BPINN-EM-Post:基于贝叶斯物理信息神经网络的空洞后阶段电迁移损伤随机分析
机器学习
2026-01-21 v3
摘要
与现有大多数电迁移(EM)分析工具的假设不同,电迁移诱发应力的演化本质上是随机的,会受到输入电流波动和制造非理想性等因素的影响。传统上,估计应力变化通常采用计算开销大且效率低的蒙特卡洛仿真结合工业求解器,通过均值与方差度量来量化变化。本研究提出了一种新颖的基于机器学习的框架,称为 BPINN-EM-Post,用于电迁移诱发空洞后老化过程的高效随机分析。该方法首次将闭式解析解与贝叶斯物理信息神经网络(BPINN)框架相结合以加速分析。其中,闭式解析解在单根导线段层面施加物理约束,而 BPINN 则确保段间节点处的物理约束得以满足,并对随机行为进行精确建模。通过利用解析解减少损失函数中的变量数量,本方法在保持精度的同时显著提升了训练效率,并自然地纳入了变分效应。此外,解析解还有效地解决了空洞后应力计算中互连结构初始应力分布难以纳入的难题。数值结果表明,与基于有限元的 COMSOL 求解器及基于有限差分的 EMSpice 所进行的蒙特卡洛仿真相比,BPINN-EM-Post 分别实现了超过 240 倍和 67 倍以上的加速,且精度损失极小。
引用
@article{arxiv.2503.17393,
title = {BPINN-EM-Post: Bayesian Physics-Informed Neural Network based Stochastic Electromigration Damage Analysis in the Post-void Phase},
author = {Subed Lamichhane and Haotian Lu and Sheldon X. -D. Tan},
journal= {arXiv preprint arXiv:2503.17393},
year = {2026}
}
备注
8 pages, to appear in ISQED 2026