1. 课程导入与不确定性认知

在半导体器件与工艺开发中，Sentaurus TCAD 已经成为连接“物理机理”与“工程决策”的关键工具。无论是先进逻辑器件的短沟道效应评估、功率器件的击穿电压设计，还是新工艺节点的掺杂剖面优化，工程师往往先通过 TCAD 仿真筛选方案，再决定是否投入昂贵的流片验证。然而，仿真结果从来不是“真值”，它只是在一定假设、模型和参数下对真实器件行为的近似。理解这种近似的不确定度，是判断仿真结果能否支撑工程决策的前提。

本课程围绕“Sentaurus 仿真结果不确定度与敏感性分析”展开，目标不是让学员记住若干公式，而是建立一套可操作的分析习惯：知道不确定度从哪里来、如何量化、如何判断哪个参数最值得关注，以及如何把分析结果转化为可信的仿真结论。

一、Sentaurus TCAD 在开发链条中的角色

在典型的器件开发流程中，Sentaurus 承担的是“虚拟实验平台”的角色。工艺仿真工具（如 Sentaurus Process）根据注入、退火、氧化、刻蚀等步骤生成掺杂分布与几何结构；器件仿真工具（如 Sentaurus Device）在此基础上求解漂移-扩散、热传导甚至量子修正方程，输出 Id-Vg、Id-Vd、C-V、击穿电压、泄漏电流等电学特性。这些输出会被用来判断：某个工艺窗口是否可行、某个结构参数是否满足指标、某个失效模式是否被触发。

问题在于，这条链条上每一环都带有近似。工艺模型中的扩散系数、激活模型、缺陷参数往往来自有限实验拟合；器件模型中的迁移率模型、复合模型、隧穿模型也有适用区间；网格密度、收敛容差、温度设定等数值设置同样会影响结果。因此，仿真输出与真实器件之间必然存在偏差。不确定度量化（UQ）要回答的正是：这个偏差大概有多大？它主要来自哪里？在什么条件下会放大？

二、偶然不确定度与认知不确定度

不确定度通常分为两类，理解它们的区别是后续分析的基础。

偶然不确定度（Aleatory Uncertainty）来自系统固有的随机性。例如，实际工艺中掺杂浓度的微小起伏、氧化层厚度的片内波动、环境温度的随机变化。这类不确定度即使增加测量次数或仿真次数也无法消除，只能通过统计分布来描述。在 TCAD 中，它常表现为输入参数服从某个分布（如正态分布、均匀分布），输出结果因此呈现散布。

认知不确定度（Epistemic Uncertainty）来自知识不足。例如，某个物理模型是否适用于当前尺寸、某个材料参数是否准确、某个边界条件是否被正确设置。这类不确定度理论上可以通过更多实验、更精确的测量或更完善的模型来降低。在 TCAD 中，它常表现为模型选择的不确定性、参数标定的偏差、数值误差等。

两者的处理方式不同：偶然不确定度需要用概率方法传播，认知不确定度则需要通过敏感性分析识别关键来源，再决定是否值得投入资源去降低。实际工程中，二者往往同时存在，需要分开评估。

三、不确定度量化对仿真可信度的意义

没有不确定度分析的仿真结果，容易陷入两种误区。第一种是“过度信任”：把某一次仿真得到的曲线当作真实器件行为，直接用于设计定型，结果流片后偏差超出预期。第二种是“过度怀疑”：因为担心不准而反复调整参数，却不知道哪个参数真正重要，浪费大量计算资源。

不确定度量化把仿真结果从“单点值”变成“区间+概率”。例如，某器件阈值电压的仿真均值为 0.45 V，标准差为 0.02 V，那么在 95% 置信水平下，真实阈值电压大致落在 0.41～0.49 V 之间。如果设计指标要求阈值电压不低于 0.40 V，工程师就能判断当前方案的风险水平。进一步，通过敏感性分析发现，阈值电压波动主要来自栅氧化层厚度和功函数参数，那么就可以优先控制这两项，而不是盲目优化所有参数。

这就是 UQ 的核心价值：让仿真结论带有“可信度标签”，让工程决策有据可依。

四、本课程学习地图与实战目标

本课程共 30 章，整体分为四个阶段。第一阶段建立不确定度认知框架，包括偶然/认知不确定度的区分、常见来源识别、以及 UQ 在 TCAD 中的基本流程。第二阶段进入敏感性分析方法，涵盖局部敏感性（如有限差分、归一化灵敏度系数）和全局敏感性（如 Sobol 指数、Morris 筛选），并讨论它们在 Sentaurus 中的实现方式。第三阶段聚焦工程实操，包括参数分布设定、Monte Carlo 采样、代理模型加速、结果统计与可视化。第四阶段通过一个完整的实战项目，把方法串起来。

实战项目目标设定为：以一个 28 nm 平面 MOSFET 为例，选取栅氧化层厚度、沟道掺杂浓度、源漏结深、迁移率模型参数等作为不确定输入，量化 Id-Vg 曲线和阈值电压的不确定度，识别关键敏感参数，并给出“当前仿真结果是否足以支撑器件设计”的判断。项目不追求复杂模型，而追求流程完整、判断清晰。

五、关键概念速查