Abstract
De snelle en agressieve ontwikkeling van moderne nano-/micro-elektronica is afhankelijk van de introductie van nieuwe apparaatarchitecturen en kanaalmaterialen. In tegenstelling tot tastbare productparameters, zoals prestaties of energieverbruik, worden betrouwbaarheidsspecificaties vaak niet openbaar gemaakt of door de doorsnee eindgebruiker in overweging genomen. In werkelijkheid is betrouwbaarheid echter de essentiële maatstaf voor de introductie van elk nieuw VLSI-node. Daarom zijn voorspellende betrouwbaarheidsmodellen, die het degradatiegedrag van toekomstige (mogelijk nog niet bestaande) transistors grondig kunnen behandelen, van cruciaal belang.
Om voorspellende capaciteiten te garanderen, moeten dergelijke modellen gebaseerd zijn op een zeer gedetailleerde beschrijving van het fysieke beeld achter degradatiemechanismen. Helaas is dit beeld zeer complex en omvat het niet-triviale deelproblemen zoals het modelleren van defecten en hun activatie-/generatiesnelheden, simulaties van ladingsdragertransport (omdat ladingsdragers interageren met defecten en hun voorlopers, wat leidt tot schade die zich in een apparaat ophoopt), en het modelleren van de eigenschappen van beschadigde apparaten om te kwantificeren hoe degradatie de transistorprestaties aantast. Al deze taken zijn zeer complex en vereisen aanzienlijke rekenkracht.
Gelukkig is machine learning (ML) het afgelopen decennium uitgegroeid tot een krachtig platform voor het aanpakken van numeriek dure problemen met aanzienlijk lagere rekenlast. Meer specifiek zijn er bij imec diverse ML-gerichte activiteiten ontplooid, waaronder (maar niet beperkt tot): fysisch-geïnformeerde (PI) ML voor halfgeleiderproductie, door ML ondersteunde multiscale thermische simulatie van geïntegreerde schakelingen, ML-ondersteunde extractie van parameters van traps die verantwoordelijk zijn voor random telegraph noise (een belangrijk betrouwbaarheidsprobleem), en door ML ondersteunde ab initio-berekeningen van deficteigenschappen. Verdere vooruitgang in rekenkundige efficiëntie en nauwkeurigheid zal worden bereikt door gebruik van fysisch-geïnformeerde machine learning (PIML). Deze strategie is gebaseerd op de integratie van fysische en wiskundige concepten – bedoeld om een leeralgoritme te verbeteren en de prestaties ervan te versnellen – binnen het ML-raamwerk.
Het algemene doel van dit doctoraatsonderzoek is het ontwikkelen van een PI-leerframework voor voorspellende modellering van de meest schadelijke betrouwbaarheidsfenomenen die moderne transistors teisteren – hot-carrier degradatie, bias temperature instability en OFF-state stress. Een drastische vermindering van de rekentijd moet worden bereikt door toepassing van PIML op het ladingsdragertransportprobleem. De trainingsfase zal worden uitgevoerd met behulp van een uitgebreide set simulatiegegevens (over een breed scala aan transistorarchitecturen en biascondities) die zijn verkregen met onze transportsimulator ViennaSHE. Een andere optimalisatiemogelijkheid heeft betrekking op versnelde modellering van het gedegradeerde apparaat, wat grootschalige simulaties mogelijk moet maken waarbij willekeurige verdelingen van dopantatomen en geactiveerde traps in een transistor in aanmerking worden genomen, evenals andere bronnen van variabiliteit. Tot slot wordt verwacht dat het gebruik van PIML niet alleen de rekentijd drastisch zal verminderen, maar ook het gebruik van voorspellende modellen voor apparaatbetrouwbaarheid op het DTCO-niveau mogelijk zal maken, waardoor ze aantrekkelijk worden voor apparaat- en schakelingontwerpers.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)