基于物理信息的 AI 加速 Fe-VNAND 数据保留分析：从日尺度 TCAD 到秒尺度替代模型
机器学习
2026-04-28 v3 人工智能
计算物理
摘要
铁电场效应晶体管（FeFET）基于垂直 NAND（Fe-VNAND）已成为克服 z 级限制并降低编程电压的有前景候选方案，但 3D Fe-VNAND 的数据保留受到电荷脱捕与铁电去极化之间复杂相互作用的限制。开发优化器件设计需要探索广泛的参数空间，但传统技术计算机辅助设计（TCAD）工具的高计算成本使此类大规模优化实际上不可行。为克服这些仿真障碍，我们提出了基于物理信息神经算子（PINO）的 AI 替代模型，用于高效预测阈值电压（Vth）偏移和保留行为。通过将基本物理原理嵌入学习架构，我们的 PINO 框架实现了超过 10000 倍的加速，同时保持物理准确性。所得替代模型为铁电-VNAND 提供了物理一致的数据引擎，支持可靠性感知的 SPICE 仿真。该研究在单个 FeFET 配置上证明了模型的有效性，为建模保留损失机制的路径。
引用
@article{arxiv.2603.06881,
title = {Physics-informed AI Accelerated Retention Analysis of Ferroelectric Vertical NAND: From Day-Scale TCAD to Second-Scale Surrogate Model},
author = {Gyujun Jeong and Sungwon Cho and Minji Shon and Namhoon Kim and Woohyun Hwang and Kwangyou Seo and Suhwan Lim and Wanki Kim and Daewon Ha and Prasanna Venkatesan and Kihang Youn and Ram Cherukuri and Yiyi Wang and Suman Datta and Asif Khan and Shimeng Yu},
journal= {arXiv preprint arXiv:2603.06881},
year = {2026}
}
备注
4 pages, 6 figures, to be published in ICMC (International Compact Modeling Conference)