基于嵌入增强的铁电场效应晶体管（FeFET）概率建模
机器学习
2025-08-06 v1 新兴技术
摘要
FeFET 具有推进内存和逻辑技术的巨大潜力，但其源于操作循环和制造波动性的固有随机性为准确可靠的建模带来了重大挑战。准确捕捉这种波动性至关重要，因为它使设计师能够预测行为、优化性能并确保在制造和运行条件变化下的可靠性和鲁棒性。现有的确定性和机器学习基准模型往往无法捕捉这种波动性的全部范围，或缺乏所需的数学光滑性以稳定地集成到电路级。本文提出了一种增强型概率建模框架，用于 FeFET，旨弥补这些局限性。该方法建立在混合密度网络（MDN）基础上，集成 C-infinity 连续激活函数以实现平滑、稳定的学习，并引入设备特定的嵌入层以捕捉跨设备的固有物理波动性。从学习到的嵌入分布中进行采样，可生成用于变异性感知仿真的合成器件实例。该模型在捕捉 FeFET 当前行为变异性方面达到了 R2=0.92，显示出高准确率。总体而言，该框架为 FeFET 的完整随机行为建模提供了可扩展的数据驱动解决方案，并为未来的紧凑模型开发和电路仿真集成奠定了坚实基础。
引用
@article{arxiv.2508.02737,
title = {Embedding-Enhanced Probabilistic Modeling of Ferroelectric Field Effect Transistors (FeFETs)},
author = {Tasnia Nobi Afee and Jack Hutchins and Md Mazharul Islam and Thomas Kampfe and Ahmedullah Aziz},
journal= {arXiv preprint arXiv:2508.02737},
year = {2025}
}
备注
15 pages, 6 figures, manuscript yet not submitted anywhere