《Micromachines》:Silicon Dioxide Multi-Mode Interference Spectrometers
James G. Harkness,
Denghui Pan,
Helio Ramollari,
Thomas D. Yuzvinsky,
Holger Schmidt and
Aaron R. Hawkins
编辑推荐:
本研究针对SPAD器件单粒子效应(SEE)传统Sentaurus TCAD仿真计算量大、耗时长的问题,提出基于深度神经网络(DNN)的快速预测方法,以180 nm CMOS双结双埋层(DJDB)-SPAD为对象,输入LET、入射位置(x)、角度(θ)及过偏压(Vex),精准预测瞬态电流峰值(I0)与暗计数率(DCR),精度分别达97.32%与99.87%,计算效率提升336倍,为辐射可靠性评估提供高效方案。
当高能粒子穿过航天器搭载的集成电路时,会像一颗颗微观炮弹般在半导体材料内部引发连锁反应——电离产生大量电子-空穴对,若这些电荷在敏感节点被电场收集,可能瞬间形成足以翻转比特或瘫痪电路的瞬态电流尖峰。这类由单次电离事件触发的功能异常被称为单粒子效应(Single-Event Effects, SEEs),长期困扰着空间电子系统的可靠性设计。对于广泛应用于量子通信、激光雷达的单光子雪崩二极管(Single-Photon Avalanche Diode, SPAD),辐射诱导的暗电流激增与瞬态脉冲更是直接影响探测精度的核心隐患。
然而,传统SEE研究方法面临两难:物理辐照实验成本高昂、周期漫长且不可逆,难以支撑大规模参数迭代;而主流Sentaurus TCAD(Technology Computer-Aided Design)数值仿真虽能揭示器件内部物理机制,却因求解复杂的泊松方程、载流子输运模型需耗费海量算力——针对单个SPAD器件的SEE仿真集便耗时超80小时,严重制约快速设计与可靠性评估。如何在精度与效率间找到平衡?这成为研究者探索人工智能替代方案的原始动力。
研究团队将目光投向深度学习(Deep Learning, DL)——这一能够从海量数据中自动学习特征的多层神经网络技术,已在半导体器件建模中展现潜力。他们以180 nm CMOS工艺制备的双结双埋层(Double-Junction Double-Buried-Layer, DJDB)-SPAD为研究对象,构建了面向SEE预测的通用DNN框架。不同于传统仿真依赖物理方程,该方法直接从四个关键输入参数(入射粒子线性能量传输(Linear Energy Transfer, LET)、位置x、角度θ、过偏压Vex)映射至两个核心输出指标(瞬态电流峰值I0与暗计数率DCR),通过数据驱动实现“秒级”预测。
关键技术方法方面,研究首先利用Sentaurus TCAD 2017结合重离子电荷密度模型、高斯分布辐照模型等物理模块,生成包含2683组样本的仿真数据集;随后构建五层全连接DNN(每层含线性变换、批归一化(Batch Normalization, BN)与ReLU激活),采用Min-Max归一化预处理与早停策略优化训练;最终对比测试集预测值与TCAD基准,评估均方误差(MSE)、决定系数(R2)及计算加速比。
研究结果层层递进:
3.1. 瞬态电流峰值与DCR预测
网络架构经优化后,在268个测试样本上的总计算时间仅85.66秒,较TCAD提升336倍效率。可视化对比显示,预测曲线紧密贴合仿真基准线,波动极小。量化指标证实:I0预测精度达97.32%(MSE=3.462×10-4,R2=0.983);DCR精度高达99.87%(MSE=2.143×10-4,R2=0.995)。此前机理分析还发现,当粒子入射至雪崩区边界(x=4 μm)时,局部电场增强使瞬态脉冲峰值最大;入射角θ=75°时,耗尽区内离子轨迹最长,生成的电子-空穴对最多,导致脉冲宽度与峰值同步达到极值——这些规律被DNN精准捕捉。
3.2. 双结双埋层SPAD检测性能预测
为验证泛化能力,团队调整网络输入为P埋层深度(Tp)、掺杂浓度(Nbp)、深P阱掺杂(Ndp)、N埋层半径(Rbn)与掺杂(Nbn),输出扩展至击穿电压(VBR)、DCR、雪崩概率(P)及850 nm光子探测效率(PDE)。测试497组样本后发现,预测值围绕仿真值小幅波动,四项指标精度分别为98.39%、99.33%、97.54%与98.46%。尽管雪崩概率因动态范围较小(仅0.6)致精度略低,但其MSE(2.71)与拟合系数(0.98)仍满足工程需求,证明模型对不同任务具强适应性。
结论与讨论部分指出,该DNN框架成功打通了SPAD器件“结构参数→辐射响应→探测性能”的快速预测链条。相较于传统方法,它不仅将计算效率提升两个数量级,更突破了物理仿真的维度限制,使多参数联合优化成为可能。尤为重要的是,模型采用的“线性层+BN+ReLU”模块化设计,仅需调整神经元数量即可适配不同输入输出维度,为其他半导体器件的辐射可靠性分析提供了可复现范式。未来若融合迁移学习与不确定性量化,有望进一步拓展至极端环境下的器件寿命预测,为空间探测、核医疗电子等领域的抗辐射设计注入新动能。