标题
Machine Learning-Based Modeling and BV Optimization for LDMOS With Multifloating Buried Layers（TED 25年）
文章的研究内容
这篇文章主要研究了如何利用机器学习（ML）优化具有多浮动埋层（MFBLs）的横向双扩散MOSFET（LDMOS）器件的击穿电压（BV）。具体来说，文章介绍了以下内容：
-
背景和动机：
- LDMOS器件作为700V额定BCD技术中的关键组件，广泛应用于高压功率集成、交流-直流转换器、平板显示器等多个领域。
- 传统方法在优化LDMOS性能时遇到复杂性和约束问题，特别是在处理复杂的MFBL结构时。
-
研究方法：
- 文章采用神经网络与遗传算法结合的方法来建立一个自适应优化框架。首先通过TCAD仿真生成数据集，并使用卷积神经网络（CNN）开发预测模型用于预测MFBL LDMOS的BV。
- 在后续阶段，使用遗传算法对结构参数进行自适应优化，以推导出最佳设备模型。
-
实验验证：
- 研究通过全面的TCAD仿真验证了基于ML的模型在优化设备参数方面的有效性和可行性。结果显示，该方法仅产生了平均1.2%的预测误差，表明其在提升复合埋层功率器件性能方面具有高效性。
-
结果分析：
- 通过对不同结构参数的模拟和分析，发现特定参数的变化对BV有显著影响。例如，单埋层、双埋层和三埋层设备的最佳BV分别为573V、693V和767V。
- 随着埋层数量增加，虽然BV有所提高，但超过一定数量后，进一步增加埋层数量并不会显著提升BV性能。
-
结论与展望：
- 该研究展示了ML在复杂埋层功率器件设计优化中的重要性和潜在应用。通过将神经网络与遗传算法紧密结合，实现了设备BV的有效优化。
- 展望未来，这种方法有望应用于更多领域的设备设计中，以应对快速发展的技术挑战。
文章的研究方法
文章的研究方法主要集中在利用机器学习（ML）和遗传算法优化具有多浮动埋层（MFBLs）的横向双扩散MOSFET（LDMOS）器件的击穿电压（BV）。具体步骤如下：
1. 设备建模基于神经网络
A. MFBL LDMOS结构与仿真数据集
- 结构设计：首先介绍了MFBL LDMOS的结构示意图及其截面图。通过结合RESURF和SIPOS技术，使N漂移区表面电场均匀分布，避免表面过早击穿。
- 仿真数据生成：使用TCAD工具进行仿真，生成包含不同结构参数的数据集。这些参数包括栅极长度、埋层数量、衬底浓度、N漂移层浓度等。只有当BV超过400V时，才会将设备纳入训练数据集中。
B. MFBL LDMOS BV预测模型
-
RevisedConvNet模型：为了准确预测MFBL SIPOS LDMOS的BV，采用了专门设计的卷积神经网络（CNN），称为RevisedConvNet。该模型包含三个模块：
- 特征扩展模块：通过一系列线性层和批归一化层将初始特征转换到更高维的空间，增强特征表示能力。
- 残差特征提取模块：使用多个残差块提升特征质量，每个块包含跳连接和两个卷积层及相应的批归一化层，以减轻梯度消失问题。
- 回归预测输出模块：经过多次处理后，高维特征被映射到低维空间，并最终通过线性输出层预测BV值。
-
性能评估 ：采用均方误差（MSE）和平均绝对百分比误差（MAPE）作为评价指标。为综合考虑模型的准确性和鲁棒性，提出了复合损失函数：
Loss = MSE + α ⋅ MAPE \text{Loss} = \text{MSE} + \alpha \cdot \text{MAPE} Loss=MSE+α⋅MAPE其中， α \alpha α是用于平衡MSE和MAPE影响的权重系数。
2. 基于遗传算法的设备优化
A. 遗传算法性能优化
- 集成神经网络与遗传算法：在第二阶段，将训练好的神经网络模型与遗传算法结合，用于优化复合埋层功率器件的结构参数。
- 适应度函数构建：适应度函数通过归一化输入参数并使用训练模型预测适应度值。交叉操作采用混合参数为0.5；变异操作使用均值为0、标准差为0.2的高斯变异，变异概率为0.2；选择操作采用锦标赛选择法，锦标赛大小为3。
- 搜索目标 ：优先考虑BV为主要搜索目标，确保满足BV要求后再优化特定参数如ND，以最大化品质因数（FOM）：
FOM = BV 2 R o n , s p \text{FOM} = \frac{\text{BV}^2}{R_{on,sp}} FOM=Ron,spBV2
B. 最优设备模拟展示
- 最优个体参数：通过遗传算法优化得到三种不同埋层数量设备的最佳结构参数，并进行了详细的模拟展示。例如，单埋层设备的最优BV为573V，双埋层设备为693V，三埋层设备为767V。
- 电势分布与E-field分析：展示了优化后的电势分布以及垂直电场分布，验证了优化效果。
3. 关键工艺
- BCD兼容工艺流程 ：详细描述了制造MFBL SIPOS LDMOS的关键步骤，包括离子注入形成n型浮动埋层、p型外延生长、形成P基区、形成n型漂移区、热氧化形成薄栅氧层、低压化学气相沉积（LPCVD）形成SIPOS层等。
文章的创新点
这篇文章的创新点主要体现在以下几个方面，这些创新点不仅提升了LDMOS器件性能优化的效率和效果，还为未来类似设备的设计提供了新的思路和技术手段：
1. 机器学习与遗传算法的结合
- 自适应优化框架：文章首次将神经网络与遗传算法结合起来，构建了一个自适应优化框架。这种方法利用神经网络的强大预测能力来替代传统的物理推导方法，通过遗传算法进行全局搜索，找到最优的结构参数组合。
- 高效性与鲁棒性：相较于传统方法，该方法在处理复杂MFBL结构时表现出更高的效率和鲁棒性。实验结果显示，仅产生平均1.2%的预测误差，表明其在提升复合埋层功率器件性能方面的显著优势。
2. 卷积神经网络（CNN）用于BV预测
- RevisedConvNet模型：文章设计了一种专门用于预测MFBL SIPOS LDMOS击穿电压（BV）的卷积神经网络------RevisedConvNet。该模型包含三个模块：特征扩展、残差特征提取和回归预测输出。这种结构能够有效地提取和表示复杂的电学机制，并提供高精度的BV预测。
- 复合损失函数：为了综合考虑模型的准确性和鲁棒性，文章提出了一个复合损失函数，结合均方误差（MSE）和平均绝对百分比误差（MAPE），以平衡不同类型的误差对模型的影响。
3. TCAD仿真与ML模型的协同验证
- 数据生成与验证：文章通过TCAD仿真生成了大量数据集，并使用这些数据训练ML模型。随后，再通过TCAD仿真验证ML模型的预测结果，确保模型的有效性和实用性。
- 实际应用验证：实验结果不仅展示了优化后的电势分布和垂直电场分布，还通过实验数据与模拟结果的对比，进一步验证了优化方法的实际应用价值。
4. 多浮动埋层（MFBLs）的优化策略
- 纵向电场分布优化：文章详细分析了如何通过MFBL结构优化LDMOS器件的纵向电场分布，从而提高击穿电压（BV）。研究发现，增加埋层数量可以在一定程度上提高BV，但超过一定数量后，进一步增加埋层数量并不会显著提升BV性能。
- 结构参数的重要性分析：通过对不同结构参数（如NS、NFB1、ND、LFB1、TF、TFB1等）与BV之间关系的深入分析，确定了各个参数对BV的影响程度，为后续优化提供了理论依据。
5. BCD兼容工艺流程的设计
- 关键工艺步骤：文章详细描述了制造MFBL SIPOS LDMOS的关键工艺步骤，包括离子注入形成n型浮动埋层、p型外延生长、形成P基区、形成n型漂移区、热氧化形成薄栅氧层以及低压化学气相沉积（LPCVD）形成SIPOS层等。这些步骤确保了MFBL结构的有效实现及其对纵向电场的调制作用。
6. 广泛的潜在应用前景
- 跨领域应用潜力：文章不仅展示了ML技术在LDMOS器件设计中的成功应用，还展望了其在其他新型设备设计中的广泛应用潜力。通过将ML技术与其他优化算法相结合，可以有效应对快速发展的技术挑战。
文章的结论
1. ML与遗传算法结合的有效性
- 优化框架的成功应用：通过将神经网络与遗传算法紧密结合，文章提出了一种高效的自适应优化框架，成功实现了对具有多浮动埋层（MFBLs）的横向双扩散MOSFET（LDMOS）器件击穿电压（BV）的优化。
- 高精度预测模型：RevisedConvNet模型在预测MFBL LDMOS的BV方面表现出色，实验结果显示平均预测误差仅为1.2%，验证了该方法在提升复合埋层功率器件性能方面的高效性和准确性。
2. TCAD仿真的验证
- 仿真结果的验证：通过全面的TCAD仿真，不仅确认了最优参数下的优化效果和电场分布，还进一步验证了这些优化策略的实际应用价值。实验数据与模拟结果的良好匹配表明该方法的实用性和可靠性。
- 纵向电场均匀化：MFBL结构能够有效调制纵向电场分布，从而提高设备的BV。研究发现，增加埋层数量可以在一定程度上提高BV，但超过一定数量后，进一步增加埋层数量并不会显著提升BV性能。
3. 结构参数的重要性分析
- 关键参数的影响：通过对不同结构参数（如NS、NFB1、ND、LFB1、TF、TFB1等）与BV之间关系的深入分析，确定了各个参数对BV的影响程度。这些分析为后续优化提供了理论依据，并展示了如何通过调整特定参数来实现最佳性能。
- 优化结果展示：对于单埋层、双埋层和三埋层设备，分别获得了573V、693V和767V的最佳BV值。这表明增加埋层数量可以在一定程度上提高BV，但存在边际效应。
4. 工艺流程的设计与实现
- BCD兼容工艺流程：文章详细描述了制造MFBL SIPOS LDMOS的关键工艺步骤，包括离子注入形成n型浮动埋层、p型外延生长、形成P基区、形成n型漂移区、热氧化形成薄栅氧层以及低压化学气相沉积（LPCVD）形成SIPOS层等。这些步骤确保了MFBL结构的有效实现及其对纵向电场的调制作用。
5. 未来研究方向
- 广泛应用潜力：文章展示了ML技术在复杂埋层功率器件设计中的成功应用，并展望了其在其他新型设备设计中的广泛应用潜力。通过将ML技术与其他优化算法相结合，可以有效应对快速发展的技术挑战。
- 持续改进与扩展：未来的工作可以进一步探索ML技术在更多领域设备设计中的应用，特别是在处理更加复杂的物理机制和优化问题时的应用潜力。此外，还可以继续改进现有的模型和算法，以进一步提高优化效率和精度。