論文の概要: AI and TCAD for Inverse Design and Defect Discovery: From Simple Machine Learning to LLM
- arxiv url: http://arxiv.org/abs/2609.07046v1
- Date: Mon, 07 Sep 2026 05:04:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.36387
- Title: AI and TCAD for Inverse Design and Defect Discovery: From Simple Machine Learning to LLM
- Title（参考訳）: 逆設計と欠陥発見のためのAIとTCAD: シンプルな機械学習からLLMへ
- Abstract要約: 我々は、機械学習(ML)に必要な正確なデータを生成するために、Technology Computer-Aided-Design(TCAD)の使用について検討する。
自動エンコーダに基づく機械学習モデルとTCADデータに適用したノイズ工学が潜時物理学の学習に有効であることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AI has revolutionized various engineering domains, but its impact on semiconductor device design and defect discovery is still limited, due to limited data and the curse of dimensionality. In this paper, we will discuss our work on using the Technology Computer-Aided-Design (TCAD) to generate precise data needed for machine learning (ML) to enable simulation-augmented ML. We demonstrate that with minimal domain expertise, it is possible to create a machine that performs as well as a device engineer on a specific task. We will show that auto-encoder-based machine learning models and noise engineering applied to TCAD data are effective at learning latent physics, and that the models can be seamlessly applied to experimental data. We will demonstrate how to build a device-engineer-level model step by step through various examples, including using only non-destructive electrical data to inverse-engineer the PiN diode layer thickness variations, the Ga2O3 Schottky diode doping and anode workfunction variations, and the transistor contact resistance in an inverter. Examples also include the generation of a FinFET IV/CV prediction model, the mapping between transistor images and IV curves, and the automatic calibration of TCAD parameters for a Ga2O3 Schottky diode, which can only be handled well by experienced TCAD engineers. Finally, to fully realize the potential of AI, large language models (LLMs) and multimodal LLMs (MLLMs) are believed to be necessary. We will discuss the application of LLMs to TCAD command file creation and our vision for MLLMs in automated device design and defect discovery.
- Abstract（参考訳）: AIはさまざまなエンジニアリング領域に革命をもたらしたが、それが半導体デバイス設計や欠陥発見に与える影響はまだ限られている。
本稿では、機械学習(ML)に必要な正確なデータを生成するために、Technology Computer-Aided-Design(TCAD)を用いて、シミュレーション強化MLを実現する取り組みについて論じる。
ドメインの専門知識を最小限に抑えることで、特定のタスクでデバイスエンジニアと同様に機能するマシンを作成することが可能であることを実証する。
自動エンコーダに基づく機械学習モデルとTCADデータに適用したノイズエンジニアリングが潜在物理学の学習に有効であることを示し,実験データにシームレスに適用できることを示す。
非破壊的な電気データのみを用いて、PiNダイオード層厚変化、Ga2O3ショットキーダイオードピングとアノード機能変化、インバータにおけるトランジスタ接触抵抗など、デバイス・エンジニアレベルのモデルステップを構築する方法を紹介する。
例えば、FinFET IV/CV予測モデルの生成、トランジスタ画像とIV曲線のマッピング、Ga2O3ショットキーダイオードのTCADパラメータの自動キャリブレーションなどがあり、これは経験豊富なTCADエンジニアによってしかうまく扱えない。
最後に,AIの可能性を十分に実現するためには,大規模言語モデル (LLM) とマルチモーダルLLM (MLLM) が必要であると考えられる。
我々は,自動デバイス設計と欠陥発見におけるMLLMのTCADコマンドファイル作成へのLLMの適用と,MLLMのビジョンについて論じる。
関連論文リスト
- zenDot: An LLM-integrated quantum TCAD platform for semiconductor quantum-device design and optimization automation [4.288703321880058]
zenDotは大規模言語モデル(LLM)統合量子TCADプラットフォームである。
物質が衝突したデバイス状態を、統一された凝縮物質物理学ツールボックスに接続する。
単一デバイス状態は、キャラクタリゼーションワークフローを再現し、ハイブリッド、トンネルチャージ、シングルトリップキュービット解析をサポートする。
論文 参考訳（メタデータ） (2026-08-17T03:21:02Z) - Physics-informed AI Accelerated Retention Analysis of Ferroelectric Vertical NAND: From Day-Scale TCAD to Second-Scale Surrogate Model [1.8836299537031278]
強誘電体電界効果トランジスタ(FeFET)をベースとした垂直NAND(Fe-VNAND)は、プログラム電圧の低いzスケーリング限界を克服する候補として期待されている。
本稿では、しきい値電圧(Vth)シフトの高精度予測と保持動作のための物理インフォームドニューラルネットワーク(PINO)ベースのAIサロゲートモデルを提案する。
論文 参考訳（メタデータ） (2026-03-06T21:01:31Z) - TIGeR: Tool-Integrated Geometric Reasoning in Vision-Language Models for Robotics [53.442362491589726]
本稿では、視覚言語モデル(VLM)を幾何学コンピュータに変換する新しいフレームワークであるTIGeR(Tool-Integrated Geometric Reasoning)を提案する。
TIGeRは、ニューラルネットワーク内で複雑な幾何学的操作を内部化しようとするのではなく、幾何学的推論要求を認識するためにモデルに権限を与える。
TIGeRは、実世界のロボット操作タスクにおいて、センチメートルレベルの精度を示しながら、幾何学的推論ベンチマーク上でSOTA性能を達成することを示す。
論文 参考訳（メタデータ） (2025-10-08T16:20:23Z) - Deep Learning to Automate Parameter Extraction and Model Fitting of Two-Dimensional Transistors [0.0]
電気的測定から2次元トランジスタの物理パラメータを抽出する深層学習手法を提案する。
物理に基づくデバイスシミュレータを近似するために、二次ニューラルネットワークを訓練する。
この方法は、500台のデバイスのシミュレーションから生成された電気データに基づいてニューラルネットワークをトレーニングした後、高品質な適合を可能にする。
論文 参考訳（メタデータ） (2025-07-07T15:46:25Z) - Generative AI for CAD Automation: Leveraging Large Language Models for 3D Modelling [31.94035963354055]
大規模言語モデル(LLM)は、効率性、スケーラビリティ、革新性を向上させることで産業に革命をもたらしている。
本稿では,フリーCAD と LLM をCAD ツールとして統合することにより,CAD の自動設計における LLM の可能性を検討する。
本稿では,LLMが自然言語記述からCADスクリプトを生成するフレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-05T23:30:17Z) - cadrille: Multi-modal CAD Reconstruction with Online Reinforcement Learning [55.16668009268005]
3つの入力モードを同時に処理するマルチモーダルCAD再構成モデルを提案する。
大規模プロシージャ生成データに対する教師付き微調整(SFT)と,オンラインフィードバックを用いた強化学習(RL)の2段階パイプラインをプログラム的に取得した。
DeepCADベンチマークでは、SFTモデルは3つの入力モードすべてにおいて既存の単一モードアプローチを同時に上回ります。
論文 参考訳（メタデータ） (2025-05-28T22:32:31Z) - DeeR-VLA: Dynamic Inference of Multimodal Large Language Models for Efficient Robot Execution [114.61347672265076]
実世界のロボットのためのMLLMの開発は、ロボットプラットフォームで利用可能な計算能力とメモリ容量が典型的に限られているため、難しい。
活性化MLLMのサイズを自動的に調整するロボットビジョンランゲージ・アクション・モデル(DeeR)の動的早期実行フレームワークを提案する。
DeeR は LLM の計算コストを 5.2-6.5x に削減し、GPU のメモリを 2-6x に削減した。
論文 参考訳（メタデータ） (2024-11-04T18:26:08Z) - Genixer: Empowering Multimodal Large Language Models as a Powerful Data Generator [63.762209407570715]
Genixerは4つの重要なステップからなる包括的なデータ生成パイプラインである。
LLaVA1.5でトレーニングされた合成VQAライクなデータセットは、12のマルチモーダルベンチマークのうち10のパフォーマンスを向上させる。
タスク固有のデータセットで訓練されたMLLMは、複雑な命令チューニングデータを生成する際に、GPT-4Vを超えることができる。
論文 参考訳（メタデータ） (2023-12-11T09:44:41Z) - DeGMix: Efficient Multi-Task Dense Prediction with Deformable and Gating Mixer [129.61363098633782]
変形およびゲーティングミキサー(DeGMix)を用いた効率的なマルチタスク密度予測法を提案する。
提案したDeGMixはGFLOPを少なくし、現在のTransformerベースの競合モデルとCNNベースの競合モデルを大幅に上回っている。
論文 参考訳（メタデータ） (2023-08-10T17:37:49Z) - Detecting Faults during Automatic Screwdriving: A Dataset and Use Case
of Anomaly Detection for Automatic Screwdriving [80.6725125503521]
障害検出に機械学習(ML)を使用したデータ駆動型アプローチが最近注目されている。
本稿では,自動スクリュー運転時の故障検出にMLモデルを用いた場合について述べる。
論文 参考訳（メタデータ） (2021-07-05T11:46:00Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳（メタデータ） (2021-06-24T15:58:57Z) - Improving Semiconductor Device Modeling for Electronic Design Automation
by Machine Learning Techniques [6.170514965470266]
本稿では,変分オートエンコーダを用いたMLに基づくデバイスモデリング改善のための自己拡張戦略を提案する。
提案手法の有効性を実証するために,ガリウム窒化物デバイスにおけるオーミック抵抗値に対するディープニューラルネットワークに基づく予測タスクに適用する。
論文 参考訳（メタデータ） (2021-05-25T00:52:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。