Apprentissage Automatique Robuste et Informé par la Physique pour l'Extraction de Modèles Compacts sous Haute Variabilité // Robust Machine Learning for Physical Model Extraction under Noise and Variability

Topic description

La modélisation des dispositifs semi-conducteurs repose traditionnellement sur des relations analytiques physiques, modèles compacts, reliant les paramètres technologiques, les dimensions des composants et des grandeurs électriques mesurables. Les technologies avancées introduisent des perturbations majeures dues à la variabilité du procédé de fabrication, aux effets parasites non maîtrisés, ainsi qu'au bruit de mesure. Les données issues des caractérisations électriques massives sont ainsi contaminées par des perturbations aléatoires et des biais systématiques.

L'un des verrous industriels majeurs de la micro-électronique consiste à extraire, à partir de ces volumes massifs de données hétérogènes, des paramètres représentatifs, regroupés dans un Physical Design Kit (PDK) qui soient à la fois fidèles à la réalité physique et hautement robustes. Les approches d'optimisation classiques échouent à capturer efficacement la forte non-linéarité ...