Publication

ANN Based Cryogenic DC Modeling of a 16 nm nMOS FinFET

2026

Résumé

An artificial neural network (ANN) based cryogenic DC I/V model for a 16-nm nMOS FinFET is presented and validated over the temperature range from 2.95 K to 300 K. The model is trained on measured drain-current data and compared against an analytical empirical model to evaluate accuracy, generalization capability, and computational efficiency. Several multilayer perceptron architectures are investigated, focusing on interpolation and extrapolation performance beyond the training bias space. The results demonstrate that the proposed ANN models accurately reproduce the drain current behavior and achieve excellent performance. When implemented in a circuit-level simulator, compact ANN architectures exhibit simulation times comparable to analytical models. Overall, the proposed approach represents a viable and efficient alternative for cryogenic FinFET modeling.

Source officielle

https://infoscience.epfl.ch/entities/publication/d5a0fb52-5005-4ba4-bcb7-63dc8af5cf5d

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

2026

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/d5a0fb52-5005-4ba4-bcb7-63dc8af5cf5d

À propos de ce résultat

Concepts associés (32)

Réseau de neurones artificiels

Un réseau de neurones artificiels, ou réseau neuronal artificiel, est un système dont la conception est à l'origine schématiquement inspirée du fonctionnement des neurones biologiques, et qui par la suite s'est rapproché des méthodes statistiques. Les réseaux de neurones sont généralement optimisés par des méthodes d'apprentissage de type probabiliste, en particulier bayésien.

Transistor count

The transistor count is the number of transistors in an electronic device (typically on a single substrate or "chip"). It is the most common measure of integrated circuit complexity (although the majority of transistors in modern microprocessors are contained in the cache memories, which consist mostly of the same memory cell circuits replicated many times). The rate at which MOS transistor counts have increased generally follows Moore's law, which observed that the transistor count doubles approximately every two years.

Perceptron multicouche

En intelligence artificielle, plus précisément en apprentissage automatique, le perceptron multicouche (multilayer perceptron MLP en anglais) est un type de réseau neuronal artificiel organisé en plusieurs couches. Un perceptron multicouche possède au moins trois couches : une couche d'entrée, au moins une couche cachée, et une couche de sortie. Chaque couche est constituée d'un nombre (potentiellement différent) de neurones. L'information circule de la couche d'entrée vers la couche de sortie uniquement : il s'agit donc d'un réseau à propagation directe (feedforward).

Afficher plus

Publications associées (20)

Afficher plus

ANN Based Cryogenic DC Modeling of a 16 nm nMOS FinFET

Chattez avec Graph Search

Explainable AI–Enhanced Pavement Deterioration Modeling Using Hybrid Classification–Regression Deep Learning Architecture

Efficient Data-Driven and Physics-Informed Machine Learning for Cardiovascular Modeling

Training Dynamics of Gradient Methods on Simple Neural Architectures