Die elektrische Charakterisierung von Transistoren auf Basis zweidimensionaler Materialien wie Übergangsmetalldichalkogeniden ist notorisch aufwendig. Anders als bei etablierten Silizium-Bauelementen fehlen für 2D-Kanäle oft standardisierte Kompaktmodelle, sodass Parameter wie Ladungsträgerbeweglichkeit, Schottky-Barrierehöhe an den Kontakten oder Defektdichteprofile meist durch manuelles, iteratives Anpassen von Messkurven gewonnen werden. Dieser Prozess ist zeitintensiv, stark von der Erfahrung der Bearbeiter abhängig und lässt sich schlecht auf große Mengen an Testdaten skalieren.
Ein Team von Stanford University und dem SLAC National Accelerator Laboratory stellt nun einen Deep-Learning-Ansatz vor, der diese Parameterextraktion automatisiert. Das neuronale Netz wird darauf trainiert, aus gemessenen Transistorkennlinien direkt auf die zugrundeliegenden physikalischen Größen zu schließen, statt wie klassische Verfahren einen Parameterraum iterativ zu durchsuchen. Dazu kombinieren die Autoren simulierte Trainingsdaten, die auf physikalischen Bauelementmodellen basieren, mit realen Messdaten, um die Robustheit des Modells gegenüber Messrauschen und Bauteilvariabilität zu erhöhen.
Bedeutung für die 2D-Materialforschung
Der Ansatz adressiert ein zentrales Engpassproblem in der Erforschung von 2D-Halbleitern: Ohne verlässliche, schnell extrahierbare Modellparameter lässt sich der Einfluss von Prozessschritten auf Kontaktwiderstand, Beweglichkeit oder Defektdichte nur schwer systematisch untersuchen. Eine automatisierte, konsistente Extraktion könnte helfen, Struktur-Eigenschafts-Beziehungen bei neuen Materialsystemen schneller zu erschließen und Fortschritte bei der Integration von 2D-Kanalmaterialien in zukünftige Transistorgenerationen jenseits von Silizium zu beschleunigen.
Auch wenn die Arbeit zunächst im Forschungskontext angesiedelt ist, zeigt sie einen Trend auf, der auch für die etablierte Halbleiterfertigung relevant werden könnte: den Einsatz von maschinellem Lernen zur Beschleunigung der elektrischen Charakterisierung und Modellbildung, ein Bereich, der traditionell auf aufwendige manuelle Kalibrierung angewiesen ist.