1. 课程导入与工程视角建立
在先进半导体工艺与器件开发中，TCAD（Technology Computer-Aided Design）早已不只是“跑一条仿真曲线”的工具。以Sentaurus TCAD为代表的工艺与器件仿真平台，真正的工程价值在于：把器件结构、工艺条件、物理模型和电学目标组织成可重复、可扫描、可优化的参数空间，并通过脚本化与自动化手段，在有限时间内找到满足指标的设计窗口。本课程围绕“参数化设计”和“自动优化”两条主线展开，目标不是教会大家点击某个菜单，而是建立一套可复用的工程方法：把设计问题转化为参数、把参数转化为仿真任务、把仿真结果转化为可判断的指标，再让优化算法在参数空间中高效搜索。
先明确Sentaurus TCAD在本课程中的定位。它是一套工具链，而不是单一软件。典型组成包括：Sentaurus Process用于工艺仿真，描述注入、扩散、氧化、刻蚀等步骤如何形成掺杂分布与几何结构；Sentaurus Structure Editor用于器件结构生成与网格控制；Sentaurus Device用于求解漂移-扩散、热传导、量子修正等方程，得到Id-Vg、Id-Vd、C-V、击穿电压等电学特性；Sentaurus Workbench（SWB）用于实验设计、参数扫描、任务调度与结果管理；Sentaurus Visual与Inspect用于结构、曲线和数据的可视化与提取。参数化设计与自动优化，正是把这些工具从“单次使用”提升为“批量、可搜索、可回归”的工程流程。
从工程视角看，一个完整的参数化仿真任务通常包含五个层次。第一层是设计变量：例如栅氧厚度tox、沟道掺杂浓度Nch、源漏结深Xj、侧墙宽度Lsp、功函数Φm等。第二层是工艺与结构映射：这些变量如何通过工艺步骤或结构编辑命令落到具体仿真输入中。第三层是器件物理求解：在给定结构上求解电学特性。第四层是指标提取：从曲线中提取Vth、Ion、Ioff、SS、DIBL、Gm等目标与约束。第五层是优化决策：根据指标反馈调整设计变量，直到满足规格或找到Pareto前沿。很多初学者的问题在于只关注第三层，而忽略了第一层的变量定义、第四层的指标提取和第五层的搜索策略，导致仿真做了很多，却无法形成设计结论。
下面这张图给出本课程所强调的“参数化设计与自动优化”工作流全景。它把工具链、数据流和决策回路放在同一张图中，便于后续章节逐层展开。
这张图中有三个关键点值得强调。第一，参数化不是简单地把数字写成变量，而是要把设计意图表达为变量、范围、约束和目标。例如，若目标是降低关态电流Ioff，同时保持Ion不低于某值，那么Ioff和Ion就是目标与约束，tox和Nch是主要调节变量，而Xj和Lsp可能作为次要变量或固定量。第二，自动优化不是盲目扫描，而是在DoE、响应面或启发式算法的引导下，用尽量少的仿真次数逼近最优解。第三，SWB是贯穿全流程的管理平台，它负责变量替换、任务分发、结果收集和对比，没有它，参数化设计很容易退化为手工重复劳动。
为了让大家对“实际怎么做”有具体感受，这里给出一个教学示例。假设我们要研究某平面MOSFET的短沟道效应，设计变量取：栅氧厚度tox ∈ [1.2, 2.0] nm，沟道掺杂Nch ∈ [1e17, 5e17] cm⁻³，源漏结深Xj ∈ [15, 30] nm。目标指标为：Vth ≈ 0.35 V，Ioff ≤ 1e-7 A/μm，DIBL ≤ 80 mV/V。在SWB中，我们可以先定义一个三因素三水平的DoE表，例如采用L9正交表，生成9组参数组合。每组参数通过SWB变量替换写入SDE和SDevice命令文件，提交后得到9组Id-Vg曲线。随后用Inspect脚本自动提取Vth、Ioff和DIBL，填入结果表。若发现DIBL普遍偏大，说明Xj或tox的影响显著，可以进一步缩小Xj范围或增加Nch，再跑第二轮。这个过程就是“参数化—仿真—提取—判断—再参数化”的闭环，也是本课程后续章节要反复训练的核心能力。
关于工具链的协作方式，还需要建立两个基本认识。其一，Sentaurus的输入文件本质上是可参数化的脚本。无论是SDE的.tcl命令、SProcess的.cmd文件，还是SDevice的.cmd文件，都可以用SWB变量（如@tox@、@Nch@）替换具体数值。这意味着参数化设计的第一步，往往是把一个能跑通的单点仿真改造成“变量驱动”的模板。其二，结果提取必须自动化。如果每次仿真后都靠人工看曲线、读数值，自动优化就无从谈起。常用做法是使用Inspect的脚本接口或Sentaurus的Tcl/Python后处理，把Vth、Ion、Ioff、SS、DIBL等指标写成结构化数据，供优化器读取。
本课程的学习路线可以概括为四个阶段。第一阶段是工具链与参数化基础：理解SWB变量机制、SDE/SDevice命令结构，能够把一个单点仿真改造成参数化模板。第二阶段是指标提取与数据管理：掌握Inspect脚本、结果表格和曲线批量处理方法，能够从仿真输出中稳定提取目标指标。第三阶段是DoE与优化算法：学习正交实验、响应面、遗传算法和贝叶斯优化的基本思想，并能在SWB或外部脚本中实现参数搜索。第四阶段是工程案例闭环：围绕短沟道效应、器件性能窗口、工艺波动等真实问题，完成从变量定义到优化收敛的完整任务，并形成可复现的工程记录。
需要特别提醒的是，自动优化并不能替代物理判断。算法只会在你给定的参数空间和目标函数中搜索，如果目标函数定义错误、约束遗漏或参数范围不合理，优化结果可能“数学上最优、工程上不可用”。因此，在每一轮优化之前，都要先问三个问题：设计变量是否覆盖了关键自由度？目标指标是否真正反映了器件规格？约束条件是否排除了不可制造或不可靠的区域？这三个问题，将贯穿本课程的所有案例。