柯尔莫哥洛夫-阿诺德网络用于晶体管紧凑建模

基于神经网络（NN）的晶体管紧凑建模近期作为一种变革性方案出现，用于加速器件建模和SPICE电路仿真。然而，传统的NN架构尽管在最先进方法中被广泛采用，但主要作为黑箱问题求解器运作。这种缺乏可解释性严重限制了其提取和传达所学数据模式中有意义洞察的能力，构成了其在关键建模任务中更广泛采用的主要障碍。本工作首次将柯尔莫哥洛夫-阿诺德网络（KAN）引入晶体管——一种将可解释性与基于物理的函数建模高精度无缝融合的突破性NN架构。我们系统地评估了KAN和傅里叶KAN在FinFET紧凑建模中的性能，将其与行业黄金标准紧凑模型和广泛使用的MLP架构进行了基准对比。结果表明，KAN和FKAN在栅极电流、漏极电荷和源极电荷等关键性能指标上持续实现了优越的预测精度。此外，我们展示并改进了KAN从所学数据模式中推导符号公式的独特能力——这一能力不仅增强了可解释性，还促进了深入的晶体管分析与优化。本工作突显了KAN在弥合NN驱动晶体管紧凑建模中可解释性与精度之间差距的变革潜力。通过提供一种稳健且透明的晶体管建模方法，KAN代表了半导体行业在应对先进技术缩放挑战过程中的一个关键进展。