随着集成电路特征尺寸的不断微缩，工艺和器件模拟的计算复杂度显著增加，传统物理建模方法难以满足大规模仿真和快速迭代的需求，亟需引入前沿人工智能技术，开发高效的仿真模型以支撑先进工艺参数优化和新型器件设计。
在刻蚀工艺的仿真加速方面，EDA中心姚振杰副研究员和陈睿研究员开展联合攻关，提出一种级联递归神经网络（CRNN），该模型通过递归神经网络充分表征刻蚀轮廓，通过级联组合层实现轮廓特征与工艺参数的（如压力、功率、温度和电压）的信息融合。通过仿真和实验数据验证，与传统刻蚀模型仿真结果对比，CRNN模型在保证预测精度的前提下，显著提升了建模效率，验证了人工智能在工艺建模方面的计算效率优势。
在GAAFET器件仿真加速方面，EDA中心姚振杰副研究员团队和北京航空航天大学、概伦电子合作，提出一种密集连接深度神经网络（DenseDNN），通过在神经网络各层之间建立直接连接，提供更强的特征提取和信息传递能力。结合代价敏感学习方法，模型更加关注决定器件特性的关键数据，从而实现对关键器件特性的准确预测。该研究工作展现了人工智能在器件建模方面的性能和效率优势，为先进半导体器件的智能化模型提供了参考。
智能驱动刻蚀工艺仿真研究成果“Etching Process Prediction based on Cascade Recurrent Neural Network” 发表在人工智能权威期刊《Engineering Applications of Artificial Intelligence (EAAI)》，微电子所副研究员姚振杰为论文的第一作者，微电子所陈睿研究员、李俊杰正高级工程师为共同通讯作者。智能器件建模研究成果“Device Modeling Based on Cost-Sensitive Densely Connected Deep Neural Networks”发表在器件领域权威期刊《IEEE Journal of the Electron Devices Society》，微电子所研究生唐晓莹为第一作者，微电子所副研究员姚振杰为通讯作者。两项研究得到了国家重点研发计划和中国科学院战略性A类先导专项的支持。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
图1 基于CRNN的刻蚀工艺预测
图2 基于代价敏感稠密链接神经网络的GAA NSFET电学特性建模
