自动编码器：一种用于氮化镓高电子迁移率晶体管结构的高效逆向设计方法

《Engineering Applications of Artificial Intelligence》：Autoencoder: An efficient inverse design method for gallium nitride high electron mobility transistor structures

　　颜庞|梅兰浩|舒伟|林娜宇|韩俊峰|吴敏|秦宏|李伟军
中国科学院半导体研究所AnnLab，北京，100083，中国

**摘要**
自动编码器是一种广泛用于特征提取和数据重建的人工神经网络，也可以用于设备和材料结构设计。在氮化镓（GaN）高电子迁移率晶体管（HEMT）的逆向设计中，从目标射频（RF）指标到几何参数的映射通常是非唯一的，这意味着多种不同的结构可以实现相似的性能。这种一对多的特性使得确定性逆回归不稳定。受此挑战的启发，本文提出了一种基于自动编码器的逆向设计方法，用于GaN HEMT结构，该方法学习设备几何形状与两个关键RF指标（截止频率fT和最大振荡频率fmax）之间的关系。所提出的方法能够高效生成符合指定RF目标的候选GaN HEMT设计方案，利用技术计算机辅助设计（TCAD）仿真来生成和标记训练数据。该模型预测四个结构参数，包括栅极-源极间距、栅极长度、栅极场板长度和钝化层厚度。实验结果表明，所提出的框架可以可靠地生成符合目标规格的结构。fT的平均相对误差为2.64%，fmax的平均相对误差为2.67%。与直接的逆回归基线相比，基于自动编码器的框架表现出更稳定的训练行为，并缓解了由于逆映射非唯一性导致的收敛缓慢或训练失败问题。在我们的实现中，该方法可以在几毫秒内生成给定RF目标的候选结构，大幅降低了计算成本，为加速GaN HEMT设备设计提供了一种有效途径。

**引言**
氮化镓及其相关半导体合金（如AlGaN和InGaN）被广泛认为是下一代高功率和高频电子设备的有希望的材料（Mishra等人，2002年；del Alamo和Joh，2009年；Islam等人，2022年）。基于AlGaN/GaN或InAlN/GaN异质结构的高电子迁移率晶体管（HEMT）可以承受更高的电压、电流、频率和温度，显示出比传统硅器件明显的优势（Greco等人，2018年）。GaN HEMT通常在工作电压范围（15–650 V）内运行，使其适用于快速切换、无线充电和电动交通（Saadat等人，2009年）。此外，不同工作频率范围内的GaN HEMT在深井钻探、无线通信和航空航天领域有广泛的应用；因此，针对频率的结构设计具有实际意义（Hoo Teo等人，2021年；Ajayan和Sreejith，2025年；Satoh等人，2018年；Micovic等人，2016年）。

在传统的GaN HEMT结构设计中，技术计算机辅助设计（TCAD）是探索结构-性能关系的经济有效工具（Ercolano等人，2025年；Kumari等人，2022年；Strauss等人，2014年；Hartin和Green，2010年）。通过指定关键设备和物理参数，TCAD解决基本的物理方程（例如泊松方程）以生成高保真的设备响应，大大减少了实验中的试错成本。然而，为了满足目标的射频（RF）性能指标（FoMs），设计人员通常需要在高维结构空间中进行重复搜索，并多次求解物理模型，这在计算上非常昂贵且效率低下（Dhillon等人，2021年；Mishra等人，2022年）。尽管许多努力旨在减少仿真开销，但在复杂的TCAD驱动设计中平衡准确性、收敛性和运行时间仍然具有挑战性，这促使人们寻求超越暴力TCAD扫描的新方法。

在过去十年中，机器学习和深度学习已成为传统基于物理的设备建模的有效补充。各种学习算法已被用于晶体管建模和性能预测。例如，Khusro等人结合了支持向量回归（SVR）和粒子群优化（PSO）来进行准确的GaN HEMT建模（Khusro等人，2020年）。Liu W等人提出了一个时延神经网络（TDNN）用于非线性微波设备建模，提高了准确性（Liu等人，2020年）。Du X的团队开发了一种基于ANN的大信号模型（LSM）用于AlGaN/GaN HEMT，以捕捉与缓冲层相关的陷阱效应（Du等人，2020年）。Geng M等人采用了基于LSTM的建模来研究GaN HEMT的小信号行为，将S参数的相对误差降低到1%以下（Geng等人，2021年）。最近，Kim等人将TCAD仿真、机器学习和进化算法结合起来，用于在高维和多目标环境中高效优化和逆向设计先进的半导体器件（例如CFET）（Kim等人，2024年）。更广泛地说，神经网络也被研究作为在采样数据控制下的随机动态系统，其中通过Lyapunov–Krasovskii函数和LMI型条件建立了具有混合/附加延迟的马尔可夫/半马尔可夫跳跃神经网络的同步（Chandrasekar等人，2025年；Tamil Thendral等人，2022年）。

在这种背景下，TCAD增强的机器学习（TCAD-ML）受到了越来越多的关注（Mehta和Wong，2020年；Bankapalli和Wong，2019年；Teo等人，2019年；Raju等人，2020年；Mehta等人，2020年）。TCAD-ML结合了TCAD的高保真物理和快速的学习推理：使用TCAD生成的数据来训练前向替代模型（以及可选的逆向设计模型），从而在高维设计空间中进行物理一致的探索和目标驱动的优化。因此，TCAD-ML可以大幅降低计算和实验成本，同时提高复杂设备设计的效率和可扩展性。它还促进了基于DNN的GaN建模，并在GaN HEMT结构设计中继续发挥重要作用（Bankapalli和Wong，2019年；Raju等人，2020年；Teo等人，2019年）。

自动编码器是一种典型的深度学习架构，由编码器、潜在空间和解码器组成。它们可以学习紧凑的表示并建模非线性关系，并已应用于许多任务（Li等人，2023年），包括半导体制造中的少量样本晶圆模式识别（Liang等人，2024年）和飞机发动机的剩余使用寿命预测（Szrama，2025年）。在设备逆向设计中，当逆映射是不适定的（通常是一对多）时，自动编码器风格的表示学习可以提高训练稳定性，这使得直接的逆回归变得脆弱。Liu等人提出了一种串联神经网络，将解码器和编码器的训练分开，以减轻一对多的歧义，并在光子逆向设计中取得了成功（Liu等人，2018年）。在GaN HEMT领域，Shu Wei等人提出了一种增强的自动编码器框架，用于GaN HEMT异质结构的逆向设计，显著提高了设计效率，而无需求解复杂的高阶PDE（Wei等人，2025年）。同时，许多机器学习方法也被广泛应用于其他类型设备的建模和设计。例如，生成对抗网络（GANs）已被用于光子设备设计中的结构生成和性能驱动优化（Kim等人，2022年；Grbcic等人，2025年）；使用潜在空间数据增强的迁移学习双变量自动编码器实现了非参数声学超材料的逆向设计（Ko等人，2025年）；并且还设计了在指定频率范围内吸收电磁波的超材料结构（On等人，2024年）。值得注意的是，基于GAN的生成逆向设计可以从潜在变量中采样多样化的候选结构，因此非常适合设备设计中常见的一对多逆映射，并已广泛用于电磁组件，如超表面和天线（Xu等人，2024年；Liu等人，2024年）。

尽管TCAD增强的机器学习（TCAD-ML）取得了快速进展，但在频率目标下对RF GaN HEMT的深度学习驱动的结构逆向设计仍探索不足。实际上，大多数GaN HEMT设计工作流程仍然依赖于耗时的TCAD参数扫描，或者专注于前向性能预测（结构到性能的替代模型）。相比之下，直接从RF目标学习到设备几何参数的逆映射的研究很少，主要是由于逆设计的非定性一对多特性以及产生不现实结构的风险。

现有的基于自动编码器的TCAD-ML尝试提供了重要的灵感，但并未完全解决这一RF结构逆向设计问题。例如，Wei等人（2025年）针对GaN HEMT异质结构的逆向设计，预测材料成分和厚度，并强调材料性能建模而不是RF设备级别的几何设计和频率目标的可靠性。Mehta等人（2020年）使用自动编码器改进了TCAD-ML，用于半导体变化识别和逆向设计（通过从IV曲线预测层厚度来演示p-i-n二极管），关注隐藏变量的鲁棒性，但没有关注RF GaN HEMT频率指标或TCAD重新仿真验证逆向设计的RF结构。为了填补这一空白，我们提出了一种基于TCAD增强的自动编码器框架，用于在目标频率指标下的RF GaN HEMT结构逆向设计。与Wei等人（2025年）专注于异质结构-材料的逆向设计不同，我们的工作针对设备级别的几何参数，并直接学习从RF目标（fT, fmax）到可行设备结构的映射。与Mehta等人（2020年）用于变化识别和逆向设计的自动编码器辅助TCAD-ML相比，我们针对RF GaN HEMT频率目标进行了方法调整，并强调对结构候选的高保真TCAD验证。

在这项工作中，我们提出了一种基于TCAD增强的深度学习方法，用于GaN HEMT结构逆向设计。所提出的框架在TCAD生成的数据上训练逆向设计网络，将目标规格映射到设备几何参数，并在设计变量上加入训练时的可行性约束，以保持生成的结构在物理上有意义的范围内，避免在优化过程中出现不现实的中间设计。为了验证有效性，我们还实现了一个基于GAN的生成逆向设计基线，并在相同的TCAD重新仿真验证协议下与我们的方法进行了公平比较。在我们的TCAD基准测试中，所提出的方法在频率目标的RF GaN HEMT结构逆向设计方面实现了最先进的准确性和鲁棒性。

我们设计的基于自动编码器的GaN HEMT设计过程如图1所示：首先，我们使用Silvaco TCAD对具有特定结构的GaN HEMT进行仿真计算，以获得TCAD数据集。在这里，我们获得了GaN HEMT的结构特性以及每个结构对应的截止频率和最大振荡频率。其次，我们使用获得的数据集对GaN HEMT进行建模。模型的输入是四个结构特征，输出是截止频率和最大振荡频率，以获得预训练模型。作为前向建模，这部分是自动编码器框架的解码器。获得的预训练模型的权重被冻结，逆向设计模型连接到预训练模型的输入端。逆向设计模型作为编码器，预训练模型作为解码器，共同构成自动编码器模型。逆向设计模型的输入是我们需要的截止频率和最大振荡频率，输出是具有该频率的GaN HEMT的结构特性。我们将输出的结构特征值限制在一个合理的范围内，以使设计结果可行。然后，我们将从网络逆向设计获得的结构特征输入到具有冻结权重的预训练模型中，以获得预测的频率。整个模型的损失是从编码器的输入频率和解码器的预测频率计算得出的。经过多轮训练后，可以获得用于结构设计的编码器模型。

基于自动编码器的模型将逆向设计模型输出的结构输入到前向预测模型中，前向预测模型预测这种结构的GaN HEMT的频率。只要编码器设计的设备具有我们需要的频率，并且前向预测模型足够准确，模型的损失将会很小。通过这种训练方法获得的模型符合我们的设计目的，并具有更好的收敛性。

**算法1**总结了所提出的基于自动编码器的逆向设计训练流程，首先训练并冻结前向替代模型，然后在训练时的截止条件下优化逆模型，以从目标规格生成可行的设备结构。

**论文概述**
本文解决了在TCAD增强学习环境下针对RF GaN HEMT的频率目标结构逆向设计问题。我们首先描述了设备背景，并解释了为什么传统的TCAD参数扫描在高维设计空间中变得效率低下，然后回顾了逆向设计的学习范式（自动编码器风格的表示学习和生成基线）。接下来，我们提出了一种基于自动编码器的训练流程，该流程在学习目标到结构映射的同时...

**数据生成**
我们使用Silvaco TCAD对GaN HEMT进行了仿真。从GaN衬底开始，依次有2μm的GaN缓冲层和1nm的AlN间隔层，接着是10nm的InAlN势垒，In的组分为0.18。在顶部生长了3nm的GaN盖层，顶部钝化层设置为Si3N4，并添加了极化模型和压电系数。此外，为了捕捉高场下的速度饱和现象，还采用了GaNsat高场迁移率模型。

结论：我们提出了一种基于自动编码器建模的GaN HEMT设计方法。经过训练后，自动编码器模型能够高效地实现GaN HEMT的结构设计。该模型可以根据给定的最大振荡频率和截止频率来设计所需的GaN HEMT结构特性，表现出良好的收敛性，并有效地解决了器件设计中的一对多问题。此外，实验还分析了不同结构参数的影响。

从工程角度来看，所提出的方法更适合作为一种快速的候选结构生成工具，用于补充工业TCAD工作流程，而不是取代TCAD。在离线训练了TCAD标记的数据后，逆模型可以在几毫秒内输出候选几何结构，从而显著减少高维参数扫描的计算负担，并加快从目标规格到结构设计的迭代过程。

作者贡献声明：
潘妍：撰写原始稿件、可视化处理、验证、监督、软件开发、资源管理、项目规划、方法论研究、资金筹集、数据分析、概念化。郝美兰：撰写并编辑文档、概念化。魏姝：概念化。余琳娜：撰写并编辑文档、资金筹集、概念化。韩菊峰：概念化。吴敏：概念化。秦红：概念化。李威军：撰写并审阅文档、资金筹集。

本项目得到了中国科学院青年科学基础研究项目（项目编号YSBR-090）、河北省教育厅科技项目（项目编号QN2023014）以及邯郸市科技创新与发展项目（项目编号23422304027）的支持。

利益冲突声明：作者声明不存在需要声明的利益冲突。