随机森林辅助的TreeFET器件性能优化

《Micro and Nanostructures》：Random Forest-Assisted Performance Optimization of TreeFET Devices

　　

• •
  本研究介绍了一种基于随机森林回归（RFR）的器件建模框架，旨在提高TreeFET的性能预测和优化。
• •
  RFR模型用于预测关键的直流（DC）和射频（RF）性能指标。研究结果表明，其预测精度接近传统的计算机辅助设计（TCAD）结果，决定系数超过0.99，且所有参数的预测误差都非常小。
• •
  特征重要性分析表明，沟道掺杂和栅极几何形状显著影响TreeFET的性能，这有助于有针对性的设计优化。
• •
  本研究强调了机器学习辅助器件建模作为全面TCAD模拟的有效替代方案的优势，能够快速提升性能并探索下一代TreeFET技术的设计可能性。

引言

CMOS技术的快速发展推动了复杂晶体管设计的应用，以在缓解亚10纳米节点的短沟道效应和漏电问题的同时保持性能提升。传统的平面MOSFET在静电完整性方面存在不足，因此需要开发多栅极架构，如FinFET、全环绕栅极（GAA）FET和纳米片FET，这些架构提供了更好的栅极控制和性能[1]、[2]。树状场效应晶体管（TreeFET）因其独特的拓扑结构而受到研究关注，该结构将堆叠的纳米片与互桥连接器结合，从而实现了更优的电流传导路径，并提高了模拟和射频性能[3]。性能比较显示，TreeFET具有更高的驱动电流（I_ON）、更快的切换速度和更好的射频特性，使其成为高性能计算和通信应用的理想选择[3]。尽管TreeFET具有显著的性能潜力，但由于其参数空间维度较高，设计优化面临诸多挑战。关键性能参数（如I_ON、I_ON/I_OFF比率、SS、DIBL、g_m、C_gg、f_T、GBP和TFP）受许多几何和材料参数的影响，包括互桥宽度、纳米片直径和掺杂轮廓。这些因素之间的相互作用导致了复杂的非线性关系，仅用解析模型难以准确描述[4]、[5]。此外，先进工艺节点的变化对器件行为的预测带来了更大的挑战，使得传统的设计和优化方法逐渐变得不够适用。多年来，计算机辅助设计（TCAD）一直是高保真半导体器件分析的基础，它基于精确的材料和几何参数解决物理方程（例如泊松方程、载流子传输[6]）。TCAD通过定义参数的修改来研究器件特性，提供了对器件物理和性能模式的深刻理解。然而，TCAD模拟资源密集，特别是在评估多维参数空间或纳入设计-技术协同优化（DTCO）周期时[6]。在像TreeFET这样的创新设计中，评估众多参数修改的需求会带来巨大的计算成本，从而阻碍了研究和工业进程的快速进展。

研究界越来越多地采用基于机器学习（ML）的替代建模方法来克服全面TCAD模拟的局限性。替代模型从TCAD数据中获取输入-输出关系，并能以较低的计算成本准确预测性能指标[7]、[8]、[9]。这些数据驱动的模型在探索和优化过程中取代了重复的物理模拟，加快了对广泛设计空间内器件反应的预测。初步研究表明，可以利用TCAD数据开发替代模型，精确预测不同FET架构的电流-电压（I-V）特性，从而显著加快设计评估速度[8]。随机森林回归（RFR）在机器学习方法中的替代建模中脱颖而出，因为它能够在不进行大量特征工程的情况下捕捉非线性依赖关系，并且具有较好的抗过拟合能力[10]、[11]。RFR通过随机选择训练数据创建一组决策树，结合它们的预测结果来产生一致且高准确度的结果，即使在输入数据噪声较大或复杂的情况下也是如此[10]。通过特征重要性指标，RFR的可解释性进一步揭示了哪些设计变量对特定性能结果影响最大。在半导体器件设计中，这种可解释性特别有利，因为理解参数敏感性可以指导有针对性的改进。多项最新研究表明，RFR在半导体器件模拟中的有效性得到了验证。使用TCAD增强型RFR模型预测硅纳米线反馈FET（FBFET）的I-V特性时，R²值（> 0.99）显示出很强的预测能力，显著减少了模拟时间[8]。同样，使用RFR和其他机器学习模型预测堆叠纳米片晶体管的性能参数，证明RFR在降低计算成本的同时具有高预测精度[9]。类似的替代建模技术也有效预测了有机薄膜晶体管（OTFT）和FinFET的器件变化，从而证实了机器学习在半导体器件分析中的广泛应用[7]、[12]。将机器学习模型纳入器件建模过程带来了许多显著优势。首先，替代模型减少了对基于物理的模拟引擎的依赖，显著提高了训练后的评估速度，便于在设计探索和优化过程中即时预测性能。其次，基于树的模型的特征重要性分析突出了对性能影响最大的关键设计参数，指导工程师优先考虑这些参数。第三，机器学习模型有效促进了多目标优化，在广泛的参数空间内平衡了功率、性能和面积之间的权衡[13]、[14]、[15]、[16]。这些特点使得机器学习驱动的替代建模成为推动改进晶体管架构创新的可行方法。

尽管有这些优势，但开发可靠的替代模型仍需要仔细考虑数据集的创建和模型评估。训练数据集必须包含设计空间的有效范围，并具有足够的变异度，以便模型能够有效泛化。TCAD数据的创建成本高昂；因此，实际工作流程通常包括拉丁超立方采样或主动学习等方法来提高样本效率[17]、[18]。此外，替代模型必须经过严格的验证，与保留的TCAD数据和物理基准进行对比，确保预测结果符合可接受的误差范围，特别是在用于优化或设计规则制定时。TreeFET的多分支拓扑结构相比简单的FET布局，增加了影响因素的数量。建模互桥特性、沟道直径和掺杂波动之间的相互关系需要能够表示复杂高维交互的替代模型。RFR的集合特性使其能够通过将空间划分为局部有信息的决策区域来管理复杂性，这些区域在各个决策树中汇总，从而提高了预测的稳健性[10]、[11]。此外，RFR处理多种数据源和应对非线性响应的能力使其特别适合预测TreeFET的性能，因为在这些情况下，物理响应可能表现出阈值效应和与几何或材料变化相关的非线性缩放。最近的研究强调了通过机器学习进行设计和技术的协同优化（DTCO），同时调整器件形状和工艺参数以在制造限制内提升性能[19]。集成框架利用替代模型快速预测结果，并使用优化算法（例如进化算法、贝叶斯方法）指导参数调整。这些方法表明，半导体设计正朝着数据驱动的、快速探索的过程转变，这可能在面对日益增加的复杂性时保持创新的速度。越来越多的文献开始关注基于机器学习的器件建模，将发展的技术与机器学习算法相结合[20]、[21]、[22]、[23]。这些论文强调了替代模型（如随机森林和深度学习方法）如何增强物理模拟，并促进设计领域的自动化探索。将机器学习与计算机辅助设计相结合，增强了基于物理的传统理解，并提供了数据驱动的洞察力，使设计师能够应对下一代晶体管布局的复杂性。

章节片段

器件仿真工作流程和数据收集

图1展示了使用RFR进行TreeFET性能仿真的工作流程，图1的第一个部分说明了基于TCAD的TreeFET器件物理建模，这是整个框架的基础。采用全面的X-Z截面视图来精确描绘栅极堆栈、堆叠纳米片通道、互桥结构和源/漏区。

机器学习模型的开发

选择随机森林回归（RFR）是因为它能够学习TreeFET结构参数与其从TCAD模拟中获得的电气特性之间的高度非线性关系。与其他许多机器学习算法相比，RFR具有许多优势，例如无需特征工程即可建模复杂的非线性行为、对噪声的鲁棒性、通过自助聚合减少过拟合以及相对稳定的性能

结构变化对器件性能的影响

RFR模型准确反映了关键TreeFET结构特性对分析设计空间内器件性能的影响。H_Sheet在（4至7）纳米之间的变化显著影响了静电控制和载流子传输，导致传输特性和漏电流发生明显变化。修改W_IB从（10至25）纳米改变了有效的通道宽度和电流传导路径，从而影响了驱动电流

结论

本研究展示了基于随机森林回归的建模框架在提高TreeFET器件性能分析和优化方面的有效性。所提出的方法有效利用了全面的TCAD生成的数据集，精确地表示了器件设计参数与关键性能指标之间的复杂非线性交互。构建的随机森林模型能够准确预测直流和射频参数，如I_ON、I_ON/I_OFF比率、SS、DIBL、g_m

CRediT作者贡献声明

M. Balasubrahmanyam：撰写——原始草稿、调查、正式分析、数据整理、概念化。Ekta Goel：指导。Manas Ranjan Tripathy：撰写——审阅与编辑、方法论。Naveen Kumar：撰写——审阅与编辑、验证、调查

利益冲突声明

? 作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

M. Balasubrahmanyam|Ekta Goel|Manas Ranjan Tripathy|Naveen Kumar