面向高维半导体器件设计空间探索的物理引导主动学习框架及几何感知电热扩展方法

《IEEE Journal on Exploratory Solid-State Computational Devices and Circuits》：Physics-Guided Active Learning and Geometry-Aware Electrothermal Screening of Semiconductor Devices: A GaN Case Study

　　在耦合电热约束下探索高维半导体器件设计空间仍然具有挑战性，特别是在电气、热学和集成要求紧密耦合的三维异质系统中。传统的TCAD驱动探索方法在物理上准确，但计算成本高，且对关键控制参数的洞察有限。本文提出PALTO——一个用于数据高效设计空间探索的物理引导主动学习框架，结合集成代理建模、不确定性驱动采样和多样性感知选择，以减少对穷尽式TCAD模拟的依赖，同时保持预测精度。以多通道三栅GaN器件为案例研究，PALTO识别出帕累托最优配置。进一步提出一种几何感知的电热扩展方法论，利用捕捉静电激活、热脆弱性和焦耳应力退化的紧凑指标评估多鳍可扩展性。该分析——经特征重要性排序验证——确定GaN沟道厚度是主导电热可扩展性的关键参数。几何衍生指标还被用于根据相对电热扩展趋势对帕累托选定的配置进行分类，而无需额外的高鳍数TCAD模拟。结果表明，更强的势垒激活可改善单鳍电流，但会导致更早的电热饱和；而GaN主导的结构则表现出更好的高鳍可扩展性。