物理增强型神经网络紧凑模型：用于快速且灵活的晶体管建模

《IEEE Transactions on Electron Devices》：Physics-Enhanced Neural Network Compact Model for Fast and Flexible Transistor Modeling

提出一种基于物理增强的神经网络（PENN）紧凑模型，用于先进晶体管（如GAA、FinFET）。通过整合物理关系，提升模型准确性、灵活性和仿真速度，解决传统NN模型在零电流、可变性和拟合上的不足，并支持多几何和温度下的应用，准物理函数提供后训练灵活性和工艺变化。

　　

摘要：

本文提出了一种基于物理特性的神经网络（PENN）紧凑模型，该模型专为先进的晶体管技术（如全环绕栅极（GAA）、FinFET等）设计。该模型将物理规律融入神经网络（NN）模型中，以提高预测精度、数据拟合的灵活性以及电路仿真速度，同时为基于神经网络的紧凑模型提供物理解释。通过引入物理机制，该模型解决了传统神经网络模型的若干局限性，例如确保在零偏压时电流为零、提高模型的可变性以及增强拟合灵活性。实验表明，该模型能够广泛应用于各种几何结构和温度条件下，并保持出色的预测准确性。所开发的准物理函数使得模型在训练后仍具有较高的拟合灵活性，并能够适应工艺制造过程中的变化。