Device Image-IV Mapping using Variational Autoencoder for Inverse Design and Forward Prediction

要約

タイトル：デバイスイメージ-IVマッピングにおける変分オートエンコーダを用いた逆設計と順方向予測

要約：
– この論文は、変分オートエンコーダ（VAE）に基づく新しいフレームワークを使用して、デバイス構造画像を対応するカレント-電圧（IV）特性にマッピングすることにより、潜在的なデバイス物理学の学習を実証しています。
– VAEを使用しているため、ドメインエキスパートは必要とされず、フレームワークは新しいデバイスと測定にすばやく展開できます。これは、デバイス横断面画像と電気特性のみが利用可能な場合に、新たな素材メモリなどの新しいデバイスのコンパクトモデリングに有用であると期待されています。
– TCADで生成された多数層SOIおよび手描きのMOSデバイス画像、ノイズが含まれたドレイン電流-ゲート電圧曲線（IDVG）がデモに使用されます。
– フレームワークは、画像マニフォールド学習用の1つのVAEとIDVGマニフォールド学習用の別のVAEを積み重ね、それらが潜在変数を介して通信することで形成されます。異なる強度を持つ5つの独立変数が使用されます。
– 逆設計（特定のIDVGに対して設計構造を生成する）と順方向予測（特定の構造画像に対してIDVGを予測することができ、画像をデバイスパラメータとして扱う場合にコンパクトモデリングに使用できます）を成功裏に行うことができることが示されます。
– マニフォールド学習が使用されているため、入力のノイズ（手書きの画像やノイズのあるIDVG曲線）に対しても、機械は頑健であり、弱いおよび関係のない独立変数によって混乱することはありません。

要約(オリジナル)

This paper demonstrates the learning of the underlying device physics by mapping device structure images to their corresponding Current-Voltage (IV) characteristics using a novel framework based on variational autoencoders (VAE). Since VAE is used, domain expertise is not required and the framework can be quickly deployed on any new device and measurement. This is expected to be useful in the compact modeling of novel devices when only device cross-sectional images and electrical characteristics are available (e.g. novel emerging memory). Technology Computer-Aided Design (TCAD) generated and hand-drawn Metal-Oxide-Semiconductor (MOS) device images and noisy drain-current-gate-voltage curves (IDVG) are used for the demonstration. The framework is formed by stacking two VAEs (one for image manifold learning and one for IDVG manifold learning) which communicate with each other through the latent variables. Five independent variables with different strengths are used. It is shown that it can perform inverse design (generate a design structure for a given IDVG) and forward prediction (predict IDVG for a given structure image, which can be used for compact modeling if the image is treated as device parameters) successfully. Since manifold learning is used, the machine is shown to be robust against noise in the inputs (i.e. using hand-drawn images and noisy IDVG curves) and not confused by weak and irrelevant independent variables.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI