FinFET
PulseAugur coverage of FinFET — every cluster mentioning FinFET across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
GlobalFoundries 发布 7nm 级 FD-SOI 工艺，用于边缘 AI 和汽车领域
GlobalFoundries 宣布推出其新的 7nm 级 FDX Fusion 制造工艺节点，标志着该公司在多年前放弃 FinFET 技术后重返先进制造领域。该新节点采用平面晶体管和 FD-SOI 技术，与之前的 22FDX 工艺相比，提高了晶体管密度。FDX Fusion 专为需要高集成度、成本效益和低功耗的应用而设计，例如汽车、边缘 AI 和工业设备，计划于 2028 年开始生产。
-
AI 和大语言模型集成到 TCAD 中用于半导体设计
一篇新论文探讨了人工智能（包括机器学习和大语言模型 LLM）与技术计算机辅助设计（TCAD）在半导体器件设计和缺陷发现中的集成。该研究展示了模拟增强型机器学习如何仅用最少的领域专业知识就能达到器件工程师级别的性能，通过使用自动编码器模型和噪声工程从 TCAD 数据中学习潜在物理。论文详细介绍了诸如二极管特性逆向工程、预测晶体管行为以及自动校准 TCAD 参数等应用，并展望了大语言模型和多模态大语言模型在自动化器件设计和缺陷分析中的未来作用。
-
新的GAT代理模型加速FinFET器件仿真
研究人员开发了一种新颖的物理信息图注意力网络（GAT）代理模型，该模型直接在TCAD网格上运行，以模拟FinFET器件的行为。该方法预测每个网格节点上的静电势和载流子准费米能级，将载流子传输物理嵌入训练目标中。该代理模型展示了尺寸泛化能力，允许在较小网格上训练的模型应用于更大、更复杂的器件几何结构。与Sentaurus Device相比，GAT代理模型实现了数量级更高的吞吐量，同时保持了高精度，从而能够对多鳍三栅FinFET进行高效的…
-
Intel 的 14A 工艺显示出比预期更快的缺陷降低速度
Intel 首席财务官 David Zinsner 报告了公司即将推出的 14A 制造工艺的重大进展。缺陷密度下降速度超出了预期，Zinsner 将此表现与 Intel 非常成功的 22nm 工艺进行了有利的比较。这一积极的轨迹增强了 Intel 内部设计团队的信心，并引起了外部代工客户对产能日益增长的兴趣。
-
新硬件扩展Ventaglio提升Transformer推理速度
研究人员开发了一种名为Ventaglio的新型硬件扩展，旨在显著加速向量处理器上的稀疏张量收缩，这是Transformer模型推理的关键操作。该扩展集成到一个12nm FinFET集群中，为索引的gather-accumulate-scatter操作提供了原生支持，克服了现有RVV架构的局限性。Ventaglio在优化的基线之上实现了6.9倍至7.4倍的显著加速，并在具有双稀疏性的DuoGPT剪枝LLaMA-3-8B模型上展示了2.0…
-
新型位串行 CNN 加速器提升 XR 视觉效率
研究人员开发了 BitFair，这是一种专为超低功耗扩展现实 (XR) 应用设计的新型位串行 CNN 加速器。该加速器集成了可学习的早期终止和自适应比特排序，以优化性能和能效。BitFair 在 12nm GlobalFoundries FinFET 工艺上实现，可实现亚毫秒级延迟，并且与现有的 XR 视觉加速器相比，能效显著提高，同时在 N-MNIST 和 IBM DVS128 Gesture 等基准数据集上保持高精度。
-
自编码器框架实现FinFET晶体管的快速建模
研究人员开发了一个使用自编码器的机器学习框架，以高效地对FinFET晶体管进行建模。该自编码器将电流-电压（I-V）曲线压缩到潜在空间，捕捉了关键的器件物理特性，并能够准确地重建I-V数据。该模型还可以直接提取阈值电压和跨导等关键器件指标，在最少的训练数据下展现出高精度，从而实现快速的器件表征和仿真。
-
AI框架加速氮化镓鳍式场效应晶体管设计，提高效率
研究人员开发了PALTO，一个物理信息主动学习框架，用于优化垂直供电系统中氮化镓（GaN）三栅鳍式场效应晶体管的设计。与传统的TCAD方法相比，这种机器学习方法通过智能引导仿真，显著加速了设计过程。该框架识别出两款优化器件，其中一款器件的性能优于工业基准，在0.49欧姆导通电阻下实现了3.3A的电流，并展示了2倍的开关效率。