Introducción: La escalabilidad de dispositivos VCFET hacia densidades extremas exige un enfoque disruptivo para su caracterización. Los transistores de canal vertical presentan ventajas sobre los FET planos tradicionales para nodos avanzados, pero su geometría 3D genera gran variabilidad de fabricación que requiere una caracterización eléctrica exhaustiva. El método tradicional de barridos completos de parámetros resulta lento y costoso. Presentamos una metodología novedosa que combina optimización bayesiana para barridos paramétricos rápidos con inteligencia artificial incorporada para detección de anomalías en tiempo real, reduciendo en un factor 10 el tiempo de caracterización y manteniendo alta fidelidad de datos, lo que abarata la fabricación y acelera el desarrollo hacia la comercialización de arquitecturas VCFET avanzadas.

Metodología BOCEAI: El sistema BOCEAI es un lazo cerrado que integra tres módulos clave: un motor de optimización bayesiana BOE, un sistema embebido de detección de anomalías AI-ADS y un controlador de experimentos adaptativo AEC. El BOE usa regresión por procesos gaussianos para modelar probabilísticamente el comportamiento del dispositivo y escoger inteligentemente el siguiente conjunto de parámetros a medir. La función objetivo busca minimizar el error entre medidas y predicciones, y la función de adquisición equilibra exploración y explotación para seleccionar los puntos de prueba más informativos.

Motor de optimización bayesiana BOE: El BOE modela f(x) como una medida de bondad inversa del error entre curvas VDS, IDS y VGS, orientando la búsqueda hacia conjuntos de parámetros que reducen la incertidumbre global y mejoran la predicción del modelo. Se emplean funciones de adquisición como Expected Improvement o Upper Confidence Bound para priorizar mediciones con alto potencial de mejora o alta incertidumbre. Este enfoque evita barridos exhaustivos y concentra recursos experimentales en regiones del espacio de diseño que aportan más información.

Sistema de detección de anomalías AI-ADS: AI-ADS está entrenado con un gran conjunto de condiciones nominales obtenido de simulaciones de proceso y escaneos iniciales. Usa técnicas de una sola clase para definir la frontera del comportamiento esperado y detectar desviaciones asociadas a variaciones de proceso, fallos duros o nuevas físicas. Cuando AI-ADS identifica una lectura anómala por encima de un umbral, notifica al AEC para acciones de diagnóstico inmediato, evitando que datos defectuosos guíen decisiones de diseño.

Control adaptativo de experimentos AEC: El AEC ajusta dinámicamente la estrategia de caracterización en función de la información del BOE y AI-ADS. Al detectarse una anomalía, el AEC aumenta la densidad de medición alrededor de la región afectada o activa protocolos diagnósticos más detallados. Si el BOE identifica áreas de rendimiento estable, el AEC reduce la densidad de muestreo para ahorrar tiempo. Esta colaboración permite priorizar mediciones críticas y maximizar la información recolectada por unidad de tiempo.

Diseño experimental y adquisición de datos: Los dispositivos se fabrican variando de forma controlada longitud de puerta entre 20 nm y 50 nm, espesor de canal entre 3 nm y 8 nm y concentración de dopado por nitrógeno entre 1e19 y 5e19 cm-3. La medición se realiza con una estación de sondaje automatizada y adquisición de datos de alta velocidad. Se registran curvas DC I V, perfiles C V y respuestas transitorias. El preprocesado incluye filtrado de ruido y compensación de deriva para alimentar al BOE y al AI-ADS con datos limpios.

Resultados: Simulaciones y pruebas experimentales muestran que BOCEAI consigue una reducción aproximada de 10 veces en el tiempo de caracterización respecto a técnicas convencionales, manteniendo la capacidad de identificar variaciones de proceso y límites de rendimiento. El sistema de detección de anomalías alcanza una alta precisión en la identificación de condiciones atípicas, reduciendo significativamente el riesgo de decisiones de diseño basadas en datos defectuosos.

Escalabilidad y hoja de ruta para comercialización: En el corto plazo 1 2 años se propone implementar BOCEAI en un número limitado de chips de prueba VCFET para validar la metodología y ajustar algoritmos. En el plazo medio 3 5 años se prevé integrar BOCEAI en sistemas de caracterización automatizada a escala de oblea y desarrollar plataformas cloud para almacenamiento y análisis colaborativo. En el largo plazo 5 10 años el objetivo es sistemas de caracterización completamente autónomos con autocalibración y aprendizaje continuo, integrados con control avanzado de proceso para optimizar la fabricación en tiempo real.

Aplicaciones prácticas y ventajas para la industria: La aceleración de la caracterización permite iteraciones de diseño más rápidas y reduce costes de fabricación. En líneas de producción BOCEAI facilita la identificación rápida de parámetros problemáticos como inconsistencias en dopado o defectos de proceso, permitiendo acciones correctivas inmediatas y mejorando rendimiento y yield. Además, la metodología es extensible a otras arquitecturas de transistor avanzadas, aportando valor a programas de I D en semiconductores.

Sobre Q2BSTUDIO: Q2BSTUDIO es una empresa especializada en desarrollo de software y aplicaciones a medida que combina experiencia en inteligencia artificial, ciberseguridad y servicios cloud para ofrecer soluciones integrales a empresas tecnológicas y de manufactura avanzada. Nuestro equipo desarrolla software a medida y aplica técnicas de inteligencia artificial para empresas para optimizar procesos, detectar anomalías y acelerar el desarrollo de productos. Ofrecemos servicios cloud aws y azure que soportan el almacenamiento y el análisis de grandes volúmenes de datos experimentales, así como soluciones de servicios inteligencia de negocio y visualización con herramientas como power bi para transformar datos en decisiones accionables. Si busca potenciar proyectos de caracterización instrumental o desplegar agentes IA para automatizar análisis, descubra nuestras capacidades en Inteligencia Artificial para empresas y en servicios cloud aws y azure.

Implementación práctica en proyectos de caracterización: Q2BSTUDIO ofrece integración de los módulos de BOCEAI con sistemas de adquisición existentes, desarrollo de paneles de control personalizados para monitorizar en tiempo real y despliegue de pipelines de datos en la nube para análisis colaborativo. Nuestras soluciones de software a medida y aplicaciones a medida permiten adaptar el flujo de trabajo de caracterización a requisitos específicos de laboratorio o planta, integrando ciberserguridad y control de acceso para proteger propiedad intelectual sensible.

Limitaciones y trabajo futuro: La efectividad de BOCEAI depende de la calidad del conjunto inicial de datos y de la representatividad de las simulaciones de proceso usadas para entrenar AI-ADS. Investigación futura se centrará en robustecer la adaptabilidad del detector de anomalías, incorporar técnicas de aprendizaje activo para mejorar entrenamientos con pocos datos y extender el enfoque a otras familias de dispositivos. También se explorará la integración de controles de fabricación en bucle cerrado para ajuste en tiempo real de parámetros de proceso.

Conclusión: La combinación de optimización bayesiana, IA embebida y control adaptativo de experimentos constituye un marco potente para caracterizar dispositivos 3D complejos como VCFETs de forma rápida y fiable. Esta estrategia permite acelerar la iteración de diseño, reducir costes y facilitar la transición hacia la producción comercial. Q2BSTUDIO está preparada para colaborar en la adopción de estas tecnologías, ofreciendo soluciones de software a medida, servicios de inteligencia artificial, ciberseguridad y despliegue en la nube para impulsar proyectos de caracterización de alto rendimiento y escalado industrial.