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

使用 NVIDIA NeMo AutoModel 加速 Transformer 微调

Hugging Face Blog

NVIDIA NeMo AutoModel 利用 HuggingFace Transformers v5，在微调 Mixture-of-Experts 模型时，无需修改代码（只需一个导入），即可实现 3.4 至 3.7 倍的训练吞吐量提升和 29% 至 32% 的 GPU 内存减少。

变分有损自编码器

OpenAI Blog

# 变分有损自编码器 来源: [https://openai.com/index/variational-lossy-autoencoder/](https://openai.com/index/variational-lossy-autoencoder/) ## 摘要 表示学习旨在将观测数据的某些方面暴露在学习表示中，这种表示便于分类等下游任务。例如，对于二维图像，一个好的表示可能是只描述全局结构并丢弃有关详细纹理信息的表示。在本文中，我们提出