隨著集成電路特征尺寸的不斷微縮，工藝和器件模擬的計算復雜度顯著增加，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，開發(fā)高效的仿真模型以支撐先進工藝參數(shù)優(yōu)化和新型器件設計。

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展聯(lián)合攻關，提出一種級聯(lián)遞歸神經(jīng)網(wǎng)絡（CRNN），該模型通過遞歸神經(jīng)網(wǎng)絡充分表征刻蝕輪廓，通過級聯(lián)組合層實現(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。通過仿真和實驗數(shù)據(jù)驗證，與傳統(tǒng)刻蝕模型仿真結果對比，CRNN模型在保證預測精度的前提下，顯著提升了建模效率，驗證了人工智能在工藝建模方面的計算效率優(yōu)勢。

在GAAFET器件仿真加速方面，EDA中心姚振杰副研究員團隊和北京航空航天大學、概倫電子合作，提出一種密集連接深度神經(jīng)網(wǎng)絡（DenseDNN），通過在神經(jīng)網(wǎng)絡各層之間建立直接連接，提供更強的特征提取和信息傳遞能力。結合代價敏感學習方法，模型更加關注決定器件特性的關鍵數(shù)據(jù)，從而實現(xiàn)對關鍵器件特性的準確預測。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，為先進半導體器件的智能化模型提供了參考。

智能驅動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)表在器件領域權威期刊《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。兩項研究得到了國家重點研發(fā)計劃和中國科學院戰(zhàn)略性A類先導專項的支持。

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的刻蝕工藝預測

圖2 基于代價敏感稠密鏈接神經(jīng)網(wǎng)絡的GAA NSFET電學特性建模