隨著集成電路特征尺寸的不斷微縮,工藝和器件模擬的計(jì)算復(fù)雜度顯著增加,傳統(tǒng)物理建模方法難以滿足大規(guī)模仿真和快速迭代的需求,亟需引入前沿人工智能技術(shù),開(kāi)發(fā)高效的仿真模型以支撐先進(jìn)工藝參數(shù)優(yōu)化和新型器件設(shè)計(jì)。

在刻蝕工藝的仿真加速方面,EDA中心姚振杰副研究員和陳睿研究員開(kāi)展聯(lián)合攻關(guān),提出一種級(jí)聯(lián)遞歸神經(jīng)網(wǎng)絡(luò)(CRNN),該模型通過(guò)遞歸神經(jīng)網(wǎng)絡(luò)充分表征刻蝕輪廓,通過(guò)級(jí)聯(lián)組合層實(shí)現(xiàn)輪廓特征與工藝參數(shù)的(如壓力、功率、溫度和電壓)的信息融合。通過(guò)仿真和實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證,與傳統(tǒng)刻蝕模型仿真結(jié)果對(duì)比,CRNN模型在保證預(yù)測(cè)精度的前提下,顯著提升了建模效率,驗(yàn)證了人工智能在工藝建模方面的計(jì)算效率優(yōu)勢(shì)。

在GAAFET器件仿真加速方面,EDA中心姚振杰副研究員團(tuán)隊(duì)和北京航空航天大學(xué)、概倫電子合作,提出一種密集連接深度神經(jīng)網(wǎng)絡(luò)(DenseDNN),通過(guò)在神經(jīng)網(wǎng)絡(luò)各層之間建立直接連接,提供更強(qiáng)的特征提取和信息傳遞能力。結(jié)合代價(jià)敏感學(xué)習(xí)方法,模型更加關(guān)注決定器件特性的關(guān)鍵數(shù)據(jù),從而實(shí)現(xiàn)對(duì)關(guān)鍵器件特性的準(zhǔn)確預(yù)測(cè)。該研究工作展現(xiàn)了人工智能在器件建模方面的性能和效率優(yōu)勢(shì),為先進(jìn)半導(dǎo)體器件的智能化模型提供了參考。

智能驅(qū)動(dòng)刻蝕工藝仿真研究成果“Etching Process Prediction based on Cascade Recurrent Neural Network”?發(fā)表在人工智能權(quán)威期刊《Engineering Applications of Artificial Intelligence (EAAI)》,微電子所副研究員姚振杰為論文的第一作者,微電子所陳睿研究員、李俊杰正高級(jí)工程師為共同通訊作者。智能器件建模研究成果“Device Modeling Based on Cost-Sensitive Densely Connected Deep Neural Networks”發(fā)表在器件領(lǐng)域權(quán)威期刊《IEEE Journal of the Electron Devices Society》,微電子所研究生唐曉瑩為第一作者,微電子所副研究員姚振杰為通訊作者。兩項(xiàng)研究得到了國(guó)家重點(diǎn)研發(fā)計(jì)劃和中國(guó)科學(xué)院戰(zhàn)略性A類(lèi)先導(dǎo)專(zhuān)項(xiàng)的支持。

論文鏈接:https://ieeexplore.ieee.org/abstract/document/10643157

https://www.sciencedirect.com/science/article/abs/pii/S0952197624017482

圖1 基于CRNN的刻蝕工藝預(yù)測(cè)

圖2 基于代價(jià)敏感稠密鏈接神經(jīng)網(wǎng)絡(luò)的GAA NSFET電學(xué)特性建模