基于人工智能/机器学习的SPICE建模与参数提取基准

来源

Benchmarks for SPICE Modeling and Parameter Extraction Based on AI/ML（TED）

摘要

在过去的几十年里，使用数值方法进行SPICE建模或对现有SPICE模型参数进行表征（提取）的提交论文数量显著增加。许多此类文章依赖于合成数据——这些数据或通过技术计算机辅助设计（TCAD）生成，或基于物理SPICE模型的仿真结果；而大多数并未对实测数据进行建模/拟合。此外，这些文章未对其提出的数值方法的物理正确性、平滑性/单调性或渐近正确性进行评估。尽管这种方法足以对技术进行初步验证，但无法证明其具备“工业级实用价值”。
本文针对所提出的人工智能（AI）/机器学习（ML）驱动的SPICE建模与表征技术，制定了基准测试与指南，旨在推动其向实际应用转化。
关键词—人工神经网络（ANN）建模、紧凑建模、参数提取、SPICE
在这里插入图片描述

在这里插入图片描述

文章的研究内容

1. 研究背景与目标

现状分析：传统物理模型虽具备物理一致性但开发周期长，而现有AI/ML模型多依赖合成数据（如TCAD或紧凑模型生成），缺乏对实测数据的鲁棒性验证，且未充分满足工业标准（如渐近正确性、噪声建模等）[[1]][[5]]。
研究目标：建立一套基准测试与指南，确保AI/ML模型在准确性、物理合理性、计算效率等方面达到工业级要求，缩小与传统模型的差距[[2]][[19]]。

2. 核心研究内容

2.1 评估检查表（Checklists）

论文提出两大检查表，分别针对建模与参数提取，涵盖以下关键要求：

物理一致性：模型需遵守热力学定律（如零偏置时电流为零），确保被动性与能量守恒[[3]][[22]]。
数据与拟合：
- 使用实测数据验证，而非仅依赖合成数据，需处理噪声与局部工艺变异[[4]][[9]]。
- 权重分配需平衡数字、模拟、射频电路的需求（如强调跨导( g_m )或有效电流( I_{eff} )）[[5]][[31]]。
几何与温度的广适性：支持任意尺寸与温度范围，包括汽车级宽温场景[[6]][[10]]。
单调性与平滑性：除特定物理现象（如碰撞电离导致的非单调( g_{dd} )）外，模型需保持平滑变化[[7]][[8]]。
渐近正确性：极端偏置/温度下行为需符合物理规律（如自热导致的负电导），避免非物理外推[[9]][[33]]。

2.2 关键技术挑战与解决方案

布局依赖效应（LDE）：
- 需兼容工业标准接口（TMI/OMI），处理多物理场耦合（如应力、邻近效应）[[10]][[38]]。
- 案例：电阻模型中离散接触孔导致的非连续( R \cdot W )特性需被AI/ML复现[[32]]。
自热与噪声建模：
- 自热需包含频率依赖性（如FinFET的热-电耦合）[[11]][[41]]。
- 噪声模型需覆盖热噪声、散粒噪声、1/f噪声及终端间相关性[[12]][[44]]。
非准静态（NQS）效应：
- 提出AI/ML需同时满足高频瞬态与低频模拟精度，避免电容预测失真[[13]][[45]]。
统计变异与老化：
- 模型需嵌入全局工艺相关性（如nMOS/pMOS的( t_{ox} )关联）及老化效应（如BTI导致的( V_T )漂移）[[14]][[5]]。

2.3 实现与验证

仿真器兼容性：模型需通过Verilog-A实现，并在主流工具（如HSPICE、Spectre）中验证收敛性与计算效率[[15]][[22]]。
计算效率：AI/ML模型需在保证精度的同时降低运算成本（如替代传统模型中的log、exp运算）[[15]][[10]]。

3. 创新点与贡献

系统性框架：首次提出覆盖物理一致性、数据多样性、工业兼容性的AI/ML建模范式，填补现有研究空白[[2]][[19]]。
知识增强神经网络（KBNN）：结合物理先验（如电阻基础公式( R = \rho_s \cdot L/W )）与数据驱动修正，提升模型泛化能力[[18]][[6]]。
开放科学倡导：呼吁建立实测数据库与代码开源，促进可重复性研究[[16]][[47]]。

论文通过严格的基准测试框架，为AI/ML在半导体建模中的应用设定了明确标准，强调从“概念验证”转向“工业实用”的必要性。其提出的检查表与技术指南为未来研究提供了清晰路径，尤其在处理复杂效应（如LDE、NQS）和多物理场耦合方面具有重要指导意义[[17]][[19]]。

文章的研究方法

1. 文献综述与理论分析

方法描述：通过总结现有AI/ML在器件建模中的应用（如知识增强神经网络KBNN、参数提取算法[[10]][[16]]），分析其局限性（如依赖合成数据、缺乏物理一致性[[3]][[6]]）。
应用场景：对比传统物理模型（如BSIM-CMG）与AI/ML模型的优缺点，明确工业级模型需满足的基准要求（如渐近正确性、噪声建模[[12]][[44]]）。

2. 检查表驱动的评价体系

方法描述：提出两大检查表（Checklist）作为核心评估工具：
- 建模检查表（表I）：涵盖物理正确性、平滑性、几何/温度广适性等10项要求[[2]][[7]]。
- 参数提取检查表（表II）：强调对工艺偏差、老化效应、多目标优化的支持[[14]][[35]]。
应用场景：用于量化AI/ML模型的创新性，要求新方法需超越现有技术（如传统模型的log/exp运算效率瓶颈[[15]]）。

3. 实证研究与对比实验

方法描述：
- 数据驱动验证：使用实测数据（如90nm CMOS阈值电压波动[[4]]、FinFET自热效应[[41]]）替代传统合成数据，评估模型鲁棒性。
- 案例对比：通过具体器件（如电阻非连续特性[[32]]、LDMOS输出电导负值[[3]]）测试AI/ML模型对非单调/非连续行为的复现能力。
应用场景：证明AI/ML模型在噪声抑制、局部工艺变异处理上的优势（如通过中值法消除统计波动[[29]]）。

4. 跨学科融合方法

方法描述：结合物理先验知识与数据驱动技术：
- KBNN框架：将物理核心模型（如电阻基础公式( R = \rho_s \cdot L/W )）与AI/ML修正项融合，提升泛化能力[[18]][[6]]。
- 多物理场耦合：处理自热、噪声、非准静态（NQS）等复杂效应，确保模型兼容工业标准接口（TMI/OMI）[[40]][[46]]。
应用场景：在纳米级器件中验证热-电耦合建模（如SiGe HBT频率依赖性[[41]]）。

5. 开源协作与基准测试

方法描述：
- 数据开源倡议：呼吁建立实测数据库与代码仓库，推动可重复性研究（如CMC联盟主导的工艺数据共享[[47]]）。
- 标准化验证流程：要求模型在主流仿真器（如HSPICE、Spectre）中测试收敛性与计算效率[[15]][[22]]。
应用场景：通过PyTorch等工具实现模型的快速迭代，并验证其在瞬态仿真中的性能优势[[17]][[10]]。

文章通过理论分析-实证验证-标准制定的三层方法论，系统性地建立了AI/ML建模的工业级基准，强调从“概念验证”到“实用转化”的关键路径，为未来研究提供了可操作的框架[[19]][[17]]。
在这里插入图片描述

文章的创新点

1. 系统性工业级基准框架的提出

创新性：首次为AI/ML驱动的SPICE建模与参数提取建立结构化评估体系，涵盖物理一致性、数据广适性、计算效率等10项工业级要求（表I、II）[[2]][[19]]。
突破性：超越传统“概念验证”研究，通过检查表明确AI/ML模型需在实测数据拟合、噪声/老化处理、跨工艺兼容性等方面超越现有技术（如传统紧凑模型的log/exp运算效率瓶颈）[[15]][[46]]。

2. 知识增强神经网络（KBNN）的深度融合

创新性：提出物理先验与数据驱动结合的混合建模范式，例如将电阻基础公式( R = \rho_s \cdot L/W )与AI/ML修正项融合，解决传统模型无法覆盖的非线性效应（如自热导致的负电导）[[18]][[6]]。
突破性：通过KBNN框架实现多物理场耦合建模（如热-电、噪声-几何依赖），显著提升模型在极端条件下的预测能力（如FinFET的宽温场景）[[41]][[10]]。

3. 实测数据驱动的鲁棒性验证

创新性：强调使用含噪声与局部工艺变异的实测数据替代传统合成数据，例如通过90nm CMOS阈值电压波动数据验证模型对统计偏差的鲁棒性[[4]][[29]]。
突破性：提出基于中值法与无界相对差异度量（( d_u )）的数据预处理方法，有效分离信号与噪声，解决传统方法过拟合问题[[30]][[26]]。

4. 复杂效应的协同建模方法

创新性：首次将布局依赖效应（LDE）、自热、非准静态（NQS） 等多物理场耦合问题纳入AI/ML建模范畴，例如通过TMI/OMI接口处理LDE的跨器件相关性[[38]][[40]]。
突破性：提出动态热阻抗网络与频率依赖噪声模型，解决传统模型在高频下失效的问题（如SiGe HBT的自热频率特性）[[41]][[44]]。

该论文的创新点体现在方法论系统性（工业级基准）、技术融合性（KBNN）、数据真实性（实测驱动）及问题复杂性（多物理场耦合）四大维度，为AI/ML在半导体建模中的实用化提供了可操作的路径[[19]][[17]]。

文章的结论

1. 研究总结

AI/ML的潜力与现状：
AI/ML技术在半导体器件建模中展现出显著优势，尤其在处理传统物理模型难以描述的复杂现象（如迟滞效应、记忆特性）时，知识增强神经网络（KBNN）通过融合物理先验知识与数据驱动修正，为参数提取提供了高效路径[[18]][[6]]。例如，KBNN成功修正了电阻模型中的非物理预测（如宽度平方依赖性）[[32]]。
当前局限性：
现有研究多依赖合成数据（如TCAD仿真），缺乏对实测数据的鲁棒性验证，且未充分评估物理一致性、渐近正确性等工业级要求[[3]][[19]]。许多模型仍停留在“概念验证”阶段，未能突破传统模型的精度或效率瓶颈[[15]][[46]]。

2. 工业级应用的关键要求

基准测试框架：
论文提出系统性检查表（Checklist），要求AI/ML模型在以下方面满足工业标准：
- 物理一致性：遵守热力学定律（如零偏置下电流为零）、被动性及能量守恒[[33]][[22]]。
- 数据广适性：支持实测数据中的噪声、局部工艺变异及极端条件（如汽车级宽温场景）[[4]][[41]]。
- 多物理场耦合：兼容自热、噪声、非准静态（NQS）效应及布局依赖效应（LDE）[[10]][[45]]。
- 计算效率：在主流仿真器（如HSPICE）中验证收敛性与仿真速度[[15]][[22]]。

3. 未来研究方向

技术融合与创新：
- KBNN的深化应用：结合物理核心模型（如电阻基础公式( R = \rho_s \cdot L/W )）与AI/ML修正项，提升对复杂效应（如自热导致的负电导）的建模能力[[18]][[6]]。
- 动态热阻抗网络：解决FinFET等器件的频率依赖性自热问题[[41]][[46]]。
开放科学与协作：
- 呼吁建立标准化实测数据库与开源代码仓库，推动跨领域协作与可重复性研究[[47]][[16]]。
- 通过晶圆厂与行业联盟（如CMC）主导数据共享，减少重复研究[[47]]。

4. 研究贡献

系统性框架：首次提出覆盖物理一致性、数据多样性及工业兼容性的AI/ML建模范式，填补现有研究空白[[2]][[19]]。
实践指南：通过检查表与案例分析（如电阻非连续特性、LDMOS输出电导负值），为未来研究提供可操作的改进路径[[32]][[3]]。

5. 局限性与展望

当前挑战：AI/ML模型需在噪声抑制、多目标优化（数字/模拟/射频需求平衡）及跨工艺兼容性方面进一步突破[[30]][[15]]。
长期目标：推动AI/ML从“数据拟合”向“物理-数据协同驱动”演进，最终实现与传统模型（如BSIM-CMG）同等的工业级可靠性[[6]][[10]]。

该论文为AI/ML在半导体建模中的实用化设定了明确基准，强调通过物理先验融合、实测数据验证及开放协作，推动技术从实验室走向工业应用。其提出的框架与指南为未来研究提供了关键方向，尤其在处理多物理场耦合与极端条件建模方面具有里程碑意义[[19]][[17]]。