In this article, we present a novel deep learning (DL) framework that fully automates the parameter extraction process for the BSIM-CMG unified model for advanced semiconductor devices. The framework seamlessly integrates with the BSIM-CMG model, making it applicable to diverse advanced devices such as GAA nanosheets, nanowire FETs, and FinFETs. Unlike existing approach involving DL for parameter extraction, the proposed framework combines physics-driven parameter initialization and data-driven DL enhancing the computational efficiency and making it easy to implement. It leverages the BSIM-CMG model’s versatility for initial parameter estimation, the efficiency of DL algorithms for model parameter prediction, and the adaptability to various device geometries and configuration. The framework has been successfully validated with extensive numerical simulations and experimental data from 14-nm FinFET device with varying channel widths, 12-nm nanosheet, and 24-nm nanowire FET.

中文翻译：

---

基于 ANN 的新型物理感知 BSIM-CMG 模型参数提取框架

在本文中，我们提出了一种新颖的深度学习 (DL) 框架，该框架完全自动化先进半导体器件 BSIM-CMG 统一模型的参数提取过程。该框架与 BSIM-CMG 模型无缝集成，使其适用于各种先进器件，例如 GAA 纳米片、纳米线 FET 和 FinFET。与现有的涉及深度学习参数提取的方法不同，所提出的框架结合了物理驱动的参数初始化和数据驱动的深度学习，提高了计算效率并使其易于实现。它利用了 BSIM-CMG 模型在初始参数估计方面的多功能性、DL 算法在模型参数预测方面的效率以及对各种设备几何形状和配置的适应性。该框架已通过来自具有不同通道宽度的 14 nm FinFET 器件、12 nm 纳米片和 24 nm 纳米线 FET 的大量数值模拟和实验数据成功得到验证。