MARC

 008260203s2023        us                              c    eng  d
■001000017365997
■00520260209102911
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265406255
■035    ▼a(MiAaPQ)AAI32315834
■035    ▼a(MiAaPQ)GeorgiaTech76808
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a363.25
■1001  ▼aChoe,  Gihun.
■24510▼aAdvanced  Modeling  Techniques  for  Ferroelectric  Memories:  From  TCAD  to  Machine  Learning
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a106  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Yu,  Shimeng.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2023.
■520    ▼aThe  continued  miniaturization  of  complementary  metal-oxide-semiconductors  (CMOS)  has  been  a  core  for  enhancing  their  performance,  expanding  functionality,  and  reducing  cost  per  cell  by  following  Moore's  law.  Similarly,  memory  devices  have  pursued  relentless  scaling  the  device  dimension.  A  prime  example  is  the  state-of-the-art  Flash  memory,  which  has  adopted  layer  stacking  techniques  to  increase  the  memory  density.  As  such,  the  trajectory  towards  emerging  nonvolatile  memories  is  a  predictable  evolution.Within  this  realm,  the  ferroelectric  field-effect  transistor  (FeFET)  stands  out  as  a  promising  candidate.  With  attributes  like  fast  switching  speed  and  low  operation  voltage,  FeFET  is  reshaping  the  landscape  of  memory  technologies.  To  ensure  its  seamless  integration  into  future  architectures,  this  thesis  delves  into  a  comprehensive  variation  analysis  of  FeFETs,  especially  focusing  on  advanced  technology  nodes  and  threedimensional  architectures.  Embracing  this  challenge,  an  avant-garde  computational  approach  involving  the  Voronoi  diagram  becomes  the  linchpin  for  realistic  modeling,  capturing  the  unpredictable  nature  of  ferroelectric  grain  distributions.In  tandem  with  these  explorations,  the  burgeoning  field  of  machine  learning  offers  a  beacon  of  hope  for  enhancing  analysis  precision  and  efficiency  due  to  its  transformative  capabilities.  Its  role  in  the  semiconductor  arena  is  no  exception,  providing  tools  for  technology  pathfinding,  compact  modeling,  and  performance  analytics.  In  this  light,  this  thesis  introduces  a  machine  learning-centric  approach  tailored  for  ferroelectric  memory  assessment,  targeting  significant  reductions  in  design-technology  co-optimization  timeframes  while  sharpening  predictive  precision.
■590    ▼aSchool  code:  0078.
■650  4▼aInvestigations
■650  4▼aElectric  fields
■650  4▼aNeural  networks
■650  4▼aProbability
■650  4▼aCMOS
■650  4▼aGrain  size
■650  4▼aTransistors
■650  4▼aThin  films
■650  4▼aFerroelectrics
■650  4▼aCondensed  matter  physics
■650  4▼aElectrical  engineering
■650  4▼aMaterials  science
■650  4▼aElectromagnetics
■690    ▼a0800
■690    ▼a0611
■690    ▼a0544
■690    ▼a0794
■690    ▼a0607
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17365997▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books