في ظل التطورات المتسارعة في عالم التكنولوجيا، ظهر في الأفق ابتكار جديد يستخدم تقنيات التعلم الآلي لتحسين نمذجة FinFET (Fin Field-Effect Transistor) بشكل ملحوظ. يتمثل هذا الابتكار في استخدام نموذج تلقائي (Autoencoder) يهدف إلى تسريع عمليات النمذجة والتقليل من الاعتماد على حجم البيانات التدريبية.

تبدأ عملية النمذجة عبر ضبط نموذج BSIM-CMG لتوليد مجموعة بيانات تتضمن خصائص التيار-الجهد (I-V) الخاصة بـ FinFET. بعد ذلك، يتم استخدام هذه البيانات لتدريب نموذج تلقائي يقوم بضغط منحنيات I-V الكاملة إلى فضاء latent منخفض الأبعاد، مما يسمح بالتشفير الضمني للخصائص الفيزيائية الرئيسية للجهاز.

تتمثل إحدى الابتكارات الرئيسية في دمج معلمات مثل جهد التصريف إلى المصدر (VDS) كميزة مدخلة، الأمر الذي يعزز من قدرة النموذج على التقاط التغيرات المعتمدة على الانحياز. وقد أظهرت التجارب أن النموذج المدرب يمكنه إعادة بناء منحنيات I-V بالكامل واستخراج قياسات حرجة مثل جهد العتبة (VTH)، المنحدر تحت العتبة (SS)، وذروة التوصيلية المتغيرة (gm).

يمثل هذا النهج دليلاً على أن النماذج المضغوطة التي تعتمد على البيانات، المستندة إلى بيانات التوصيف الفعلية، يمكن أن تحقق دقة عالية مع الحد الأدنى من بيانات التدريب. وبالتالي، يوفر هذا الابتكار أداة قوية للتوصيف السريع للأجهزة، والنمذجة، والمحاكاة على مستوى الدوائر.