S3HDBO：基于敏感性引导的搜索区域缩放的高维贝叶斯优化方法，用于BSIM-CMG参数提取

《IEEE Transactions on Electron Devices》：S3HDBO: Sensitivity-Guided Search Region Scaling High-Dimensional Bayesian Optimization for BSIM-CMG Parameter Extraction

短通道IGFET模型开发面临参数空间爆炸和非线性曲线分析难题，传统贝叶斯优化在高维场景效率不足。本文提出S3HDBO方法，通过敏感性指导的搜索空间修剪和缩放，结合切片逆回归实现高效参数辨识，实验表明其仿真次数比神经网络方法减少两个数量级，速度较SOTA方法提升3.47-3.91倍。

　　

摘要：

由于复杂的短通道效应，为FinFET和NSFET器件开发精确的Berkeley短通道IGFET模型（BSIM-CMG）紧凑模型具有挑战性。主要存在两个障碍：首先，随着参数数量的增加，搜索空间呈指数级扩展；其次，I?V和C?V曲线中的非线性现象显著增加了提取复杂性，需要大量的迭代计算。最近的深度神经网络（DNN）方法在实时提取方面显示出潜力，但存在显著局限性——它们需要大量的训练数据，并且对新场景的泛化能力较差。优化方法，特别是贝叶斯优化（BO），因其灵活性和效率而成为流行的替代方案。然而，传统的BO方法在应用于复杂的参数提取任务时面临维度灾难问题。为了克服这些限制，我们提出了基于灵敏度引导的搜索区域缩放的高维BO（S3HDBO）框架，该框架结合了灵敏度引导的搜索空间剪枝和缩放，以及通过切片逆回归（SIR）进行子空间识别。这些方法使S3HDBO能够在保持BO无需大量训练数据和高可扩展性优势的同时有效处理维度增加的问题。实验结果证实，与神经网络方法相比，我们的方法将模拟次数减少了两个数量级，同时达到了相同的精度水平。此外，与最先进（SOTA）优化方法相比，其加速比达到了3.47×?3.91×。