Ein maschinelles Lernmodell mit virtuellem Quellenmodell für nanoskalige Transistoren

Neuronale Netze (NNs) sind leistungsstarke Werkzeuge zur Modellierung von Transistoreigenschaften anhand von Daten, doch rein datengetriebene Modelle sind datenhungrig, können unphysikalische Ergebnisse liefern und versagen oft bei der Generalisierung. Wir stellen ein integriertes NN–Virtual-Source-(NN–VS)-Modell vor, das die physikalische Genauigkeit des Virtual-Source-Rahmens mit dem adaptiven Lernen neuronaler Netze kombiniert. Dieses end-to-end trainierbare Hybridmodell erreicht eine höhere Genauigkeit, eine stärkere Dateneffizienz und eine überlegene Extrapolationsfähigkeit im Vergleich zu reinen NN-Modellen, während die manuelle Parameterextraktion, die bei herkömmlichen VS-Modellen erforderlich ist, entfällt. Wichtig ist, dass das NN–VS-Modell eine robuste Leistung auch bei datenlimitierten Szenarien zeigt. Das Modell erfasst präzise experimentelle nanoskalige Transistoreigenschaften, einschließlich zweidimensionaler (2D) Halbleiter-Feldeffekttransistoren (FETs) und Silizium-FinFETs. Die Anwendung des Modells wird in simulationsbasierten Rechen-in-Memory-Schaltungen mit ferroelektrischen FETs veranschaulicht.