論文の概要: Agentic TCAD Calibration Workflow for Oxide Semiconductor Transistors
- arxiv url: http://arxiv.org/abs/2609.12184v1
- Date: Thu, 10 Sep 2026 20:19:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.539551
- Title: Agentic TCAD Calibration Workflow for Oxide Semiconductor Transistors
- Title（参考訳）: 酸化物半導体トランジスタのエージェントTCAD校正ワークフロー
- Abstract要約: 実験TCADキャリブレーションは、新興酸化物半導体トランジスタの予測技術モデリングに不可欠である。
ボトムゲート型In-W-O(BG-IWO)トランジスタのためのエージェントTCADキャリブレーションワークフローの最初の実演を行う。
- 参考スコア（独自算出の注目度）: 3.476449030752166
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Experimental TCAD calibration is essential for predictive technology modeling of emerging oxide semiconductor transistors. However, it remains time-consuming and expert dependent because of model ambiguity. Multiple physical models and parameter sets can reproduce the same measured transfer characteristics, while local fitting alone cannot uniquely identify the underlying device physics. We present the first demonstration of an agentic TCAD calibration workflow for a fabricated bottom-gate In--W--O (BG-IWO) transistor. Starting from the measured transfer curve and device information, the workflow uses measurement--TCAD residuals and local sensitivity tests to select bounded parameter corrections or evaluate additional physical models, and accept only updates that improve device metrics. The LLM agent orchestrates the workflow, while Sentaurus governs the device physics. For the 2\%-W reference device, five agent-suggested updates yield a fixed calibrated model, reducing the multi-metric device objective $J$ by 14.3$\times$. Maximum $V_{\mathrm{th}}$/$I_{\mathrm{on}}$ errors are 36.1~mV/0.022 decade for varying-drain-bias tests and 46.2~mV/0.062 decade for varying-channel-length tests, demonstrating model transferability across bias and geometry rather than a local parameter fit. W-composition tests provide process-sensitive insight. This agentic workflow provides a faster route to model development for emerging device technologies.
- Abstract（参考訳）: 実験TCADキャリブレーションは、新興酸化物半導体トランジスタの予測技術モデリングに不可欠である。
しかしながら、モデルはあいまいさのため、時間と専門家に依存しています。
複数の物理モデルとパラメータセットは、同じ測定された転送特性を再現できるが、局所的なフィッティングだけでは、基礎となるデバイス物理を一意に識別することはできない。
ボトムゲート型In-W-O(BG-IWO)トランジスタのためのエージェントTCADキャリブレーションワークフローの最初の実演を行う。
測定された転送曲線とデバイス情報から始めて、ワークフローは測定-TCAD残差と局所感度テストを使用して、境界パラメータの修正を選択したり、追加の物理モデルを評価したり、デバイスメトリクスを改善する更新のみを受け入れる。
LLMエージェントはワークフローをオーケストレーションし、Sentaurusはデバイス物理を管理する。
2\%-W参照デバイスでは、5つのエージェント推奨更新が固定されたキャリブレーションモデルをもたらし、マルチメトリックデバイスの目標であるJ$を14.3$\times$に下げる。
最大$V_{\mathrm{th}}$/$I_{\mathrm{on}}$エラーは36.1~mV/0.022、46.2~mV/0.062である。
W-コンポジットテストはプロセスに敏感な洞察を与える。
このエージェントワークフローは、新興デバイス技術のモデル開発へのより高速なルートを提供する。
関連論文リスト
- AI and TCAD for Inverse Design and Defect Discovery: From Simple Machine Learning to LLM [0.0]
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。
論文 参考訳（メタデータ） (2026-09-07T05:04:32Z) - Unlocking Feature Learning in Gated Delta Networks at Scale [52.705562336559446]
大規模言語モデルの訓練とスケーリングは膨大な計算資源を必要とする。
我々はGated Delta Networkのスケーリングルールを導出する。
言語モデル事前学習の実験により、我々の構成が安定した学習速度転送を可能にすることが確認された。
論文 参考訳（メタデータ） (2026-06-02T08:45:24Z) - Self-Calibrating LLM-Based Analog Circuit Sizing with Interpretable Design Equations [0.0]
アナログ回路サイズ化のための自己校正フレームワークを提案する。
大規模言語モデル(LLM)は、トポロジー固有の分析設計方程式を生回路ネットリストから直接導出する。
決定論的キャリブレーションループは、単一のトランジスタレベルのシミュレーションからプロセス依存パラメータを抽出する。
論文 参考訳（メタデータ） (2026-04-08T04:35:25Z) - LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。
本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。
本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
論文 参考訳（メタデータ） (2026-01-18T12:08:38Z) - Parameter-Efficient Conditioning for Material Generalization in Graph-Based Simulators [2.504298819189614]
グラフネットワークベースのシミュレータ(GNS)は、粒子ベースの物理学を学ぶ強力な可能性を示している。
既存のモデルは通常、単一の素材タイプのために訓練され、異なる振る舞いを一般化することができない。
本稿では,GNSモデルを材料パラメータに適応させるパラメータ効率条件付け機構を提案する。
論文 参考訳（メタデータ） (2025-11-07T17:55:35Z) - Test time training enhances in-context learning of nonlinear functions [51.56484100374058]
テストタイムトレーニング(TTT)は、各予測に先立って指定されたパラメータを明示的に更新することで、モデル性能を向上させる。
本研究では,TTTとテキスト内学習(ICL)の組み合わせについて検討する。
論文 参考訳（メタデータ） (2025-09-30T03:56:44Z) - 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) - Automatic Characterization of Fluxonium Superconducting Qubits Parameters with Deep Transfer Learning [0.5932428354861273]
固体系では、個々の量子ビットのパラメータはシステム全体によって異なる。
最近の超伝導量子ビット、例えばフラキソニウムや0-π量子ビットは、より改良された忠実度演算を提供するが、より複雑な物理的およびスペクトル構造を示す。
本稿では,フラキソニウム量子ビットパラメータの自動的かつ高精度な評価のための機械学習(ML)手法を提案する。
論文 参考訳（メタデータ） (2025-03-15T11:51:16Z) - FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。
非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。
条件設定では、太陽予測において優れた性能を達成している。
論文 参考訳（メタデータ） (2024-11-12T03:03:23Z) - Trainable Transformer in Transformer [48.754918968374334]
本稿では,Transformer in Transformer(略してTinT)の効率的な構築法を提案する。
TinTは多くの変圧器の変種に対応しており、その設計思想は変圧器内部の単純なモデルの過去のインスタンス化の効率も改善している。
これらの結果から,大規模事前学習言語モデルでは複雑な推論が可能であることが示唆された。
論文 参考訳（メタデータ） (2023-07-03T17:53:39Z) - Bayesian Transformer Language Models for Speech Recognition [59.235405107295655]
トランスフォーマーで表現される最先端のニューラルネットワークモデル(LM)は非常に複雑である。
本稿では,トランスフォーマーLM推定のためのベイズ学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-09T10:55:27Z)
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。