积分10
8秒前
细心妙旋完成签到 ,获得积分10
8秒前
自由凌波发布了新的文献求助10
8秒前
9秒前
11完成签到,获得积分10
9秒前
Oxygen完成签到,获得积分10
11秒前
DaSheng完成签到,获得积分10
12秒前
默默的巧蕊完成签到,获得积分10
12秒前
丁sir发布了新的文献求助10
12秒前
SHD完成签到,获得积分10
12秒前
CodeCraft应助阿修罗采纳,获得10
12秒前
跳跃的白梅完成签到,获得积分10
12秒前
zdl完成签到,获得积分10
13秒前
大泥鳅发布了新的文献求助10
14秒前
淡然智宸完成签到,获得积分10
14秒前
活泼的幻梦完成签到 ,获得积分10
14秒前
15秒前
皎皎完成签到,获得积分20
15秒前
感性的莺完成签到,获得积分10
15秒前
高分求助中
Sustainability in Tides Chemistry 2000
Microlepidoptera Palaearctica, Volumes 1 and 3 - 13 (12-Volume Set) [German] 1122
Дружба 友好报 (1957-1958) 1000
The Data Economy: Tools and Applications 1000
A Dissection Guide & Atlas to the Rabbit 600
Mantiden - Faszinierende Lauerjäger – Buch gebraucht kaufen 500
PraxisRatgeber Mantiden., faszinierende Lauerjäger. – Buch gebraucht kaufe 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3104211
求助须知:如何正确求助?哪些是违规求助? 2755498
关于积分的说明 7633314
捐赠科研通 2408986
什么是DOI,文献DOI怎么找? 1278114
科研通“疑难数据库(出版商)”最低求助积分说明 617284
版权声明 599207