.jpg)
Este artículo presenta un enfoque novedoso para optimizar el rendimiento de transistores por tunelización banda a banda BTBT mediante la ingeniería automatizada de tensiones apoyada en un marco de aprendizaje por refuerzo. Los transistores BTBT ofrecen ventajas relevantes, como una relación on/off elevada y buena escalabilidad, pero su desempeño es extremadamente sensible al estado de tensión del material. Proponemos un sistema que combina simulación por elementos finitos con un agente de aprendizaje por refuerzo para descubrir de forma autónoma patrones de tensado óptimos, logrando mejoras proyectadas de aproximadamente 15 por ciento en la corriente de conducción Ion y una reducción cercana al 10 por ciento en el subthreshold swing SS respecto a diseños optimizados manualmente.
Introducción y motivación: los transistores BTBT operan mediante tunelización cuántica directa, lo que permite pendientes subumbral muy pronunciadas y altos ratios on/off. Sin embargo, la respuesta eléctrica depende de forma crítica de la geometría y de la distribución de tensiones en la estructura, por lo que la optimización tradicional manual resulta lenta y a menudo subóptima. Nuestra solución automatiza la exploración del amplio espacio de diseño mediante aprendizaje por refuerzo y simulaciones físicas.
Metodología propuesta: integramos un motor de simulación FEA basado en COMSOL Multiphysics con un agente de aprendizaje profundo para ajustar campos de tensión en la región del canal. La simulación resuelve potencial electrostático y concentraciones de portadores para estructuras típicas Si/Ge usadas en BTBT. Las tensiones se modelan aplicando cargas mecánicas en una malla deformable, obteniendo tanto la distribución de deformación como la energía mecánica asociada.
Agente de aprendizaje por refuerzo: empleamos una variante de double deep Q network implementada en un entorno Python personalizado. El espacio de estados está representado por una rejilla 2D discretizada sobre la superficie del transistor y las magnitudes de tensión en cada celda. El espacio de acciones permite ajustes incrementales de la carga mecánica en cada posición, incluyendo dirección de tensión o compresión. La función de recompensa se diseña para priorizar Ion y penalizar tanto SS como la energía de tensión aplicada. En forma simplificada se expresa como R = a·Ion - b·SS - c·Energia_tension donde a, b y c son hiperparámetros que balancean los objetivos.
Procedimiento de entrenamiento y aceleración: el agente interactúa iterativamente con el motor FEA, explorando patrones de tensión y recibiendo retroalimentación en cada episodio. Para reducir los tiempos computacionales se emplea paralelización de simulaciones y, en etapas posteriores, se plantea el uso de modelos sustitutos entrenados sobre subconjuntos de resultados FEA.
Diseño experimental y resultados: los experimentos se realizaron en estructuras SiGe con canal de Ge y parámetros representativos, usando condiciones iniciales aleatorias y criterio de convergencia definido como cambio relativo en métricas inferior a 0.1 por ciento. Tras decenas de miles de ciclos de simulación el agente generó distribuciones de tensión no uniformes, concentrando tensión tensil en zonas del canal Ge para aumentar la probabilidad de tunelización. En comparación con un diseño optimizado manualmente se observó una mejora de aproximadamente 15 por ciento en Ion y una reducción cercana al 10 por ciento en SS, a costa de un incremento moderado en energía de tensión que debe afrontarse en el diseño de fabricación.
Discusión técnica: el uso de aprendizaje por refuerzo permite navegar un espacio de diseño de alta dimensión y captar efectos no triviales que escapan al ajuste manual. Las limitaciones incluyen el coste computacional de las simulaciones físicas y la sensibilidad del resultado a la fidelidad del modelo FEA. Para facilitar la transferencia a fabricación real es necesario incorporar restricciones de proceso reales, como límites de proceso de grabado y límites mecánicos del sustrato.
Escalabilidad y trabajo futuro: el marco es extensible a estructuras de transistor más complejas y a materiales alternativos mediante ajustes del motor FEA. Se propone reducir la carga computacional mediante modelos sustitutos y explorar la combinación de RL con redes generativas para generar patrones de tensión eficientes. También es viable adaptar el sistema a otros tipos de transistores, incluyendo tunnel FETs, y ampliar la función de recompensa para incluir criterios de robustez frente a variaciones de proceso.
Aplicación práctica y servicios de Q2BSTUDIO: en Q2BSTUDIO desarrollamos soluciones de software a medida y aplicaciones a medida que integran algoritmos avanzados de inteligencia artificial con simulación física para acelerar la innovación en microelectrónica. Si buscas implementar proyectos que requieren modelos digitales avanzados y agentes IA adaptativos puedes conocer nuestra oferta de servicios de desarrollo de aplicaciones a medida visitando desarrollo de aplicaciones y software multiplataforma. Además contamos con experiencia en despliegues en la nube y en la adopción de plataformas de aprendizaje automático, incluyendo servicios cloud aws y azure, así como en ciberseguridad y pruebas de intrusión para proteger tus diseños.
Palabras clave y capacidades: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi. Para iniciativas que requieren integración de modelos avanzados de IA con sistemas empresariales ofrecemos servicios especializados en inteligencia artificial y consultoría técnica, encuentra más información en nuestra sección de inteligencia artificial para empresas.
Conclusión: la combinación de simulación física por elementos finitos y aprendizaje por refuerzo ofrece una vía prometedora para optimizar la ingeniería de tensiones en transistores BTBT. Los resultados indican mejoras significativas en corriente de conducción y en el subthreshold swing, y el enfoque es escalable y adaptable a requisitos industriales. Q2BSTUDIO puede ayudar a transformar estos avances en soluciones de software y servicios integrales que aceleren la I+D y la industrialización de dispositivos avanzados.
Contacto y siguientes pasos: si quieres explorar proyectos en IA aplicada a microelectrónica, integración cloud, soluciones de Business Intelligence con Power BI o asesoría en ciberseguridad, nuestro equipo técnico puede diseñar una hoja de ruta personalizada que combine simulación, agentes IA y despliegue seguro en la nube.
