Device simulation and multi-objective genetic algorithm-based optimization of germanium metal-oxide-semiconductor structure

• Autorzy: Chen C.-Y. , Li Y.

Warianty tytułu

PL

Symulacja i wielokryterialna optymalizacja algorytmem genetycznym półprzewodnikowych struktur tlenku germanu

• Języki publikacji: EN

Abstrakty

EN

Germanium (Ge) and high-K dielectric materials draw many attentions due to their fascinating electrical characteristics comparing with silicon (Si) material. However, in physical and electrical simulation, the physical model may have deviation to reality case due to the process condition and manufacturing technology. To computationally study the device with Ge material, it is necessary to optimize the theoretical result with experimental data. This paper originally provides a new method to examine the static characteristic of Ge metal-oxide-semiconductor field effect transistors (MOSFETs) with aluminum oxide (Al203) by integrating device simulation, multi-objective evolutionary algorithm (MOEA), and unified optimization framework (UOF). To deal with the realistic problem, especially for the steep change of capacitance, we consider not only residual sum of squares (RSS) (i.e. the sum of squares of residuals) function but also physically crucial points in the optimization problem. Comparing to single-objective genetic algorithm (GA) with a weighted fitness, the preliminary result of this study shows the method has great improvement to optimize the suitable parameters which not only minimize the RSS of capacitance but also agree the key capacitance values from physical view.

PL

German (Ge) i materiały o wysokiej stałej dielektrycznej są interesujące ze względu na swoje niezwykle ciekawe charakterystyki elektryczne w porównaniu do krzemu (Si). Jednakże w symulacjach fizycznych i elektrycznych, model fizyczny może odbiegać od przypadku rzeczywistego ze względu na warunki procesu i technologię produkcji. Badania z wykorzystaniem metod obliczeniowych dla urządzeń wykonanych z germanu wymagają optymalizacji wyników teoretycznych z danymi doświadczalnymi. W pracy zaproponowano metodę badania statycznych charakterystyk tranzystorów polowych z tlenku germanu - półprzewodnika (MOSFETs) z tlenkiem aluminium (A1203), z wykorzystaniem zintegrowanego systemu składającego się z urządzenia do symulacji charakterystyk elektrycznych półprzewodników, wielokryterialnego algorytmu ewolucyjnego (MOEA) oraz zunifikowanej platformy do optymalizacji (UOF). Dla rozwiązania rzeczywistego problemu, zwłaszcza przy gwałtownej zmianie pojemności, w zadaniu optymalizacji rozważano nie tylko sumę kwadratów reszt (RSS), ale również kluczowe, z punktu widzenia fizyki, aspekty. W porównaniu z jednokryterialnym algorytmem genetycznym (GA) z ważoną funkcją dopasowania, wyniki przeprowadzonych badań pokazały, że opracowana meto¬da, która minimalizuje nie tylko błąd RSS dla pojemności, ale także bierze pod uwagę kluczowe wartości pojemności z fizycznych obserwacji, znacznie poprawiła zadanie optymalizacji wybranych parametrów zagadnienia.

Słowa kluczowe

EN

germanium MOSFET; aluminum oxide; fitting; capacitance-voltage curve; residual sum of squares; device simulation; genetic algorithm; multi-objective evolutionary algorithm; unified optimization framework; non-dominating sorting genetic algorithm (NSGA-II)

• Wydawca: Wydawnictwa AGH
• Czasopismo: Computer Methods in Materials Science
• Rocznik: 2015
• Tom: Vol. 15, No.1
• Strony: 258--263
• Opis fizyczny: Bibliogr. 10 poz., rys.

Twórcy

autor

Chen C.-Y.

• Parallel and Scientific Computing Laboratory, Department of Electrical and Computer Engineering, National Chiao Tung University, 1001 Ta-Hsueh Road, Hsinchu 300, Taiwan

autor

Li Y.

• Parallel and Scientific Computing Laboratory, Department of Electrical and Computer Engineering, National Chiao Tung University, 1001 Ta-Hsueh Road, Hsinchu 300, Taiwan

Bibliografia

• Bansal, A., Barman, A. Ghosh, S., Chakraborti, N., 2013, Designing Cu-Zr Glass Using Multiobjective Genetic Algorithm and Evolutionary Neural Network Metamodels-Based Classical Molecular Dynamics Simulation, Mater Manuf Process, 28, 733-740.
• Deb, K., Pratap, A., Agarwal, S., Meyarivan, T., 2002, A Fast and Elitist Multi-Objective Genetic Algorithm: NSGA-II, IEEE T Evolut Comput, 6, 182-197.
• Dorigo, M. , Gambardella, L.M., 1997, Ant Colony System: A Cooperative Learning Approach to the Traveling Salesman Problem, IEEE T Evolul Comput, A, 53 66.
• Hariharan, K., Chakraborti, N., Barlat, F., Lee, M., 2014, A Novel Multi-objective Genetic Algorithms-Based Calculation of Hill's Coefficients, Metall Mater Trans A, 45, 2704-2707.
• Kennedy, J., Eberhart, R.C., 1995, Particle swarm optimization, Proc Conf. IEEE International Conference on Neural Networks (/CAW 95), Perth, 1942 1948.
• Li, Y., Chiang, C.-H., Chen, Y.-Y., Chen, C.-Y., 2013, Optimal Power Consumption Design of the Amorphous Silicon Thin-Film Transistor Gate Driver Circuit for 10.1-In. Display Panel Manufacturing, Journal of Information Display, 14, 13-19.
• Li, Y„ Cheng, H.-W., Lo, I-H., Yu, C.-H., Lu, Z.-L. Lu, 2011, Electrical Characteristic Optimization of Silicon Solar Cells Using Genetic Algorithm, Computer Methods in Materials Science, 11, 23-27.
• Li, Y., Sze, S. M., Chao, T.-S., 2002, A Practical Implementation of Parallel Dynamic Load Balancing for Adaptive Computing in VLSI Device Simulation, Eng Comput, 18, 124-137.
• Li, Y., Yu, S. M., Li, Y. L., 2008, Electronic Design Automation Using a Unified Optimization Framework, Math Comput Simulat, 79, 1137-1152.
• Zhang, R., Iwasaki, T., Taoka, N., Takenaka, M., Takagi, S., 2012, High-Mobility Ge pMOSFET With 1-nm EOT Al203/GeOx/Ge Gate Stack Fabricated by Plasma Post Oxidation, IEEE T Electron Dev, 59, 335-341.