Predictive modeling of drain current in advanced FET architectures using ML-based TCAD calibration.
- Utilisation de ML pour prédire le courant de drain dans des FET avancés
- Supériorité des modèles basés sur les arbres (XGBoost, Random Forest) par rapport aux réseaux de neurones
- Développement d'une application web pour la prédiction en temps réel
L'article traite de modélisation électronique et d'apprentissage automatique, sans lien avec les domaines cliniques, neurodéveloppementnels ou psychologiques.
Absence de lien avec les domaines cliniques ou neuroscientifiques Classification du domaine inappropriée (neurodéveloppement) par rapport au contenu technique de l'article
Contexte : La miniaturisation des circuits intégrés et le développement des électrodes avancées (comme les FET à nanofils) nécessitent des modèles précis de comportement des transistors, particulièrement dans les géométries sous-10 nm. Cependant, la calibration des modèles reste computationnellement coûteuse. Objectif : Proposer une approche basée sur l'apprentissage automatique (ML) pour prédire le courant de drain (Id) des FET à nanofils et nanolentilles, en utilisant des données TCAD (Tool for Circuits and Devices) pour réduire la dépendance aux simulations itératives. Méthode : Six modèles ML ont été entraînés et évalués (XGBoost, Random Forest, CNN 1D, MLP, LSTM, TabNet) sur des ensembles de données TCAD. Les performances ont été mesurées via des métriques comme R² et RMSE. Résultats : Les modèles basés sur les arbres (XGBoost et Random Forest) ont obtenu les meilleurs résultats (R² = 0,9926 et 0,9549, RMSE = 2,1 × 10⁻⁴ A et 2,0 × 10⁻⁴ A), surpassant les modèles de deep learning (LSTM et CNN 1D). Une application web a été développée pour déployer ces modèles en temps réel. Intérêt clinique : Aucun lien direct avec les domaines cliniques (neurodéveloppement, psychologie, médecine) n'est mentionné dans l'article. Les résultats sont pertinents pour l'ingénierie des semi-conducteurs et l'optimisation des dispositifs électroniques, non pour des applications médicales ou neuroscientifiques. Limites : L'article ne traite pas de sujets liés à la santé, au neurodéveloppement ou aux neurosciences. La classification du domaine comme 'neurodéveloppement' semble inappropriée, probablement due à une erreur de catégorisation. Les conclusions sont limitées au contexte technologique et ne peuvent être extrapolées à des applications cliniques.
Utilisation de ML pour prédire le courant de drain dans des FET avancés Supériorité des modèles basés sur les arbres (XGBoost, Random Forest) par rapport aux réseaux de neurones Développement d'une application web pour la prédiction en temps réel Aucun lien avec les domaines cliniques ou neurodéveloppementnels
Aucune
Faible