使用自编码器快速建模FinFET

arXiv cs.LG 论文
autoencoder finfet device-modeling machine-learning semiconductor compact-modeling

摘要

提出了一种基于自编码器的机器学习框架，用于高效建模FinFET器件，以极少训练数据实现高精度。

arXiv:2606.24046v1 公告类型: 新 摘要: 本文提出了一种利用自编码器（AE）高效建模FinFET的机器学习框架。我们首先校准了BSIM-CMG模型，生成了电流-电压（ID-VG）特性数据集。该数据用于训练自编码器，将完整的I-V曲线压缩到低维潜在空间中，从而内在编码关键的器件物理特性。一个关键创新是显式地将漏源电压（VDS）等参数作为输入特征纳入，增强了模型捕获偏置依赖变化的能力。训练后的模型成功重构完整的I-V曲线，并直接提取关键器件指标，包括阈值电压（VTH）、亚阈值摆幅（SS）和峰值跨导（gm）。该方法表明，基于实际表征数据构建的数据驱动紧凑模型，能以极少的训练数据实现高精度，为快速器件表征、建模和电路级仿真提供了有力工具。
查看原文
查看缓存全文

缓存时间: 2026/06/24 07:50 

# 利用自编码器实现FinFET快速建模
来源：https://arxiv.org/abs/2606.24046
查看PDF (https://arxiv.org/pdf/2606.24046)

> **摘要：** 本文提出了一种利用自编码器（AE）进行FinFET高效建模的机器学习框架。我们首先校准了BSIM-CMG模型，生成了电流-电压（ID-VG）特性数据集。这些数据用于训练一个自编码器，该编码器将完整的I-V曲线压缩到低维潜在空间中，从而内在编码了关键的器件物理特性。一项关键创新是将诸如漏源电压（VDS）等参数作为输入特征显式纳入，增强了模型捕捉偏置依赖变化的能力。训练后的模型能够成功重构完整的I-V曲线，并直接提取包括阈值电压（VTH）、亚阈值摆幅（SS）和峰值跨导（gm）在内的关键器件指标。该方法证明，基于实际表征数据构建的数据驱动紧凑模型，能够在极少的训练数据下实现高精度，为快速器件表征、建模及电路级仿真提供了有力工具。

## 提交历史

来自：Amit Sarkar先生 [查看邮件 (https://arxiv.org/show-email/182ae379/2606.24046)]  
**[v1]** 2026年6月23日星期二 01:15:50 UTC (482 KB)

相似文章