利用神经网络对两种外延技术制造的磷化氢电极场效应晶体管（pHEMTs）中的栅极漏电流进行紧凑建模

《Solid-State Electronics》：Neural-network compact modeling of gate leakage in pHEMTs across two epitaxial technologies

　　摘要
本研究提出了一种用于InP基伪形高电子迁移率晶体管（pHEMTs）栅极泄漏的神经网络紧凑模型，该模型仅基于两种外延技术的测量数据进行训练：一种是传统的单δ掺杂器件，另一种是先进的双δ掺杂器件。一个统一的数据集结合了这两种结构的所有Iɡ–VɡS曲线，用于训练一个规模适中的多层感知器，该感知器能够将栅源电压、漏源电压和结构标志映射到l?ɡ1?(|Iɡ|)。消融研究证实，在当前的两款器件数据集中，栅极长度和结构标志是完全共线的，因此采用了三输入模型[WɡS, WɡD, s]。最终模型在全球测试中取得了约0.12个数量级的均方根误差（RMSE），同时准确再现了在多种漏极偏置和栅极偏置区域下的测量泄漏特性。偏置空间误差图显示，在大部分工作区域内误差保持较小，特别是对于先进的双δ掺杂器件。通过避免显式的区域划分和技术特定的分析公式，所提出的基于ANN的模型为所研究的偏置范围内的反向偏置栅极泄漏特性提供了准确的数据驱动描述。其价值在于能够在单一框架内拟合两种测量的InP pHEMT技术，而无需手动进行区域划分；然而，其准确性尚未与在同一数据集上单独提取的基于物理的分析模型进行直接对比，需要额外的测量数据才能将其扩展到其他器件结构。

引言
InP伪形高电子迁移率晶体管（pHEMTs）广泛应用于微波和毫米波前端，其高电子迁移率和大的跨导能力使得它们能够实现低噪声、高增益的放大器、开关和混合器，用于通信和传感系统[1][2][3][4]。随着工作频率和供电电压的增加，准确建模栅极泄漏电流对于预测偏置极限、功率效率、线性以及长期可靠性变得至关重要，尤其是在高电压或高温操作条件下[4][5][6][7]。III-V族HEMTs和pHEMTs中的栅极泄漏来源于多种物理机制，包括Fowler-Nordheim隧穿（FN）、Poole-Frenkel发射（PF）、热电子发射（TE）以及缺陷或陷阱辅助隧穿（TAT/DAT），这些机制的相对贡献取决于栅极和漏极偏置以及温度和势垒特性[8][9][10][11]。例如，最近针对GaN基HEMTs的紧凑模型将总栅极电流分解为FN、PF、TE和TAT/DAT分量，并为每种情况推导出分析表达式，并将其实现适用于电路模拟的表面电位或基于电荷的框架中。这些模型成功捕捉了栅极泄漏对势垒厚度、极化场和工作温度的依赖性，已成为GaN HEMT栅极电流建模的最新技术[6][12][14]。
最近对先进AlGaN/GaN HEMTs的研究进一步表明，栅极泄漏、击穿电压和高场行为受到器件架构和势垒场工程的重大影响。双层栅极场板、多层钝化层、阶梯式多通道结构和高k介电层已被研究用于控制电场分布并改善泄漏、击穿电压和射频性能之间的权衡[15][16]。非线性分析研究还表明，势垒层参数强烈影响二维电子气体和相应的直流特性。尽管这些研究关注的是AlGaN/GaN而不是InAlAs/InGaAs/InP pHEMTs，但它们强调了在开发先进HEMTs的紧凑模型时考虑技术依赖的势垒特性、场分布和泄漏机制的必要性。
在高压MOS和FinFET器件中，已经广泛研究了控制栅极泄漏的隧穿和量子限制效应，其中开发了依赖于电压和氧化物厚度影响的隧穿模型以及包括量子力学效应的基于电荷的电容模型，适用于SiO?/HfO?堆叠[17][18][19]。尽管这些研究关注的是Si基MOS结构，而不是InP基pHEMTs，但它们强调了在缩放器件中准确捕捉隧穿主导的泄漏的重要性。然而，现有的分析栅极泄漏紧凑模型通常具有技术针对性，针对特定的材料堆叠（例如AlGaN/GaN vs AlInN/GaN vs p-GaN HEMTs）和工艺流程进行调优，并且每种器件家族需要单独的参数集和有时不同的分析形式。它们还依赖于在不同偏置区域中显式识别主导的泄漏机制，并将多个物理参数（势垒高度、陷阱密度、场增强因子）拟合到实验数据或TCAD模拟中，这在比较不同栅极长度或工程化通道/掺杂结构的工艺变体时可能会非常耗时[20]。对于先进的InP基pHEMT技术（包括具有双δ掺杂通道的器件），关于能够在单一建模框架内同时处理多种结构的统一栅极电流紧凑模型的文献相对较少[21][22][23][24][25]。尽管在GaN基HEMT的分析栅极泄漏模型和各种晶体管技术的漏极电流的神经紧凑模型方面已有大量工作，但据我们所知，尚未有模型能够（i）专门针对InP基pHEMTs的栅极泄漏；（ii）在单一建模框架内捕捉两种结构不同的外延技术；（iii）且不显式地将泄漏分为不同的物理机制（FN、PF、TE、TAT）。这一空白激发了本研究的动机：我们探讨了是否可以通过一个基于测量的Iɡ–VɡS数据训练的相对简单的多层感知器，并仅使用物理意义上的输入（WɡS、WɡD和结构标志），作为多种InP pHEMT技术的统一、数据驱动的栅极电流紧凑模型。
同时，数据驱动的紧凑建模方法越来越受到重视，利用神经网络直接从测量或模拟数据中学习晶体管的IV关系。已经为纳米级CMOS、GaN HEMTs和有机FETs提出了神经紧凑模型和物理神经网络，通常结合深度神经架构与迁移学习或混合物理+ML方案来提高准确性并减少模型开发时间。这些研究表明，规模适中的多层感知器（MLPs）及相关架构可以高保真地近似复杂的器件特性，同时足够轻量级，可以集成到电路级模拟器中。然而，大多数报道的神经紧凑模型专注于漏极电流和跨导；栅极泄漏要么是分析建模的，要么没有明确针对[6][26][27][28][29]。
这引发了这样一个问题：是否可以使用一个相对简单的MLP作为数据驱动的栅极电流紧凑模型，用于多种InP pHEMT技术，仅使用测量到的泄漏数据和少量物理意义上的输入描述符。特别是，研究这样的模型是否能够在不显式切换机制的情况下，捕获具有不同栅极长度和层结构的双δ掺杂InP pHEMT和标准InP pHEMT在一系列栅极和漏极偏置下的栅极泄漏行为[27][30][31][32]。
在这项工作中，开发了一个基于MLP的紧凑模型，并通过实验验证了两种InP pHEMT技术的栅极电流：一种双δ掺杂的InP pHEMT（XMBE331）和一种标准的InP pHEMT（VMBE210），它们的栅极长度和通道/掺杂结构各不相同。所提出的模型是一个全连接网络，接受三个输入：WɡS、WɡD和一个二进制结构标志s，用于指示外延技术，并输出绝对栅极电流的对数l?ɡ1?(|Iɡ|)。最初考虑了栅极长度Lɡ，但在消融研究表明它在当前的两款器件数据集中与结构标志完全共线后，将其移除。该模型在两种技术的多个WɡD值下基于测量的Iɡ–VɡS数据进行训练，在全球范围内以及每种器件上都实现了较低的测试RMSE，并再现了所研究的反向偏置范围内的测量泄漏特性，并生成了识别较高和较低准确度区域的偏置空间误差图。这些结果表明，一个基于MLP的紧凑模型可以捕捉结构不同的InP pHEMT技术的栅极泄漏行为，为多区域分析栅极电流模型提供了灵活的数据驱动替代方案，并指向未来在RF/微波电路设计流程中的集成。
本研究的主要贡献是一个数据驱动的神经网络紧凑模型，用于两种InP pHEMT技术的栅极泄漏，该模型仅基于测量的Iɡ–VɡS数据进行训练，并通过全局和每个器件的RMSE、偏置空间误差图和叠加图进行验证；消融研究证实，在当前的两款器件数据集中，栅极长度和结构标志是完全共线的，因此采用了三输入模型[WɡS, WɡD,s]，消除了冗余输入，同时保持了可比的准确性。

章节片段
InP pHEMT外延层结构
本研究中研究的器件是在曼彻斯特大学电气与电子工程学院制造和表征的InP基伪形高电子迁移率晶体管（pHEMTs）[33]。考虑了两种外延层设计：一种标准单δ掺杂的pHEMT，其标称栅极长度为1 μm（VMBE210），以及一种先进的双δ掺杂pHEMT，其标称栅极长度为0.25 μm（XMBE331）。这两种器件的层堆叠在数据准备部分进行了示意性总结。

紧凑模型是在一个综合数据集上训练的，该数据集包含了两种InP pHEMT技术VMBE210和XMBE331的所有测量栅极电流特性Iɡ（WɡS, WɡD）。从原始测量文件开始，将所有选定的漏极偏置下的Iɡ–VɡS曲线合并到一个CSV表中，其中每一行对应一个偏置点，包括栅源电压WɡS、漏源电压WɡD、栅极长度Lɡ、二进制结构标志s（VMBE210为0，XMBE331为1）。

全球和每个器件的准确性
首先使用保留的测试集上l?ɡ1?(|Iɡ|)的均方根误差（RMSE）来量化神经网络紧凑模型的准确性，该误差对两种InP pHEMT技术进行了汇总。全球测试RMSE约为0.119个数量级，表明预测的栅极电流在采样偏置空间内的平均偏差约为0.119个数量级。当分别针对每种技术进行评估时，RMSE为0.127个数量级，适用于传统的单δ掺杂器件。

结论
本文展示了一个数据驱动的神经网络紧凑模型，用于InP基pHEMTs的栅极泄漏电流，该模型直接基于两种外延技术的实验测量Iɡ–VɡS特性构建。使用传统单δ掺杂的VMBE210器件和先进双δ掺杂的XMBE331器件的泄漏曲线组合数据集，训练了一个具有三个输入[WɡS, WɡD, s]和一个输出l?ɡ1?(|Iɡ|)的单层感知器，作为统一的栅极电流紧凑模型。

CRediT作者贡献声明
Abderrahmane Zakarya Djennati：撰写——审稿与编辑，数据管理。
Mohammed Khaouani：监督，方法论。
Mohammed Anes Belbachir：软件。
Hichem Rouigueb：可视化，调查。

利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。

致谢
作者衷心感谢曼彻斯特大学电气与电子工程学院的M. Missous教授慷慨提供用于本工作的栅极电流测量数据。

Abderrahmane Zakarya Djennati
Mohammed Khaouani
Mohammed Anes Belbachir
Hichem Rouigueb
阿尔及利亚特莱姆森Aboubekr Belkaid大学，特莱姆森，13000