Un flujo de trabajo con agentes de IA automatiza la calibración TCAD de semiconductores de óxido y reduce los errores en 14,3 veces

hace 33 días0 vistasexplainer

대형 언어 모델 — Kernel machines are used to compute non-linearly separable functions into a higher dimensi — 사진: Original: Alisneaky Vector: Zirguezi · Wikimedia Commons · CC BY-SA 4.0

El 14 de septiembre de 2026, un grupo de investigación presentó un flujo de trabajo que utiliza agentes de inteligencia artificial para automatizar la calibración de simulaciones TCAD. Aplicado a transistores de óxido de indio y tungsteno de puerta inferior, el sistema redujo el error objetivo 14,3 veces en solo cinco actualizaciones.

Antecedentes

Un semiconductor es un material con una conductividad eléctrica intermedia entre la de un conductor y un aislante. Su conductividad se ajusta mediante el dopaje, un proceso que añade impurezas a la estructura cristalina. Cuando dos regiones con distintas concentraciones de dopaje se unen dentro del mismo cristal, forman una unión de semiconductores, la cual constituye la base de dispositivos complejos como microchips y procesadores de computadoras.

Al diseñar nuevos semiconductores de óxido, resulta imprescindible realizar una calibración para ajustar las características de transferencia medidas mediante simulaciones de diseño asistido por computadora para tecnología de semiconductores (TCAD, por sus siglas en inglés). Anteriormente, este proceso presentaba una gran ambigüedad en los modelos, ya que diferentes parámetros físicos podían generar la misma curva de medición, lo que obligaba a depender del trabajo manual de los expertos.

Para resolver esta limitación, el 14 de septiembre de 2026, un equipo de 14 investigadores liderado por Gyujun Jeong y Shimeng Yu hizo público un estudio en arXiv (arXiv:2609.12184v2). En esta propuesta, un agente de modelo de lenguaje de gran tamaño (LLM) orquesta todo el flujo de trabajo mientras que la herramienta Sentaurus gestiona la física del dispositivo, según afirmaron los autores en el resumen del artículo.

Cifras clave

Los datos concretos y métricas clave reportados en la investigación se resumen a continuación:

LLM 에이전트 TCAD 워크플로 공개… 산화물 반도체 오차 14.3배 개선 — AI 생성 일러스트(개념도) · AI-generated illustration

Fecha de publicación: 14 de septiembre de 2026 (versión arXiv v2).
Autores: Gyujun Jeong, Shimeng Yu y 12 investigadores más.
Dispositivo analizado: Transistor de óxido de indio y tungsteno de puerta inferior (BG-IWO).
Herramientas empleadas: Agente basado en LLM y Sentaurus.
Reducción del error objetivo ($J$): Reducción de 14,3 veces tras 5 actualizaciones de parámetros.
Mejora del error calculado: $(1 - 1 \div 14,3) \times 100 =$ aproximadamente un 93,01% de reducción respecto al error inicial.

Resultados de validación de error máximo según las variaciones de prueba en dispositivos con un 2% de tungsteno (W):

Condición de prueba	Error máximo de voltaje de umbral ($V_{\mathrm{th}}$)	Error máximo de corriente de encendido ($I_{\mathrm{on}}$)
Prueba de variación de voltaje de drenador	36,1 mV	0,022 décadas
Prueba de variación de longitud de canal	46,2 mV	0,062 décadas

Impacto

Este desarrollo beneficia directamente a los ingenieros y desarrolladores de semiconductores que trabajan con nuevos materiales de óxido.

Al permitir que el agente de IA seleccione y adopte exclusivamente las propuestas de parámetros que disminuyen el error, la herramienta de simulación física Sentaurus logra construir un modelo físicamente coherente en solo 5 iteraciones. Esto elimina la necesidad de ajustes locales manuales y prolongados, acelerando significativamente el tiempo de desarrollo y la precisión en la caracterización de los dispositivos.

Perspectivas

El documento publicado el 14 de septiembre de 2026 ha sido sometido a evaluación por pares para su revisión en una revista académica de IEEE, donde se determinará su publicación oficial.

Durante la investigación, el equipo también realizó análisis de sensibilidad del proceso mediante pruebas con distintas proporciones de composición de tungsteno (W). Los investigadores tienen previsto expandir este flujo de trabajo para establecer modelos de desarrollo en nuevos dispositivos semiconductores de óxido emergentes. La aprobación del proceso de revisión por pares marcará el siguiente hito decisivo para la adopción técnica de este método.