Extracción de parámetros en curvas I-V de dispositivos tipo MOSFET utilizando métodos de aprendizaje supervisado

Abstract

En este trabajo se propone utilizar Redes Neuronales Artificiales, Árboles de Decisión, Random Forest y Support Vector Regression, que son métodos de aprendizaje automático propios de la inteligencia artificial, para identificar los parámetros/características de dispositivos electrónicos con el objetivo de caracterizarlos y así modelar el comportamiento de dichos dispositivos en un simulador electrónico con exactitud. Los diferentes modelos de inteligencia artificial se validaron al realizar varios experimentos en diferentes condiciones. Se comenzó a extraer 2 y después 4 parámetros de un circuito inversor de carga resistiva, el cual estaba constituido por un transistor de película delgada de silicio policristalino (TFT Poly-Si). Después se realizó la extracción de 3 parámetros en transistores tipo NMOS de manera individual y se llevaron a cabo pruebas de extracción utilizando mediciones físicas. Finalmente se realizó la extracción de tres parámetros en transistores tipo TFT de India Galio y Oxido de Zinc (IGZO), con los cuales también se hicieron pruebas de extracción con mediciones físicas. En las tres condiciones de experimentación para realizar la extracción de parámetros se realizó básicamente lo siguiente: generar un conjunto de entrenamiento destinado al dispositivo de interés, usando un software de simulación eléctrico, con el cual se realizaron una serie de simulaciones donde se configuran los parámetros de interés. Las curvas I-V (entradas) resultantes se almacenan y se registran los parámetros (salidas) usados durante cada simulación. Con estas muestras de curvas I-V se entrenan los métodos de aprendizaje, en esta etapa aprenden a identificar los patrones y características de las curvas, que hacen posible la predicción de los parámetros que corresponden a cada una de ellas. Después del entrenamiento, se almacena el modelo, el cual está listo para recibir nuevas muestras de entrada y hacer una extracción/predicción. En esta etapa es posible usar las mediciones físicas de los dispositivos para probar a los métodos con datos reales e identificar al más exacto. Con el método descrito en el párrafo anterior se probó que efectivamente los modelos de aprendizaje supervisado pueden ser utilizados para realizar la extracción de parámetros, con porcentajes de error menores al 10%.