.png){kind=icon}
返回
Quantitative scanning capacitance microscopy enabled by machine learning and electrostatic modeling
.png){kind=icon}
PRE
AI
DOI：10.1116/6.0005148.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
扫描电容显微镜（SCM）可提供半导体器件中局部电容和载流子浓度的纳米级探测，但其定量解释常因探针几何形状、寄生电容和信号噪声而变得复杂。本研究建立了一个集成的实验-计算框架，结合动态SCM谱学、机器学习（ML）辅助分析和有限元模拟，以定量解析宽载流子浓度范围内的载流子行为。在每一空间像素处记录完整的dC/dV-V谱，并采用主成分分析与k-均值聚类进行去噪和区分具有不同电子特性的区域。有限元建模系统阐明了针尖半径、氧化物厚度和载流子浓度的非单调效应，重现了实验趋势并揭示了由针尖-样品静电学驱动的非单调dC/dV响应。综合分析建立了SCM对比度的统一定量描述，并表明将机器学习与物理建模相结合能够实现对先进半导体架构中自由载流子的高分辨率可靠表征。
Keyword:
RESOLUTION
期刊
J
IF:
1.2
论文数:
103
被引数:
0
机构
引用论文
暂无论文信息