Không cần nhìn trực tiếp bên trong chip: AI có thể suy ngược lỗi vật liệu trong chưa đầy một mili-giây

Một transistor có thể hoạt động bất thường vì bên trong lớp bán dẫn có quá nhiều trạng thái bẫy, mật độ hạt tải không đúng hoặc electron di chuyển kém. Vấn đề là những nguyên nhân này không thể nhìn ra chỉ bằng mắt — và ngay cả khi đã đo được đặc tính điện của thiết bị, việc suy ngược xem vật liệu bên trong đang có gì thường cần hàng trăm vòng mô phỏng, kéo dài hàng chục giờ đến nhiều ngày.

Một nhóm tại Institute of Science Tokyo, phối hợp với Yokohama City University và National Sun Yat-sen University, vừa chứng minh một cách tiếp cận khác. Họ xây hai mạng neural nối tiếp nhau: một mạng đi ngược từ đặc tính điện của transistor về các tham số vật liệu, mạng còn lại kiểm tra xem những tham số được đoán đó có thực sự tái tạo được đặc tính điện ban đầu hay không.

Trên transistor màng mỏng dùng semiconductor oxide vô định hình indium–gallium–zinc oxide, hay a-IGZO, hệ thống có thể suy ra sáu tham số vật lý từ một đường cong dòng–điện áp trong chưa đầy một mili-giây. Trong dữ liệu mô phỏng, hệ số xác định đạt trên 0,99. So với phương pháp TCAD lặp truyền thống có thể mất hàng chục giờ tới vài ngày, nhóm nghiên cứu báo cáo mức tăng tốc hơn sáu bậc độ lớn.

Đây là một ví dụ đáng chú ý cho cách AI có thể thay đổi metrology của ngành bán dẫn: không nhất thiết phải trực tiếp “nhìn” từng cấu trúc bên trong vật liệu để biết một số tính chất ẩn của nó. Trong một số trường hợp, chỉ cần đo đầu ra điện rồi giải bài toán ngược đủ nhanh.

Nhưng cụm “nhìn xuyên chip” cũng rất dễ gây hiểu nhầm. Mô hình này không tạo ảnh về vị trí từng defect và chưa chứng minh rằng nó xác định duy nhất cấu trúc nguyên tử thật bên trong mọi transistor. Nó suy ra một bộ tham số vật lý có thể giải thích cực tốt hành vi điện quan sát được trong phạm vi mô hình đã học.

Khoảng cách giữa hai cách diễn đạt đó chính là điều làm nghiên cứu này thú vị: AI không thay kính hiển vi bằng một “con mắt số”, mà đang biến bài toán chẩn đoán vật liệu thành một phép suy luận gần như tức thời.

Một transistor cho ta thấy kết quả, không cho ta biết nguyên nhân

Trong phòng thí nghiệm hoặc nhà máy, đo đặc tính điện của transistor tương đối dễ.

Kỹ sư thay đổi điện áp gate, đo dòng drain và thu được một đường cong transfer characteristic. Đường cong này cho biết transistor bật ở điện áp nào, dòng tăng ra sao và vùng dưới ngưỡng có hình dạng thế nào.

Nhưng một đường cong điện chỉ là kết quả tổng hợp của rất nhiều yếu tố bên trong.

Ví dụ, mật độ trạng thái bẫy gần conduction band có thể làm electron bị giữ lại. Deep trap có thể ảnh hưởng tới threshold voltage và stability. Mật độ electron do doping và độ linh động của carrier quyết định khả năng dẫn điện.

Hai transistor có thể tạo ra những đường cong rất giống nhau dù các tham số vật liệu bên trong khác nhau.

Đó là một dạng inverse problem — bài toán ngược.

Bài toán thuận dễ hình dung hơn: nếu đã biết cấu trúc thiết bị và các tham số vật liệu, phần mềm vật lý có thể tính xem transistor sẽ cho đường cong I–V như thế nào.

Bài toán ngược hỏi điều ngược lại: nhìn vào I–V, hãy cho biết vật liệu bên trong phải có những tham số nào.

Và đây thường là bài toán khó hơn rất nhiều.

Tại sao không chỉ chạy mô phỏng ngược cho tới khi khớp?

Đó chính là cách phổ biến trong nhiều quy trình hiện nay.

Kỹ sư bắt đầu bằng một bộ tham số giả định, đưa chúng vào Technology Computer-Aided Design — TCAD — để mô phỏng transistor. Nếu đường cong mô phỏng chưa giống dữ liệu đo, thuật toán thay đổi tham số rồi chạy lại.

Quá trình cứ lặp cho tới khi tìm được cấu hình đủ khớp.

TCAD rất có giá trị vì dựa trên các phương trình vật lý của semiconductor device. Nhưng nó cũng tốn tài nguyên: cấu trúc phải được chia mesh, các phương trình phi tuyến phải được giải tới hội tụ và hàng loạt tổ hợp tham số phải được thử.

Trong nghiên cứu mới, nhóm Science Tokyo cho biết kiểu iterative fitting này có thể cần hàng trăm phép tính và kéo dài từ hàng chục giờ tới vài ngày.

Nếu chỉ phân tích vài transistor nghiên cứu, thời gian đó có thể chấp nhận được.

Nếu muốn kiểm tra thiết bị theo nhịp dây chuyền hoặc cho robot phòng thí nghiệm tự điều chỉnh thí nghiệm sau mỗi phép đo, vài ngày là quá chậm.

Vấn đề khó nhất không phải tốc độ, mà là “nhiều nguyên nhân cho cùng một kết quả”

Một mạng neural thông thường có vẻ là lời giải hiển nhiên: tạo dữ liệu mô phỏng, đưa đường cong I–V vào và dạy AI dự đoán các tham số vật liệu.

Nhưng inverse problem có một cái bẫy gọi là multivaluedness.

Giả sử bộ tham số A tạo đường cong gần giống bộ tham số B. Khi cùng một đầu vào điện có thể tương ứng với nhiều đáp án vật lý hợp lý, mạng neural bị yêu cầu học một ánh xạ không còn đơn giản một–một.

Nó có thể trả về một bộ tham số “ở giữa” các lời giải. Bộ số đó có thể giảm sai số thống kê trong quá trình training nhưng lại không tái tạo đúng hành vi của thiết bị.

Vấn đề trở nên nghiêm trọng hơn khi mở rộng phạm vi tham số.

Các nghiên cứu machine learning trước trên a-IGZO thường hoạt động trong miền biến thiên tương đối hẹp. Trong thiết bị thực, mật độ defect có thể trải qua nhiều bậc độ lớn.

Nhóm Science Tokyo vì thế cho các tham số trong tập dữ liệu training biến thiên trên phạm vi rộng hơn trước khoảng hàng nghìn lần ở một số chiều, khiến bài toán gần thực tế hơn nhưng cũng khó học hơn.

Giải pháp: một AI đoán, một AI “hỏi lại vật lý”

Kiến trúc được nhóm sử dụng gọi là tandem neural network.

Nó có hai thành phần.

Inverse network nhận đường cong transistor và dự đoán bộ tham số vật liệu có thể tạo ra đường cong đó.

Forward network làm việc theo chiều ngược: nhận bộ tham số vừa được dự đoán và tính lại xem transistor tương ứng phải có đặc tính điện như thế nào.

Trong training, hệ thống không chỉ phạt inverse network khi tham số dự đoán lệch khỏi nhãn mô phỏng. Nó còn phạt nếu forward network nhận bộ tham số đó nhưng không tái tạo được đường cong ban đầu.

Có thể hình dung như hai người cùng giải một vụ việc.

Người thứ nhất nhìn dấu vết và đề xuất nguyên nhân. Người thứ hai lấy nguyên nhân đó dựng lại diễn biến. Nếu diễn biến dựng lại không tạo ra dấu vết giống ban đầu, lời giải bị bác.

Nhờ vòng kiểm tra này, inverse model bị ép tìm lời giải không chỉ “đúng về số” mà còn phải nhất quán với hành vi của transistor.

Sáu thứ AI đang cố suy ra là gì?

Nhóm nghiên cứu tập trung vào a-IGZO thin-film transistor và chọn sáu tham số đại diện cho defect distribution cùng khả năng vận chuyển electron.

Bốn tham số mô tả hai nhóm trạng thái bẫy nhận electron trong bandgap: conduction-band tail states và deep trap states. Chúng gồm mật độ của mỗi nhóm và tham số mô tả độ rộng/phân bố năng lượng.

Hai tham số còn lại là mật độ electron do doping và độ linh động trôi của electron.

Cụ thể, mô hình dùng bộ tham số N_TA, W_TA, N_GA, W_GA, N_doped và μ_drift.

Đây không phải “sáu loại defect nhìn thấy được” dưới kính hiển vi. Chúng là những tham số vật lý hiệu dụng mô tả cách trạng thái khuyết tật và carrier phân bố trong semiconductor model.

Sự phân biệt này quan trọng.

AI có thể nói một cách tương đương rằng “để tạo ra đường cong này, density of tail traps phải nằm gần mức X và mobility gần mức Y”. Nó không nhất thiết nói “ở tọa độ 25 nm có một vacancy cụ thể”.

1.000 mô phỏng đủ để tạo một “máy suy ngược”

Nhóm tạo 1.000 bộ dữ liệu bằng TCAD, mỗi bộ ứng với một tổ hợp sáu tham số khác nhau.

Phạm vi được chọn rất rộng. Ví dụ, mật độ conduction-band tail state thay đổi từ 10¹⁸ tới 10²¹ cm⁻³eV⁻¹; deep-state density từ 10¹⁴ tới 10¹⁸ cm⁻³eV⁻¹; doped electron density trải từ 10¹³ tới 10¹⁸ cm⁻³.

Độ linh động electron nằm trong khoảng 5–30 cm²/Vs.

Đáng chú ý, Science Tokyo cho biết việc training có thể hoàn thành trong chưa đầy 25 giây trong cấu hình nghiên cứu của họ. Sau khi được train, inverse inference trên dữ liệu mới diễn ra ở cỡ 0,1 ms và dưới 1 ms.

Trên tập dữ liệu mô phỏng, hệ số xác định R² của việc dự đoán sáu tham số vượt 0,99.

Đây là lý do mô hình nhanh đến vậy: nó không chạy TCAD hàng trăm lần mỗi khi xuất hiện transistor mới. Phần tính toán vật lý nặng đã được dùng trước để tạo tập huấn luyện. Khi vận hành, mạng neural trở thành một surrogate inverse solver cực nhanh.

“Nhanh hơn một triệu lần” đến từ việc đổi thời điểm phải trả chi phí tính toán

Tuyên bố tăng tốc hơn sáu bậc độ lớn nghe rất lớn, nhưng cơ chế khá dễ hiểu.

Phương pháp truyền thống trả chi phí tính toán cho từng mẫu mới: đo transistor, chạy simulator, chỉnh tham số, chạy lại, rồi tiếp tục tối ưu.

Machine learning trả phần lớn chi phí trước: tạo simulation database và train model một lần.

Sau đó mỗi phép suy luận chỉ là các phép nhân ma trận của neural network.

Điều này đặc biệt có lợi nếu cùng một family thiết bị cần được phân tích hàng nghìn hoặc hàng triệu lần.

Nhưng nó cũng tạo ra giới hạn: nếu dây chuyền thay vật liệu, cấu trúc transistor hoặc cơ chế vật lý vượt khỏi miền mà model đã học, model có thể cần được train lại hoặc mở rộng.

Nhóm đã thử trên transistor thật — nhưng phép xác nhận cần đọc cẩn thận

Chỉ đạt R² cao trên dữ liệu TCAD chưa đủ, vì model hoàn toàn có thể học rất tốt simulator nhưng không phản ánh wafer thật.

Nhóm vì vậy chế tạo a-IGZO transistor trong phòng thí nghiệm dưới năm điều kiện khác nhau và đưa đường cong đo thực vào tandem network.

Sau khi AI suy ra bộ tham số, họ dùng chính các tham số này để tái tạo đặc tính transistor. Đường cong tính toán phù hợp tốt với đường cong đo mà không cần thêm bước optimization.

Đó là dấu hiệu quan trọng rằng model không chỉ hoạt động trên dữ liệu tổng hợp.

Tuy nhiên, đây chưa phải bằng chứng rằng cả sáu tham số dự đoán đều đã được đo độc lập bằng một kỹ thuật vật lý khác và xác nhận tuyệt đối.

Do tính multivalued của inverse problem, điều nhóm chứng minh mạnh nhất là: AI tìm được một bộ tham số vật lý hợp lý có khả năng giải thích rất tốt hành vi điện của thiết bị thực.

Điều đó đủ giá trị cho nhiều nhiệm vụ process monitoring, nhưng khác với tuyên bố “AI đã biết chính xác mọi defect thực sự bên trong”.

Vậy có thật sự “không cần nhìn bên trong chip”?

Trong một nghĩa thực dụng: có thể.

Nếu câu hỏi của kỹ sư là “vật liệu này đang có trap density và mobility ở mức nào để giải thích đường cong điện hiện tại?”, việc suy ra chúng từ phép đo điện có thể giảm nhu cầu chạy những chuỗi phân tích chậm hơn.

Nhưng không phải mọi câu hỏi về chip đều có thể được trả lời bằng I–V.

Nếu cần biết chính xác defect nằm ở đâu, giao diện nào bị nứt, nguyên tử nào thay thế vị trí nào hoặc có void ở lớp interconnect hay không, microscopy, spectroscopy, scattering và nhiều kỹ thuật trực tiếp khác vẫn cần thiết.

AI inverse analysis vì vậy không “thay kính hiển vi”. Nó tạo thêm một lớp metrology khác: virtual metrology từ tín hiệu điện.

a-IGZO không phải transistor silicon trong CPU — nhưng lại rất quan trọng

a-IGZO là semiconductor oxide vô định hình gồm indium, gallium, zinc và oxygen.

Vật liệu này nổi tiếng vì có thể tạo thin-film transistor với mobility cao hơn nhiều semiconductor vô định hình truyền thống, đồng thời phù hợp với các nền đế diện tích lớn.

a-IGZO TFT đã được sử dụng rộng trong mạch điều khiển pixel của màn hình smartphone, TV và các display cao cấp. Nó cũng đang được nghiên cứu cho các ứng dụng logic, circuit và memory mới.

Do đó, gọi thiết bị trong nghiên cứu là “chip” giúp người đọc dễ hình dung nhưng chưa hoàn toàn chính xác nếu họ nghĩ tới transistor FinFET/GAA bằng silicon trong CPU 2 nm.

Nghiên cứu chứng minh phương pháp trên oxide thin-film transistor. Việc áp dụng trực tiếp cho logic silicon tiên tiến sẽ cần bộ mô hình, tham số và dữ liệu mới.

Tại sao defect state của a-IGZO quan trọng đến vậy?

Vật liệu vô định hình không có mạng tinh thể tuần hoàn hoàn hảo như silicon đơn tinh thể.

Trong bandgap có thể xuất hiện nhiều trạng thái điện tử liên quan tới disorder, vacancy và cấu trúc liên kết địa phương. Những state này giữ electron, làm thay đổi threshold voltage, subthreshold swing, mobility và độ ổn định khi transistor hoạt động lâu.

Một nghiên cứu khác năm 2026 về a-IGZO cho thấy shallow trap states gần conduction-band mobility edge có vai trò quyết định trong nhiều đặc tính điện của TFT.

Vì vậy khả năng suy ra nhanh density-of-states không chỉ là một bài tập toán học. Nó có thể giúp kỹ sư hiểu một thay đổi trong sputtering, annealing hoặc thành phần vật liệu đã làm transistor tốt hay xấu theo cơ chế nào.

Ứng dụng đầu tiên: feedback cho dây chuyền sản xuất

Hãy tưởng tượng một line sản xuất tạo transistor ở nhiều wafer hoặc panel.

Ở mỗi checkpoint, hệ thống đo một đường cong điện. Hiện tại, dữ liệu đó chủ yếu dùng để quyết định pass/fail hoặc tính một số chỉ số trực tiếp như threshold voltage và mobility hiệu dụng.

Nếu inverse model chạy đủ đáng tin, cùng phép đo có thể cung cấp thêm “chẩn đoán vật liệu” gần thời gian thực.

Ví dụ, một batch bắt đầu có defect-state density tăng trong khi mobility vẫn ổn định. Hệ thống có thể cảnh báo process engineer trước khi yield giảm mạnh.

Hoặc khi thay đổi nhiệt độ anneal, AI có thể lập tức cho biết đặc tính trap suy ra đã di chuyển theo hướng mong muốn hay chưa.

Đó là lý do nhóm nghiên cứu nhấn mạnh khả năng instant quality checks và rapid process feedback.

Ứng dụng thứ hai: digital twin của transistor

Digital twin trong semiconductor không chỉ là mô hình 3D đẹp mắt của fab.

Ở cấp device, nó có thể là một mô hình số liên tục cập nhật trạng thái vật liệu dựa trên dữ liệu đo thật.

Vấn đề là digital twin chỉ hữu ích nếu nó cập nhật đủ nhanh.

Nếu mỗi phép hiệu chỉnh tham số mất hai ngày, bản sao số luôn đi sau vật thể thật. Nếu inverse inference diễn ra dưới một millisecond, ít nhất phần “suy trạng thái từ dữ liệu điện” có thể gần real time.

Forward model sau đó có thể dự đoán transistor sẽ phản ứng ra sao nếu điều kiện vận hành thay đổi.

Ta có một vòng hai chiều: measurement → inverse model → material state → forward model → predicted behavior.

Đó gần như chính cấu trúc tandem network đã dùng trong nghiên cứu.

Ứng dụng thứ ba: phòng thí nghiệm tự động

Autonomous laboratory là một trong những hướng hấp dẫn nhất của AI trong materials science.

Một robot có thể chế tạo mẫu, đo kết quả, dùng AI quyết định thí nghiệm tiếp theo rồi tự lặp vòng mà con người không cần chọn từng thông số.

Nhưng tốc độ của vòng lặp bị giới hạn bởi khâu chậm nhất.

Nếu phân tích một transistor mất vài ngày, robot không thể làm closed-loop optimization nhanh.

Nếu phân tích giảm xuống millisecond, phần inference gần như biến mất khỏi critical path. Hệ thống có thể thay recipe chế tạo ngay sau khi nhận dữ liệu.

Nhóm Science Tokyo vì thế xem tandem NN như một công cụ tiềm năng cho autonomous experimentation và materials discovery.

Hai mạng neural tốt hơn một vì AI được buộc phải tự kiểm tra lời giải

Kiến trúc tandem còn đáng chú ý vượt ra ngoài ngành bán dẫn.

Nhiều inverse problem trong khoa học gặp cùng vấn đề: một tín hiệu đo có thể sinh ra từ nhiều cấu hình vật lý khác nhau.

Trong quang học, người ta nhìn spectrum và muốn suy ngược geometry của nanostructure. Trong hóa học, quan sát một đáp ứng và muốn suy composition. Trong cơ học vật liệu, đo deformation rồi suy ra property bên trong.

Một inverse network đơn lẻ dễ gặp vấn đề non-uniqueness.

Gắn thêm forward model giống như cho AI một bộ “luật kiểm tra”: lời giải không chỉ phải trông hợp lý, mà khi chạy theo chiều nhân quả phải tạo lại điều đã quan sát.

Ý tưởng này gần với xu hướng rộng hơn của scientific machine learning: kết hợp neural network với constraint vật lý thay vì coi AI như một hộp đen hoàn toàn.

Nhưng forward model sai thì inverse model cũng có thể sai rất nhanh

Tốc độ của machine learning cũng là một rủi ro.

Một TCAD model chậm nhưng mỗi bước có nền tảng vật lý rõ ràng. Neural network có thể trả đáp án trong microsecond hoặc millisecond, nhưng nếu dữ liệu training không bao phủ đúng thực tế, nó có thể trả lời sai với tốc độ tương tự.

Tandem architecture giảm một phần rủi ro bằng reconstruction loss, nhưng forward network vẫn được huấn luyện trên TCAD.

Nếu simulator bỏ sót một cơ chế vật lý quan trọng, cả hai network có thể cùng nhất quán với một thế giới mô phỏng chưa đầy đủ.

Đây là một phiên bản của câu hỏi quen thuộc trong digital twin: twin có thể nhanh và chính xác với chính mô hình của nó, nhưng liệu mô hình đó có bao quát đủ vật thể thật?

Thay đổi cấu trúc transistor có thể buộc phải học lại

Model nghiên cứu giả định một cấu trúc a-IGZO TFT cụ thể: channel dày 30 nm trên SiO₂ 150 nm, với geometry và vật liệu điện cực xác định trong TCAD.

Nếu thay oxide dielectric, đổi chiều dày channel, thêm contact resistance mạnh hoặc chuyển sang một kiến trúc transistor hoàn toàn khác, ánh xạ giữa material parameters và I–V cũng thay đổi.

Một model production vì thế có thể cần thêm cấu trúc device vào đầu vào hoặc huấn luyện nhiều model theo product family.

Đây là khác biệt giữa một proof-of-concept khoa học và một hệ thống fab-scale.

Một đường cong I–V không chứa vô hạn thông tin

Cũng có một giới hạn mang tính nền tảng.

Nếu hai trạng thái vật liệu hoàn toàn khác nhau nhưng tạo ra I–V không thể phân biệt trong điều kiện đo, không thuật toán nào có thể suy ra chắc chắn trạng thái thật chỉ từ dữ liệu đó.

Machine learning không thể tạo thông tin vốn không tồn tại trong measurement.

Cách mở rộng về sau có thể là đưa thêm nhiều modality: I–V ở các nhiệt độ khác nhau, transient response, capacitance, optical signal hoặc stress test.

Mỗi phép đo mới thêm constraint và giảm không gian các lời giải vật lý khả dĩ.

AI khi đó đóng vai trò hợp nhất dữ liệu, thay vì cố biến một đường cong thành “máy quét vật liệu toàn năng”.

Điều đáng chú ý không phải 0,1 ms, mà là feedback loop đã đổi tốc độ

Dưới một millisecond là con số gây ấn tượng nhất của nghiên cứu, nhưng ý nghĩa lớn hơn nằm ở cấp hệ thống.

Semiconductor manufacturing là chuỗi feedback loop.

Kỹ sư chế tạo → đo → phân tích → điều chỉnh process → chế tạo lại.

Mỗi vòng càng chậm, quá trình phát triển càng tốn wafer, thiết bị và thời gian.

Nếu AI thay một bước phân tích nhiều giờ bằng inference gần tức thời, thời gian phát triển có thể được rút ngắn ngay cả khi bản thân deposition hay annealing không nhanh hơn một giây nào.

Đó cũng là một kiểu “scaling” khác của ngành chip: không thu nhỏ transistor, mà thu nhỏ thời gian giữa một quan sát và một quyết định.

AI có thể biến phép đo điện thành một dạng “cảm biến ảo”

Trong công nghiệp, khái niệm virtual sensor hoặc virtual metrology dùng mô hình để ước lượng một đại lượng khó đo từ những tín hiệu dễ lấy hơn.

Tandem NN của Science Tokyo phù hợp với tinh thần đó.

Thay vì cố đo trực tiếp mọi defect state trên từng transistor, hệ thống lấy tín hiệu điện vốn đã quen thuộc và chuyển nó thành estimate của trạng thái vật liệu.

Nếu được hiệu chuẩn và xác nhận đủ tốt, một model như vậy có thể bổ sung thông tin mà không cần thêm một tool metrology đắt tiền ở mọi checkpoint.

Trong fab, lợi ích này có thể quan trọng không kém tốc độ inference. Thiết bị đo tiên tiến có giá cao, chiếm diện tích sạch và bản thân measurement có thể trở thành bottleneck.

Chưa phải “AI nhìn xuyên chip”, nhưng đã là một kiểu chẩn đoán mới

Ở thời điểm tháng 8/2026, nghiên cứu mới vẫn còn nhiều bước trước khi trở thành hệ thống kiểm soát sản xuất đại trà.

Nó được chứng minh trên một family transistor cụ thể. Số thiết bị thật trong validation còn hạn chế. Bộ sáu tham số phản ánh một model vật lý có chủ đích chứ không phải mọi loại defect có thể tồn tại.

Nhưng proof-of-concept đã vượt qua ba câu hỏi quan trọng.

Một: inverse problem nhiều nghiệm của transistor có thể được neural network giải ổn định trên không gian tham số rộng hơn trước.

Hai: inference có thể giảm từ hàng giờ hoặc ngày xuống dưới một millisecond.

Ba: các tham số suy ra từ thiết bị thật có thể tái tạo tốt hành vi điện đo được mà không cần iterative fitting bổ sung.

Điều này chưa thay thế electron microscope, spectroscopy hay defect metrology trực tiếp.

Nhưng nó gợi ra một tương lai trong đó rất nhiều thứ “ẩn” bên trong một vật liệu không nhất thiết phải được quan sát trực tiếp mỗi lần.

Ta đo cách thiết bị phản ứng, AI suy ra trạng thái có khả năng gây ra phản ứng đó, rồi một forward model tự kiểm tra lời giải.

Và khi vòng suy luận này chạy nhanh hơn cái chớp mắt hàng nghìn lần, semiconductor analysis có thể chuyển từ công việc hậu kiểm sang một phần của hệ thống điều khiển thời gian thực.

Câu hỏi khi đó không còn chỉ là “defect nằm ở đâu?”

Mà còn là: “chúng ta có cần nhìn thấy nó trực tiếp hay hành vi điện đã chứa đủ dấu vết để AI suy ra điều cần biết?”

Nguồn tham khảo

• Institute of Science Tokyo: “Working backward from results: how can AI tell what is happening inside a semiconductor?”, 25/8/2026.
• Institute of Science Tokyo: “Using machine learning to tackle complex inverse problems in semiconductor analysis”, 18/6/2026.
• Advanced Intelligent Systems: “Tandem Neural Network Rapidly Solves Multivalued Inverse Problems: Application to Oxide-Semiconductor Characterization”, 2026.
• Yokohama City University: thông cáo nghiên cứu về tandem neural network, 17/6/2026.
• “Shallow Trap States Control Electrical Performance of Amorphous Oxide Semiconductor Thin-Film Transistors”, 2026.