بررسی مشخصات الکتریکی ترانزیستور اثر میدان بدون پیوند دو گیتی نانومتری با رویکرد یادگیری ماشین

ترانزیستورهای اثر میدان بدون پیوند junctionless field effect transistor (jl-fet) قابلیت مقیاس شدن به ابعاد کوچکتر را دارند و مشکلات ساخت ناشی از پیوند، در آنها حذف شده است. شبیه سازی jl-fetها با کمک فناوری طراحی به کمک کامپیوتر (tcad) با نرم افزارهای صنعتی موجود مانند silvaco, sentaurus و ... انجام می‌شود، که تهیه و استفاده از این شبیه سازها هزینه‌های بسیار بالایی دارد. بر این اساس در این مقاله مدلسازی و مشخصات الکتریکی ترانزیستور اثر میدان بدون پیوند دو گیتیdouble gate (dg) jl-fet با استفاده از یادگیری ماشین بررسی شده است که موجب کاهش چشمگر در هزینه‌های شبیه سازی می‌شود. ابتدا ترانزیستوری به نام regular-dgjl-fet توسط silvaco atlas شبیه سازی شده و سپس داده‌های این شبیه سازی به عنوان داده‌های آموزشی (train) به ماشین داده شده است. سپس با تغییر داده‌های ورودی مانند ضخامت بدنه ترانزیستور، ضخامت اکسید گیت و مقدار آلایش بدنه، اثر ورودی‌های جدید بر داده‌های خروجی که شامل مشخصات الکتریکی ترانزیستور است بررسی شده است. بررسی‌های ما نشان می‌دهد ماشینِ آموزش دیده شده به خوبی نتایج silvaco atlas را دنبال می‌کند. نتایج حاصل شده نشان می‌دهد برای regular-dgjl-fet پارامترهای جریان حالت روشن (i_on)، و نسبت جریان روشنایی به جریان خاموشی (i_on/i_off) حاصل شده توسط ماشین به ترتیب 1/43 درصد، و 6/08 درصد اختلاف با نتایج شبیه ساز atlas silvaco دارد. همچنین mse بر روی داده‌های test خطای 0/00116 و روی داده‌های validation خطای 0/0027 را دارد که اعداد قابل قبولی است. بر این اساس رویکرد یادگیری ماشین می‌تواند گزینه مناسبی برای شبیه سازی jl-fetها باشد.

investigation of electrical characteristics of nanoscale double gate junctionless field effect transistor (dg-jlfet) using machine learning approach

junctionless field effect transistors (jl-fets) are capable of being scaled down to smaller dimensions and having the fabrication challenges associated with junctions eliminated. however, simulating jl-fets using industry-standard technology computer-aided design (tcad) tools like silvaco and sentaurus can result in prohibitively high costs. in this study, a machine learning-based approach is explored to model and analyze double gate (dg) jl-fets, with the aim of reducing simulation costs. initially, simulations of a transistor known as regular-dgjl-fet are conducted using silvaco atlas, and the resulting dataset is used to train the machine learning model. subsequently, the impact of altering input parameters such as transistor body thickness, gate oxide thickness, and body doping concentration on transistor electrical characteristics is investigated. findings indicate that the machine-learned model closely approximates silvaco atlas results. the results obtained demonstrate that, for regular-dgjl-fet, a 1.43% difference in the on-state current (i_on) and a 6.08% variation in the on/off current ratio (i_on/i_off) are achieved by the machine-learned model compared to silvaco atlas simulations. moreover, the mean squared error (mse) is 0.00116 for test data and 0.0027 for validation data, indicating acceptable performance. in conclusion, it is suggested by this study that machine learning-based approaches can provide a cost-effective alternative for simulating jl-fets, all while maintaining accuracy and efficiency.