向下探索
基于物理信息神经网络与半导体领域先验知识，打造新一代TCAD仿真引擎
基于物理信息神经网络，仿真速度提升20x，支持百万级结构参数空间快速扫描。
从量子力学、分子动力学到器件级、电路级，实现跨尺度统一仿真框架与精度自动校准。
Physics-informed AI架构，将半导体物理方程嵌入神经网络，保证结果物理一致性。
给定目标电学特性，自动反推最优工艺与结构参数，大幅缩短器件研发周期。
覆盖器件设计、工艺优化、可靠性分析全流程，助力先进制程技术突破
基于深度学习的IV/CV特性快速求解，替代传统蒙特卡洛与数值迭代方法。
给定目标性能指标，智能反推离子注入、退火、氧化等最优工艺参数组合。
AI辅助缺陷表征、热载流子效应、NBTI老化效应的精准建模与寿命预测。
二维材料、宽禁带半导体的原子级结构预测与输运特性快速评估。
针对先进制程的版图依赖效应（LDE）快速建模，支持全芯片级仿真验证。
海量仿真数据的自动特征提取、聚类分析与工艺知识发现。
聚焦半导体器件与 AI 交叉领域的前沿课题，沉淀可解释模型、参数化流程与开源工具
针对2nm及以下工艺的环绕栅器件快速仿真方案，支持3D结构全参数化建模。
基于物理信息神经网络的泊松方程、薛定谔方程求解器，无需大规模标注数据。
结合DFT与深度学习的MoS₂、WSe₂器件性能预测，加速下一代低功耗器件研发。
AI驱动的光学邻近效应校正，大幅缩短迭代周期，提升先进制程良率。
SiC/GaN功率器件的热失配与长期老化预测，支撑新能源汽车电子系统。
面向RRAM、FeFET等新型存储的AI辅助仿真设计，支撑AI芯片底层器件研发。
面向完整模型建设、真实 TCAD 标定、器件与工艺协同优化等科研合作需求，欢迎通过邮箱建立联系。