一种基于元启发式优化的深度学习框架，用于超结LDMOS的自动化设计

《IEEE Transactions on Electron Devices》：A Metaheuristic-Optimized Deep Learning Framework for Automated Design of Super Junction LDMOS

本文提出了一种结合混合深度神经网络（DNN）与卷积神经网络（CNN）代理模型和星鱼优化算法（SFOA）的AI框架，用于自动加速超级结LDMOS的优化设计。该框架通过高精度（98%）预测TCAD仿真中的器件性能参数，结合SFOA算法高效搜索多参数空间，成功优化三重结构LDMOS，实现击穿电压65.88V和导通电阻24.19mΩ·mm2，较传统SGO LDMOS的Baliga FOM提升30%。验证表明该AI方法在半导体器件逆向设计中具有高效性和通用性。

　　

摘要：

横向双扩散MOSFET（LDMOS）器件是双极-CMOS-DMOS（BCD）工艺的重要组成部分，在功率集成电路（PIC）中发挥着关键作用。然而，其设计始终受到特定导通电阻（R_on）与击穿电压（BV）之间基本权衡的限制。虽然数值TCAD仿真对于设计至关重要，但它们在计算上难以用于探索广泛的设计空间。本文介绍了一种新型人工智能（AI）框架，该框架结合了混合深度神经网络（DNN）和卷积神经网络（CNN）替代模型以及海星优化算法（SFOA），以实现超结LDMOS的最佳设计自动化和加速。这种混合DNN–CNN模型通过同时处理TCAD仿真中的结构参数和电气参数，能够以98%的准确率预测器件性能。随后，SFOA能够高效地在多参数空间中寻找全局最优解，而无需复杂的参数调整过程。为了验证其有效性，我们利用该框架优化了一种三重体超结LDMOS结构——这是一种高性能设计的测试案例。经过AI优化的器件具有65.88 V的击穿电压和24.19 mΩ·mm2的导通电阻，其Baliga性能系数（FOM）比传统的阶梯栅氧化物（SGO）LDMOS提高了30%。我们的结果经过模拟数据验证，表明所提出的AI驱动方法不仅优于手动设计，还为下一代半导体器件的逆向设计提供了一种强大、通用且高效的工具。