بررسي مشخصات الكتريكي ترانزيستور اثر ميدان بدون پيوند دو گيتي نانومتري با رويكرد يادگيري ماشين

Investigation of Electrical Characteristics of Nanoscale Double Gate Junctionless Field Effect Transistor (DG-JLFET) using Machine Learning Approach

ترانزيستورهاي اثر ميدان بدون پيوند Junctionless Field Effect Transistor (JL-FET) قابليت مقياس شدن به ابعاد كوچكتر را دارند و مشكلات ساخت ناشي از پيوند، در آنها حذف شده است. شبيه سازي JL-FETها با كمك فناوري طراحي به كمك كامپيوتر (TCAD) با نرم افزارهاي صنعتي موجود مانند SILVACO, Sentaurus و ... انجام مي‌شود، كه تهيه و استفاده از اين شبيه سازها هزينه‌هاي بسيار بالايي دارد. بر اين اساس در اين مقاله مدلسازي و مشخصات الكتريكي ترانزيستور اثر ميدان بدون پيوند دو گيتيDouble Gate (DG) JL-FET با استفاده از يادگيري ماشين بررسي شده است كه موجب كاهش چشمگر در هزينه‌هاي شبيه سازي مي‌شود. ابتدا ترانزيستوري به نام Regular-DGJL-FET توسط SILVACO ATLAS شبيه سازي شده و سپس داده‌هاي اين شبيه سازي به عنوان داده‌هاي آموزشي (train) به ماشين داده شده است. سپس با تغيير داده‌هاي ورودي مانند ضخامت بدنه ترانزيستور، ضخامت اكسيد گيت و مقدار آلايش بدنه، اثر ورودي‌هاي جديد بر داده‌هاي خروجي كه شامل مشخصات الكتريكي ترانزيستور است بررسي شده است. بررسي‌هاي ما نشان مي‌دهد ماشينِ آموزش ديده شده به خوبي نتايج SILVACO ATLAS را دنبال مي‌كند. نتايج حاصل شده نشان مي‌دهد براي Regular-DGJL-FET پارامترهاي جريان حالت روشن (I_ON)، و نسبت جريان روشنايي به جريان خاموشي (I_ON/I_OFF) حاصل شده توسط ماشين به ترتيب 1/43 درصد، و 6/08 درصد اختلاف با نتايج شبيه ساز ATLAS SILVACO دارد. همچنين MSE بر روي داده‌هاي test خطاي 0/00116 و روي داده‌هاي validation خطاي 0/0027 را دارد كه اعداد قابل قبولي است. بر اين اساس رويكرد يادگيري ماشين مي‌تواند گزينه مناسبي براي شبيه سازي JL-FETها باشد.

Junctionless Field Effect Transistors (JL-FETs) are capable of being scaled down to smaller dimensions and having the fabrication challenges associated with junctions eliminated. However, simulating JL-FETs using industry-standard Technology Computer-Aided Design (TCAD) tools like SILVACO and Sentaurus can result in prohibitively high costs. In this study, a machine learning-based approach is explored to model and analyze Double Gate (DG) JL-FETs, with the aim of reducing simulation costs. Initially, simulations of a transistor known as Regular-DGJL-FET are conducted using SILVACO ATLAS, and the resulting dataset is used to train the machine learning model. Subsequently, the impact of altering input parameters such as transistor body thickness, gate oxide thickness, and body doping concentration on transistor electrical characteristics is investigated. Findings indicate that the machine-learned model closely approximates SILVACO ATLAS results. The results obtained demonstrate that, for Regular-DGJL-FET, a 1.43% difference in the on-state current (I_ON) and a 6.08% variation in the on/off current ratio (I_ON/I_OFF) are achieved by the machine-learned model compared to SILVACO ATLAS simulations. Moreover, the Mean Squared Error (MSE) is 0.00116 for test data and 0.0027 for validation data, indicating acceptable performance. In conclusion, it is suggested by this study that machine learning-based approaches can provide a cost-effective alternative for simulating JL-FETs, all while maintaining accuracy and efficiency.