机器学习是一种依靠数据驱动的技术，该技术的发展允许各领域的研究人员可以尝试更多的架构或想法，从而加速各自领域的发展。在微电子领域，机器学习算法在辅助芯片加工过程中的监控、性能预测等方面具有重要应用价值。然而，由于数据缺失，限制了机器学习在微电子领域的应用。
针对于此，清华大学集成电路学院任天令教授团队结合机器学习算法提出了一种用于器件设计及仿真的增强机器学习框架，采用TCAD仿真工具和并行计算创建了自定义数据集。通过器件的工艺参数仿真了NMOS的电学性能。以13个特征曲线作为输入数据，利用卷积神经网络模型预测了器件的栅厚、源漏和沟道的掺杂浓度，预测结果和实际值的相关系数分别为0.999、0.999和0.982。此外，采用反卷积神经网络架构对输入的特性曲线进行扩展并提取器件的特征值，通过对2000组数据进行训练，获得的模型均方误差（MSE）可以达到4e-4。
机器学习方法的引入，器件的仿真速度提升了9000倍，可以用于微纳电子器件性能的超快优化仿真，极大简化了半导体器件制造的模拟过程，从而不再需要任何昂贵的设备，对促进机器学习算法在微电子领域的应用起到了积极的作用。

图1. （a）将器件性能映射到参数的神经网络流程图；（b）器件参数的预测值与实际值的散点图；（c）用于预测不同数量训练样本参数的训练曲线图。

图2 .（a）通过机器学习算法预测NMOS器件的转移和输出曲线图；（b）栅厚、源漏和沟道的掺杂浓度固定之后器件的转移和输出曲线预测图。
Framework for TCAD augmented machine learning on multi-I–V characteristics using convolutional neural network and multiprocessing
Thomas Hirtz, Steyn Huurman, He Tian, Yi Yang, Tian-Ling Ren
J. Semicond. 2021, 42(12): 124101
doi:?10.1088/1674-4926/42/12/124101
Full Text: http://www.jos.ac.cn/article/doi/10.1088/1674-4926/42/12/124101?pageType=en
来源：第12期半导体学报中文导读