Electrostatics, scaling, and variability in stacked graphene nanoribbon FETs without metal interlayers
Notice bibliographique
Résumé
We present a self-consistent quantum transport simulation of vertically stacked graphene nanoribbon gate-all-around (GAA) field-effect transistors (FETs) without metal interlayers, focusing on the interplay between electrostatics, scaling behavior, and device variability. Removing gate metal interlayers from the conventional GAA structure simplifies the fabrication process but introduces strong electrostatic screening between neighboring graphene ribbons. Our simulations show that increasing inter-ribbon spacing and scaling the sidewall gate oxide substantially improve gate control, enhance the ON/OFF current ratio (ION/IOFF), and suppress short-channel effects, particularly in multi-ribbon configurations. Specifically, when the inter-ribbon spacing exceeds 7 nm, gate efficiency improves significantly, enabling a 3-ribbon device to outperform a monolayer device in ION/IOFF, while only slightly compromising subthreshold swing (SS). Lateral oxide optimization further enhances performance, with ION/IOFF increased by 186% and SS reduced by 27% for the 3-ribbon device when the sidewall oxide is scaled from 4 to 1 nm. Co-optimizing oxide thickness and inter-ribbon spacing also leads to a 36% reduction in SS and a 49% reduction in drain-induced barrier lowering at an 8 nm channel length, compared to an unoptimized 3-ribbon device. Finally, a statistical study with 400 devices of randomly varied geometry demonstrates that these optimizations improve electrostatic robustness and significantly suppress device-to-device variability under realistic misalignment conditions, establishing practical design principles for scalable, low-variability, metal-interlayer-free GAA nanosheet FETs for future electronic applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».