PHIMO-NN：通过融合设备物理特性和神经网络实现一次性参数化的高效建模方法

《IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems》：PHIMO-NN: Compact Modeling by Fusing Device Physics and Neural Networks for One-Shot Parameterization

针对先进制程下传统器件建模参数过多、提取耗时及技术迁移模型更新困难的问题，提出融合器件物理与Tiny Neural Networks的PHIMO-NN方法。该方法利用神经网络的大致逼近能力替代传统拟合函数，显著减少参数数量（如14/16nm FinFET模型参数从2000+降至数百），提取时间缩短至20分钟，较传统方法提速数十倍。同时，PHIMO-NN支持跨技术节点（如FinFET到GAA纳米片）的模型迁移，迁移后误差仍控制在0.3%以内，兼具物理模型的物理可解释性与神经网络的高效性，为先进器件建模提供敏捷解决方案。

　　

摘要：

在先进技术中，紧凑型器件建模的复杂性显著增加，包括模型参数数量的增加、参数提取过程的耗时性以及随着器件技术发展所需的模型更新工作量。为应对这些挑战，提出了一种新的方法论，即结合器件物理特性和微型神经网络（PHIMO-NN）。利用神经网络在通用逼近方面的能力来辅助紧凑型建模，例如替代手动拟合函数和/或分箱方程，从而减少了模型参数的数量，同时实现了全局覆盖。PHIMO-NN对其参数的导数表现良好，这使得可以通过反向传播（BP）训练实现一次性的参数化。对于14/16纳米工艺设计套件（PDK）模型的FinFET技术数据，该模型包含五个覆盖整个栅极长度的分箱，PHIMO-NN参数化仅需20分钟，与传统模型提取方法相比速度大幅提升。此外，由于其持续学习的能力，模型迁移以适应技术更新也变得更加容易。例如，针对FinFET训练的PHIMO-NN在参数误差为0.22%的情况下，可以轻松扩展到栅极全环绕FET（GAAFET），其参数误差为0.31%。PHIMO-NN结合了基于物理的模型（具有物理意识和简单性）和AI模型（参数化效率和准确性）的优势，为先进/新兴技术提供了一种灵活的器件建模方法。

引言

对于先进工艺开发，设计技术协同优化（DTCO）已成为主流策略[1]、[2]、[3]，其中器件建模是关键步骤。图1(a)展示了简化的DTCO流程图，强调了器件建模在DTCO循环中的重要性[4]。为了加速优化过程，快速完成器件建模是非常必要的，但这是一项具有挑战性的任务。随着集成电路（IC）技术的进步，晶体管特征尺寸的持续缩小导致了越来越严重的非理想效应。为了满足设计精度要求，器件模型的复杂性显著增加。最新的BSIM-CMG版本（FinFET的工业标准模型）现在包含超过2000个参数，使得参数提取过程更加困难。通常需要数周时间才能准确提取这些参数，这限制了DTCO的迭代速度。此外，在从FinFET向栅极全环绕FET（GAAFET）的技术转型过程中，不可避免地需要投入大量精力来修改现有模型，以反映电气特性的变化并解释新的物理现象[5]。如图1(b)所示，移动性、阈值电压和电容等多个模块需要重新建模，以捕捉由于沟道宽度WGAA变化而产生的电气特性。这些特性是由于复杂的物理效应引起的，例如纳米片中的混合表面取向、短沟效应（SCEs）和量子限制效应。然而，即使采用更经验性的方法，开发新模块也非常耗时，并且不可避免地会增加参数数量[5]。图1.

(a) DTCO流程的简化概述。(b) 具有复杂几何依赖性的GAA纳米片晶体管及其新兴器件特性的示意图。