【摘要】 在这项研究中，我们使用一个紧凑的电荷模型来预测一个初始猜测，而不是在推断之前必须训练的一个深层神经网络。

在半导体器件模拟中，目标偏置条件必须通过偏移过程来实现，这通常是非常耗时的。此外，为了得到耦合非线性方程组的解，通常采用牛顿-拉夫森方法，并通过多次牛顿迭代得到收敛解。由于牛顿迭代在斜坡过程中反复出现，整体计算时间显著增加。因此，当对目标偏置条件有较好的初始估计时，可以显著地减少计算时间。

 

最近，在半导体器件仿真，许多使用神经网络模型的研究已经被报道，以描述投入产出关系或加速模拟。我们提出了一种通过训练的深层神经网络来产生初始猜测的方法。在中提出的方法根据器件参数生成初始静电势。该方法的效率已通过几个数值例子得到了验证。

 

在这项研究中，我们使用一个紧凑的电荷模型来预测一个初始猜测，而不是在推断之前必须训练的一个深层神经网络。用一维连续性方程对二维金属氧化物半导体(MOS)结构的紧凑电荷模型进行了数值求解。两个耦合方程的解被用来产生初始静电势和初始电子密度，它们成为漂移扩散模型的初始解。为了验证我们提出的方法，矩形栅全围(GAA)金属氧化物半导体场效应晶体管(MOSFET)的长沟道长度所示进行了模拟。

 

初始猜测与收敛解的差异。考虑了三个纵横比(1.1,1:2和1:3)和三个栅电压( 0.3,0.7和1.1 V)。只有四分之一的横截面显示，在这些例子中，最大的差异是大约77毫伏。

 

1.Kwang-Woon Lee, Sung-Min Hong, Acceleration of semiconductor device simulation using compact charge model, Solid-State Electronics, Volume 199, 2023, 108526, ISSN 0038-1101, https://doi.org/10.1016/j.sse.2022.108526.

 

科学指南针提供各类科研测试服务，愿您总能获得想要的结果。我们收到的测试样品来自各地，种类繁多，如果我们回复不及时，还请再次联系，或直接语音电话联络，若您对我们的服务不满意，或对测试结果有疑问，请果断联系我们或直接拨打400-831-0631，我们对每个数据及结果，会负责到底！科研可能很苦，但坚持一定很苦，愿您顺利！

 

免责声明：部分文章整合自网络，因内容庞杂无法联系到全部作者，如有侵权，请联系删除，我们会在第一时间予以答复，万分感谢。