4. 敏感性分析的基本概念与分类
在Sentaurus TCAD仿真中，我们通常把器件电学特性（如阈值电压Vth、开态电流Ion、关态电流Ioff）看作一组输入参数的函数。输入参数包括栅氧化层厚度tox、沟道掺杂浓度Na、源漏结深Xj、功函数Φm、界面陷阱密度Dit、温度T等。敏感性分析要回答的核心问题是：当某个或某组输入参数发生微小或大幅变化时，输出特性会如何变化，哪个参数的影响最大，这种影响是否随参数取值不同而改变。
理解敏感性分析，首先要区分两类根本不同的分析范式：局部敏感性分析与全局敏感性分析。二者的差别不仅在于计算量，更在于它们回答的问题不同、适用场景不同。
局部敏感性：在标称点附近的“切线斜率”
局部敏感性分析（Local Sensitivity Analysis, LSA）固定其他参数在标称值，只让一个参数在其附近做微小扰动，计算输出的偏导数或归一化灵敏度。数学上可写为：
S_i = (∂Y/∂X_i) · (X_i,0 / Y_0)
其中：
Y 输出特性（如Vth、Ion、Ioff）
X_i 第i个输入参数
X_i,0 该参数的标称值
Y_0 标称参数下的输出值
S_i 归一化局部灵敏度（无量纲）例如，在某个28nm NMOS标称结构下，设tox=1.2nm、Na=3×10¹⁸cm⁻³、Vth,0=0.35V。若仅将tox增加1%（即0.012nm），仿真得到Vth上升约4.2mV，则tox对Vth的归一化局部灵敏度约为：
S_tox = (ΔVth/Vth,0) / (Δtox/tox,0)
= (0.0042/0.35) / 0.01
≈ 1.2这意味着tox每变化1%，Vth约变化1.2%。局部灵敏度的优点是计算成本低——N个参数只需N+1次仿真（含基准点），在Sentaurus中可通过一次基准仿真加N次单参数扰动扫描快速完成。但它有两个明显局限：一是只在标称点附近有效，若参数实际波动范围较大，线性近似会失效；二是无法捕捉参数之间的交互作用，例如tox与Na对Vth的联合影响可能并非各自独立效应的简单叠加。
全局敏感性：在整个参数空间上的“方差归因”
全局敏感性分析（Global Sensitivity Analysis, GSA）让所有参数同时在其整个不确定度范围内变化，通过大量采样（如Sobol序列、拉丁超立方）评估每个参数及其组合对输出方差的贡献。最常用的是Sobol方差分解：
V(Y) = Σ V_i + Σ V_ij + ... + V_1,2,...,k
一阶灵敏度指数：S_i = V_i / V(Y)
总效应指数： S_Ti = 1 - V_~i / V(Y)
其中 V_i 为X_i单独贡献的方差，
V_~i 为不含X_i时其余参数贡献的方差。S_i反映参数Xi单独解释的输出方差比例；S_Ti则包含Xi自身及其与所有其他参数的交互贡献。若某参数的S_Ti远大于S_i，说明它主要通过交互作用影响输出，这在局部分析中完全看不到。
以Ioff为例，它随Na和tox呈指数级变化，局部灵敏度在标称点可能很小，但全局分析常发现Na与tox的交互项对Ioff方差贡献显著。因此，对Ioff这类强非线性输出，全局分析往往比局部分析更可靠。
三类目标：筛选、排序与定量分解
敏感性分析在实际工程中并非单一目标，按决策需求可分为三个层次：
- 筛选（Screening）：从众多参数中快速识别出少数“重要参数”，剔除无关紧要者。常用方法有Morris筛选法、一次一因子（OAT）粗扫。例如在Sentaurus中先对10个参数各做±10%扰动，观察Vth变化是否超过1mV，若某参数引起的Vth变化小于0.1mV，可暂时忽略。筛选的目标是降维，为后续精细分析缩小范围。
- 排序（Ranking）：对筛选后的重要参数按影响程度排序，回答“哪个参数最关键”。局部归一化灵敏度、标准化回归系数、Sobol一阶指数均可用于排序。例如排序结果可能是：对Vth影响 tox > Φm > Na > Xj；对Ion影响 Xj > tox > Na；对Ioff影响 Na > tox > Dit。排序直接指导工艺控制优先级和仿真校准重点。
- 定量分解（Quantitative Decomposition）：不仅排序，还要定量给出每个参数及交互项对输出总方差的贡献比例，甚至建立代理模型（如多项式混沌展开、Kriging）实现快速预测。例如通过Sobol分析得到Vth方差中tox贡献62%、Φm贡献21%、Na贡献9%、交互项贡献8%。这种分解可用于良率评估和设计裕度分配。
在Sentaurus仿真中的决策价值
敏感性分析在Sentaurus工作流中不是可选的“锦上添花”，而是连接仿真与工程决策的关键环节。具体价值体现在：
第一，指导仿真资源分配。若筛选发现Ion主要受Xj和tox控制，而Na影响甚微，则校准Ion时应优先精确测量Xj和tox，Na的取值精度可适当放宽，避免在无关参数上浪费仿真和表征成本。
第二，识别工艺控制瓶颈。若Vth的方差主要来自Φm的波动，而Φm由栅极材料工艺决定，则说明栅极工艺是Vth一致性的瓶颈，需要优先改进。反之，若Ioff对Na的全局灵敏度极高且S_Ti远大于S_i，说明Na与tox的交互是Ioff离散的主因，需协同控制两者。
第三，支撑设计裕度与良率判断。通过定量分解得到输出方差构成后，可结合工艺参数分布估算良率。例如若Vth标准差中tox贡献占主导，而tox工艺分布已知，则可预测Vth的良率损失，并反推tox需要控制到什么精度。
第四，验证仿真模型的可靠性。若敏感性排序与实验趋势矛盾（例如仿真显示Na对Vth影响最大，但实验数据显示tox影响最大），则提示模型参数或物理机制可能存在缺失，需要检查迁移率模型、量子修正或界面陷阱设置。
需要强调的是，局部与全局并非互斥，而是互补。实际Sentaurus分析流程常先用局部灵敏度或Morris筛选快速降维，再对少数关键参数做Sobol全局分解。这样既控制了计算成本，又获得了可靠的方差归因结果。对于Vth这类近似线性的输出，局部排序往往已足够；对于Ion和Ioff这类强非线性、强交互的输出，全局分析则不可替代。