【器件论文】基于物理信息神经网络的模拟增强机器学习法校准 Ga₂O₃ TCAD 迁移率参数

      由美国圣何塞州立大学的研究团队在学术期刊 IEEE Transactions on Electron Devices 发布了一篇名为Ga₂O₃ TCAD Mobility Parameter Calibration Using Simulation Augmented Machine Learning With Physics-Informed Neural Network（基于物理信息神经网络的模拟增强机器学习法校准 Ga₂O₃ TCAD 迁移率参数）的文章。

摘要

      本文展示了利用机器学习（ML）进行自动技术计算机辅助设计（TCAD）参数校准与提取的可行性，该机器仅通过 TCAD 仿真数据进行训练。该方法通过实验数据进行了验证。采用新兴超宽带隙材料氧化镓（Ga₂O₃）制备了具有不同有效阳极功函数（WF）的肖特基势垒二极管（SBD），并在不同温度（T）下进行测量。利用其电流-电压（I-V）曲线实现 Ga₂O₃ 菲利普斯统一迁移率（PhuMob）模型参数的自动校准。本研究成功校准了五个关键 PhuMob 参数（μ_max，μ_min，N_ref，α 和 θ）。该校准系统由自编码器（AE）和神经网络（NN）构成，仅通过 TCAD 模拟数据进行训练，模拟变量包括 WF、T 及五个 PhuMob 参数（共七个变量组合）。随后从噪声实验曲线中提取 Ga₂O₃ PhuMob 参数。基于提取参数的后续 TCAD 仿真表明：在预导通区段，参数质量可媲美专家校准水平；但在导通区段则存在不足。通过采用物理信息神经网络（PINN），该模型在所有工作区段均能达到与人类专家相当的性能。

原文链接：

https://doi.org/10.1109/TED.2025.3648986