TCAD-基于机器学习的TID紧凑模型开发，用于商用SiC MOSFET

《ACM Transactions on Design Automation of Electronic Systems》：TCAD-Machine Learning Enabled TID Compact Model Development for Commercial SiC MOSFET

提出TCAD与机器学习耦合方法，利用Charon-Dakota工具链确定SiC功率MOSFET关键参数，生成数据驱动代理模型并贝叶斯校准，准确捕捉TID阈值电压偏移及饱和效应，量化模型不确定性，并开发物理信息紧凑模型。

　　

摘要

我们提出了一种结合了TCAD工具（Charon）、优化/不确定性量化工具（Dakota）、替代模型和贝叶斯学习能力的TCAD-机器学习方法。该方法用于准确建模和校准商用现成（COTS）半导体器件中总电离剂量（TID）引起的阈值电压（V_th）变化，并开发基于物理原理的TID简化模型。该通用方法应用于对一个典型的COTS 3.3 kV SiC功率MOSFET（金属氧化物半导体场效应晶体管）中的TID效应进行建模。通过Charon-Dakota的耦合，我们可以根据器件物理特性确定关键的器件几何结构和掺杂参数，这些参数对于COTS器件来说难以获得或根本不存在，但对TCAD仿真至关重要；此外，我们还可以在较大的参数空间内高效生成数千个仿真结果，从而开发出数据驱动的替代模型并进行贝叶斯校准。利用这种完整的工具耦合方法，我们得到了经过校准的TCAD仿真模型，这些模型能够准确捕捉到总剂量与TID引起的平均V_th变化关系，以及在高剂量下V_th变化的饱和现象，这与实验数据相符。更重要的是，经过校准的TCAD仿真结果包含了确定的TID模型参数（例如空穴陷阱密度和捕获截面），这些参数的不确定性得到了很好的量化。此外，我们还能识别并量化那些未被TCAD模型捕捉到、但由于测量误差和器件差异而存在于测量数据中的噪声。最后，这些经过校准的替代模型被用来开发基于物理原理的TID简化模型。该方法经过少量修改即可应用于其他器件和/或辐射条件，并能够提供精确的不确定性评估。