基于人工神经网络的双金属双栅负电容场效应晶体管变异性效应建模研究

本研究针对负电容场效应晶体管(NCFET)器件性能预测中计算成本过高的问题，创新性地采用人工神经网络(ANN)模型，结合Visual TCAD仿真器和Python编程，实现了对双金属双栅NCFET(D2GNCFET)关键参数的高效预测。该研究通过分析温度(T)、氧化层厚度(Tox )、衬底厚度(Tsub )和铁电层厚度(TFe )等变量的影响，显著降低了计算复杂度，为纳米电子器件和集成电路设计提供了新思路。

　　

随着半导体器件尺寸持续微缩，摩尔定律逼近物理极限，负电容场效应晶体管(NCFET)因其亚阈值摆幅突破玻尔兹曼极限的特性，成为后摩尔时代低功耗器件的候选者。然而，器件性能受温度(T)、氧化层厚度(T_ox
)、衬底厚度(T_sub
)和铁电层厚度(T_Fe
)等多参数耦合影响，传统TCAD仿真需消耗大量计算资源。针对这一瓶颈，Vinod Dham半导体与微电子卓越中心的研究团队创新性地将人工神经网络(ANN)引入器件建模领域。

研究采用TensorFlow框架构建三层隐藏层的ANN模型，以ReLU为激活函数，输入参数包含T、T_ox
、T_sub
、T_Fe
和漏源电压(V_ds
)，输出目标为漏极电流(I_d
)。通过Cogenda Visual TCAD生成训练数据集，验证了ANN在预测D2GNCFET性能参数方面的有效性。

设备架构与方法学
研究设计的D2GNCFET采用60nm栅长(L_g
)，50nm源漏区(L_d/s
)，硅基沟道厚度(T_ch
)为5nm。通过系统调整T_ox
(0.6nm)、T_Fe
(7nm)等关键尺寸，建立了器件物理参数与电学特性的映射关系。

人工神经网络实现
ANN模型在V_ds
=0.05V条件下，对I_d
-V_gs
特性的预测误差低至0.3V栅压区间。特别在T_ox
=0.6nm时，预测曲线与TCAD仿真结果高度吻合，证实了模型在纳米尺度器件中的适用性。

结果与讨论
温度敏感性分析显示，ANN能准确捕捉300K工况下器件的亚阈值特性。铁电层厚度优化研究表明，T_Fe
=7nm时器件获得最佳开关比，该结论与Landau-Khalatnikov理论模型相互印证。

结论
该研究开创性地将ANN应用于NCFET变异性分析，相比传统TCAD方法计算效率提升显著。Yash Pathak等人发展的建模方法为复杂器件优化提供了新范式，其成果发表于《Micro and Nanostructures》，对推进低功耗集成电路设计具有重要指导意义。研究同时表明，机器学习与半导体物理的交叉融合将成为下一代器件开发的重要方向。