Forscher der National Yang Ming Chiao Tung University (Taiwan) veröffentlichten eine technische Abhandlung mit dem Titel „A Machine Learning Approach to Modeling Intrinsic Parameter Fluctuation of Gate-All-Around Si Nanosheet MOSFETs“.
„Diese Studie hat das Potenzial der ANN-basierten ML-Strategie bei der Modellierung der Wirkung von Schwankungsquellen auf die elektrischen Eigenschaften von GAA-Si-NS-MOSFETs umfassend analysiert. Insgesamt werden 4000 fluktuierte Geräte mit intrinsischen Parameterfluktuationsquellen (WKF, RDF, ITF und deren Kombination) simuliert, um einen vollständigen Datensatz für das Training und Testen von KNN-Modellen zu sammeln. Ihre unabhängigen sowie kombinierten Effekte wurden erfolgreich analysiert, indem die Schwankungen der Schwellenspannung, des Durchlassstroms und des Ausschaltstroms modelliert wurden“, heißt es in der Veröffentlichung.
Finden Sie den offenen Zugang technisches Papier hier. Veröffentlicht Juli 2022.
R. Butola, Y. Li und SR Kola, „Ein maschineller Lernansatz zur Modellierung der intrinsischen Parameterfluktuation von Gate-All-Around-Si-Nanoblatt-MOSFETs“, in IEEE Access, vol. 10, S. 71356-71369, 2022, doi: 10.1109/ACCESS.2022.3188690.
Weiterführende Literatur
GAA-Wissenszentrum
Große Veränderungen in Architekturen, Transistoren, Materialien
Wer macht was in Next-Gen-Chips und wann wird damit gerechnet?
Nanosheet FETs treiben Veränderungen in der Metrologie und Inspektion voran
Die Erkennung von Defekten in tiefen oder verborgenen Strukturen erfordert einen Multitool-Ansatz.
Transistoren erreichen den Wendepunkt bei 3 nm
Nanoblätter sind in diesem Jahrzehnt die wahrscheinlichste Option, danach sind CFETs und andere exotische Strukturen möglich.
