一种基于神经网络技术的半导体器件建模方法技术

本发明专利技术公开了一种基于神经网络技术的半导体器件建模方法，包括以下步骤：步骤1）对神经网络部分纬度进行高阶泰勒展开，实现神经网络的降维处理；步骤2）利用降维后的神经网络对半导体器件的端口电压电流特性、半导体器件的漂移效应进行建模；本发明专利技术有效降低网络空间复杂度，减小网络训练时过拟合的风险，可用于半导体器件或电路系统的建模中。

A modeling method of semiconductor devices based on neural network technology

【技术实现步骤摘要】
一种基于神经网络技术的半导体器件建模方法
本专利技术涉及一种神经网络建模技术，特别涉及一种半导体器件建模方法。
技术介绍
随着半导体工业的快速发展，新的材料系统以及新的工艺被不断引入来生产高性能半导体器件，并且这个过程迭代的如此之快，以至于传统的建模方法已经无法满足工业应用的要求。神经网络技术因为其强大的拟合能力，被广泛引入到半导体或者电路系统建模领域，比如是德科技(Keysignt)开发的晶体管商业模型NeuroFET,DynaFET等都是基于人工神经网络技术。然而神经网络在训练时，如果数据量较小，则很容易陷入过拟合，这个问题会影响神经网络的收敛性，甚至出现非物理的结果，从而阻碍其进一步被大范围工业应用。
技术实现思路
本专利技术的目的是提供一种基于神经网络技术的半导体器件建模方法，有效降低网络空间复杂度，减小网络训练时过拟合的风险。本专利技术的目的是这样实现的：一种基于神经网络技术的半导体器件建模方法，包括以下步骤：步骤1)对神经网络部分纬度进行高阶泰勒展开，实现神经网络的降维处理；步骤2)利用降维后的神经网络对半导体器件的端口电压电流特性、半导体器件的漂移效应进行建模。作为本专利技术的进一步限定，步骤1)中降维的具体方法为：首先定义一个多维度神经网络f(p,q)，其中p＝(x1,x2,…,xN)|1×N,q＝(y1,y2,…,yM)|1×Mq代表了近似线性或者数据量相对较少的维度，p代表了高度非线性，或数据量充足的维度；对神经网络f(p,q)中的维度q泰勒展开得到：其中，q0是静态展开点，是在静态展开点处的雅克比，是静态展开点的海森矩阵，它们定义为：全连接前向神经网络f(p,q)的维度为N+M，对维度q泰勒展开后，神经网络维度被降低为N维，其中f(p,q0),都是由N维神经网络来表征。作为本专利技术的进一步限定，步骤2)中的对半导体器件的漂移效应进行建模具体为：把引起漂移效应的维度引入到电流源中，并对这些维度进行泰勒展开，其余维度使用神经网络来表征；使用端口时域波形来训练电流源；把引起漂移效应的维度引入到电荷源中，并对这些维度进行泰勒展开，其余维度使用神经网络来表征；使用端口时域波形来训练电荷源；把训练好的电流源和电荷源导入到电路仿真软件，封装成模型。作为本专利技术的进一步限定，训练电流源时还可使用电流电压测试数据；训练电荷源时还可使用多偏置散射参数测试数据。与现有技术相比，本专利技术的有益效果在于：1)显著降低神经网络的复杂性，在计算机上部署神经网络时，极大地降低了计算资源，并且提高了模型在仿真器(如AdvancedDesignSystem)中的收敛性；2)降低了神经网络过拟合的风险，特别是对于数据量很少的维度(比如温度这个维度只采样了25摄氏度和100摄氏度)，那么全连接神经网络必然会导致过拟合，从而导致模型不可用；3)降低了对测试数据量的要求，比如商用晶体管模型DynaFET的测试需要一周不间断的测试，如果对某些维度(比如温度和陷阱)展开，那么可以极大的缩减测试时间；4)减少了模型训练时间，这是因为经过降维后的神经网络的神经元显著减少，待优化的变量显著减少，当神经网络的维度越大，这个优势越明显。附图说明图1为本专利技术中全连接前向神经网络结构图。图2为本专利技术中氮化镓晶体管电流源全连接前向神经网络模型示意图。图3为本专利技术中氮化镓晶体管电流源降维前向神经网络模型示意图。图4为本专利技术中氮化镓晶体管电荷源全连接前向神经网络模型示意图。图5为本专利技术中氮化镓晶体管电荷源降维前向神经网络模型示意图。图6为本专利技术中砷化镓晶体管电流源全连接前向神经网络模型示意图。图7为本专利技术中砷化镓晶体管电流源降维前向神经网络模型示意图。图8为本专利技术中砷化镓晶体管电荷源全连接前向神经网络模型示意图.图9为本专利技术中砷化镓晶体管电荷源降维前向神经网络模型示意图。具体实施方式首先阐述这种神经网络降维的理论方法，然后结合多个涉及半导体器件或者电路系统的建模案例，进一步展示这种方法。首先定义一个多维度神经网络f(p,q),其中：p＝(x1,x2,…,xN)|1×N,q＝(y1,y2,…,yM)|1×Mq代表了近似线性或者数据量相对较少的维度，p代表了高度非线性，或数据量充足的维度；传统的神经网络f(p,q)对所有维度p+q，使用全连接的神经网络训练；如图1所示；对神经网络f(p,q)中的维度q泰勒展开得到：其中q0是静态展开点,是在静态展开点处的雅克比,是静态展开点的海森矩阵，他们定义为全连接前向神经网络f(p,q)的维度为N+M，对维度q泰勒展开后，神经网络维度被降低为N维，其中f(p,q0),都是由N维神经网络来表征。下面结合几个例子来说明。1.氮化镓晶体管降维神经网络建模案例为了阐述方便，这个例子只给出泰勒一阶展开的情况；氮化镓基晶体管建模的关键在于对电流源和电荷源的建模；下面表格列出了电流源的控制变量：表1.氮化镓基晶体管电流源的控制变量电流源的神经网络表达式为其全连接的神经网络见图2；令p＝(Vgs,Vds),对维度一阶泰勒展开，则：其中q0为静态展开点，在这个例子中，我们令静态展开点为q0＝[000]，记Id(p,q0)＝Id0(p)＝Id0(Vgs,Vds)则有其中Id0(Vgs,Vds),FG(Vgs,Vds),FD(Vgs,Vds),FT(Vgs,Vds)分别为降维后的子神经网络，降维后的电流源的神经网络示意图如图3所示；接下就可以使用晶体管的时域波形数据或者窄脉冲静态电压电流测试数据对沟道电流(即电流源)进行训练；我们以时域波形数据为例，从时域波形中，降维神经网络输入变量可以从波形数据中获得：Vgs＝Vgs(t),Vds＝Vds(t)也即栅极陷阱为栅极电压时域波形的最小值，漏极陷阱为漏极电压时域波形的最大值，沟道温度Tj为环境温度和自热效应的叠加。降维神经网络的输出为Id＝Id(t)。氮化镓晶体管的电荷源的全连接神经网络如图4所示，电荷源的降维神经网络建模方法与上述电流源一致，表2列出了电荷源的受控变量以及相应由人工神经网络表征的维度，以及由泰勒展开表征的维度。表2.氮化镓基晶体管电荷源的控制变量对漂移效应的那些维度进行泰勒展开，如下所示其中q0为静态展开点,在这个例子中，我们令静态展开点为q0＝[000]，记Q(p,q0)＝Q0(p)＝Q0(Vgs,vds)则有其中Q0(Vgs,Vds),FQG(Vgs,Vds),FQD(Vgs,Vds),FQT(Vgs,Vds)分别为降维后的子神经网络，降维后的电流源的神经网络示意图如图5所示；接下就可以使用晶体管的时域波形数据或者窄脉冲多偏置散射参数测试数据对电荷源进行训练。2.砷化镓晶体管降维神经网络建模案例砷化镓晶体管电流源的神经网络表达式为Id＝Id(Vgs,Vds,Tj)，其全连接的神经网络如图6所示；砷化镓基晶体管电流源的控制变量见表格3：表3.砷化镓基晶体管电流源的控制变量对沟道温度这个维度在Tj＝0处进行二阶泰勒展开得到Id(Vgs,Vds,Tj)≈Id0(Vgs,Vds)+JId(Vgs,Vds)·Tj+HId(Vgs,Vds)(Tj)2其中Id0(Vgs,Vds),JId(Vgs,Vds),HId(Vgs,Vds)分别为降维后的子神经网络，降维后的电流源的神经网络示意图如图7所本文档来自技高网...

【技术保护点】
一种基于神经网络技术的半导体器件建模方法，其特征在于，包括以下步骤：步骤1)对神经网络部分纬度进行高阶泰勒展开，实现神经网络的降维处理；步骤2)利用降维后的神经网络对半导体器件的端口电压电流特性、半导体器件的漂移效应进行建模。

【技术特征摘要】
1.一种基于神经网络技术的半导体器件建模方法，其特征在于，包括以下步骤：步骤1)对神经网络部分纬度进行高阶泰勒展开，实现神经网络的降维处理；步骤2)利用降维后的神经网络对半导体器件的端口电压电流特性、半导体器件的漂移效应进行建模。2.根据权利要求1所述的一种基于神经网络技术的半导体器件建模方法，其特征在于，步骤1)中降维的具体方法为：首先定义一个多维度神经网络f(p,q)，其中p＝(x1,x2,…,xN)|1×N,q＝(y1,y2,…,yM)|1×Mq代表了近似线性或者数据量相对较少的维度，p代表了高度非线性，或数据量充足的维度；对神经网络f(p,q)中的维度q泰勒展开得到：其中，q0是静态展开点，是在静态展开点处的雅克比，是静态展开点的海森矩阵，它们定义为：

【专利技术属性】
技术研发人员：黄安东，姚鸿，仲正，
申请(专利权)人：苏州芯智瑞微电子有限公司，
类型：发明
国别省市：江苏,32