Multi-Scale Reliability Analysis and AI-Based Automation for Advanced Semiconductor Circuits

Moderne Rechensysteme basieren auf zwei grundlegenden Komponenten – Logik und Speicher – deren gemeinsame Optimierung die Gesamtleistung, Energieeffizienz und Zuverlässigkeit bestimmt. Die kontinuierliche Technologieskalierung hat die Transistorleistung und Integrationsdichte sowohl in der Front-End-of-Line- (FEOL) als auch in der Back-End-of-Line- (BEOL) Ebene erheblich verbessert. Fortschrittliche Technologieknoten wie Fully Depleted Silicon-on-Insulator (FDSOI) und Fin Field-Effect Transistor (FinFET) veranschaulichen diese Entwicklungen und ermöglichen eine Optimierung von Leistung, Performance und Fläche (PPA).
... mehr

Mit fortschreitender Skalierung steigt jedoch gleichzeitig die Anfälligkeit von Bauelementen und Interconnects gegenüber Zuverlässigkeitsmechanismen wie Negative-Bias-Temperature-Instability (NBTI), Elektromigration (EM) sowie strahlungsinduzierten Soft Errors. Diese Effekte stellen erhebliche Herausforderungen für die Lebensdauer und funktionale Sicherheit moderner elektronischer Systeme dar.

Das Zusammenspiel dieser Zuverlässigkeitsmechanismen erschwert zusätzlich das Verhalten von Bauelementen und die Stabilität von Schaltungen. Degradationsprozesse in einer Domäne können Ausfälle in einer anderen verstärken; beispielsweise können FEOL-Transistoralterung und BEOL-Interconnect-Degradation gemeinsam die Zeitreserven und Störfestigkeit auf Schaltungsebene beeinflussen. Dadurch hat sich Zuverlässigkeit zu einer domänenübergreifenden Herausforderung entwickelt, die Bauelement-, Schaltungs-, Layout- und Systemebenen umfasst und koordinierte Gegenmaßnahmen über alle Abstraktionsebenen hinweg erfordert. Die Bewältigung dieser Herausforderungen erfordert umfassende Modellierungs- und Simulationsansätze, die physikalische Degradationsmechanismen mit der Leistungsfähigkeit auf Schaltungs- und Systemebene verknüpfen.

Diese Arbeit konzentriert sich auf drei zentrale Zuverlässigkeitsaspekte: Strahlungseffekte, NBTI und EM. Das erste Ziel besteht darin, präzise Methoden zur Zuverlässigkeitsbewertung sowie zur Verbesserung der Schaltungslebensdauer unter Berücksichtigung dieser Degradationsmechanismen zu entwickeln. Hierzu wird ein Bauelement-zu-Schaltung-Co-Simulationsansatz vorgeschlagen, der mit Multi-Scale-Co-Optimierungsstrategien kombiniert wird, um die Wechselwirkungen zwischen Bauelement- und Schaltungsebene abzubilden.

Werkzeuge der Electronic Design Automation (EDA), die von bauelementbasierten Technology-Computer-Aided-Design-(TCAD)-Simulationen bis hin zu schaltungsbasierten SPICE-Modellen reichen, spielen eine zentrale Rolle bei der Verknüpfung von Halbleiterphysik und Schaltungsdesign und ermöglichen eine multiskalige Zuverlässigkeitsanalyse. Mit fortschreitenden Technologieknoten werden EDA-Workflows jedoch zunehmend komplex und rechenintensiv, was die Effizienz der Zuverlässigkeitsbewertung einschränkt. Im Kontext von Design–Technology Co-Optimization (DTCO) und System–Technology Co-Optimization (STCO) besteht daher ein wachsender Bedarf an effizienten und automatisierten Multi-Scale-Modellierungsansätzen.

Das zweite Ziel dieser Arbeit besteht darin, Methoden des maschinellen Lernens, einschließlich künstlicher neuronaler Netze (ANNs) und großer Sprachmodelle (LLMs), einzusetzen, um die Zuverlässigkeitsbewertung und Simulation zu beschleunigen und somit die Effizienz zuverlässigkeitsorientierter Entwurfsverfahren zu verbessern.

Modern computing systems rely on two fundamental components, logic and memory, whose co-optimization determines overall performance, energy efficiency, and reliability. Continuous technology scaling has significantly improved transistor performance and integration density across both front-end-of-the-line (FEOL) and back-end-of-the-line (BEOL) layers. Advanced technology nodes, such as Fully Depleted Silicon-on-Insulator (FDSOI) and Fin Field-Effect Transistor (FinFET), exemplify these advancements by enabling improved power, performance, and area (PPA).

However, continued scaling also increases the susceptibility of devices and interconnects to reliability degradation mechanisms, including Negative-Bias Temperature Instability (NBTI), electromigration (EM), and radiation-induced soft errors. ... mehrThese effects pose significant challenges to circuit lifetime and functional safety in modern electronic systems.

The interaction of these reliability mechanisms further complicates device behavior and circuit stability. Degradation in one domain can exacerbate failures in another; for example, FEOL transistor aging and BEOL interconnect degradation can jointly impact timing margins and noise immunity at the circuit level. As a result, reliability has evolved into a multi-scale challenge spanning device, circuit, layout, and system domains, requiring coordinated mitigation strategies across all abstraction levels. Addressing these challenges demands comprehensive modeling and simulation frameworks that establish a clear link between physical degradation mechanisms and circuit- and system-level performance.

This thesis focuses on three key reliability concerns: radiation effects, NBTI, and EM. The first objective is to develop accurate reliability evaluation and improvement methodologies for circuit-level lifetime estimation under these degradation mechanisms. To achieve this, a device-to-circuit co-simulation framework is proposed, combined with multi-scale co-optimization techniques to capture interactions between device- and circuit-level effects.

Electronic design automation (EDA) tools, ranging from device-level Technology Computer-Aided Design (TCAD) simulators to circuit-level SPICE models, play a crucial role in bridging semiconductor physics and design implementation, enabling multi-scale reliability analysis. However, as technology nodes advance, EDA workflows become increasingly complex and computationally expensive, limiting the efficiency of reliability evaluation. Within the context of Design–Technology Co-Optimization (DTCO) and System–Technology Co-Optimization (STCO), there is a growing need for efficient and automated multi-scale modeling frameworks.

The second objective of this thesis is to leverage machine learning techniques, including artificial neural networks (ANNs) and Large Language Models (LLMs), to accelerate reliability estimation and simulation, thereby improving the efficiency of reliability-aware design methodologies.