基于神经网络的FinFET器件性能预测及结构优化方法技术

本发明专利技术涉及微电子器件技术与人工智能技术领域领域，具体涉及基于神经网络的F i nFET器件性能预测及结构优化方法。本发明专利技术使用神经网络对F i nFET器件结构和电学性能之间的关系进行学习，从而可以根据F i nFET器件结构快速预测出F i nFET器件的电学性能，也可根据F i nFET器件的电学性能获得优化的F i nFET器件结构，很好地解决了传统的数值模拟方法的开发周期长、效率低、成本高的问题，满足了F i nFET器件快速发展的需求。nFET器件快速发展的需求。nFET器件快速发展的需求。

【技术实现步骤摘要】
基于神经网络的FinFET器件性能预测及结构优化方法


[0001]本专利技术涉及微电子器件技术与人工智能
领域，具体涉及基于神经网络的FinFET(FinField
‑
Effect Transistor，鳍式场效应晶体管)器件性能预测及结构优化方法。

技术介绍

[0002]随着器件的特征尺寸不断减小，特别是进入到纳米时代后，场效应晶体管中的非理想效应，如短沟效应、量子效应、寄生效应以及参数不稳定等对器件性能的影响越来越突出，器件的进一步缩小受到来自于器件结构、材料以及工作机制等诸多方面的严重限制。而FinFET器件不仅可以通过增强栅控能力来抑制短沟道效应、改善亚阈值特性，又有着与传统工艺兼容的优势。
[0003]然而，传统的研发新器件、新材料的方法存在耗时长、成本高、门槛高和效率低的问题，难以满足多样化的需求。随着信息科学的进一步发展，很多领域对器件和材料的需求日益增加，促使研究人员寻找更多样的解决方式，神经网络的快速发展又为新器件、新材料的研发提供了另一种选择。

技术实现思路

[0004]针对现有技术中存在的问题，本专利技术的目的在于基于神经网络的FinFET器件性能预测及结构优化方法。
[0005]为了达到上述目的，本专利技术采用以下技术方案予以实现。
[0006]技术方案一：
[0007]基于神经网络的FinFET器件性能预测方法，包括以下步骤：
[0008]步骤1，获取多组FinFET器件的结构参数及其相应的电性能参数，作为样本集；
[0009]其中，FinFET器件的结构参数包含Fin宽、Fin高、源区高斯掺杂浓度、漏区高斯掺杂浓度和沟道长度；FinFET器件的电性能参数包含直流特性参数和交流特性参数，所述直流特性参数包含阈值电压、平均亚阈值摆幅、跨导和电流开关比，所述交流特性参数为截止频率；
[0010]步骤2，将样本集的多组数据按比例随机划分为训练集、验证集；分别对训练集、验证集的FinFET器件的结构参数进行标准化处理，分别对训练集和验证集的FinFET器件的电性能参数进行归一化处理；
[0011]步骤3，构建卷积神经网络预测模型；
[0012]步骤4，使用训练集和验证集对卷积神经网络预测模型进行训练，利用反向传播法对卷积神经网络预测模型的网络参数进行迭代更新，得到训练后的预测模型；
[0013]步骤5，向训练后的卷积神经网络预测模型输入需要预测电性能参数的FinFET器件的结构参数，得到测试集的FinFET器件电性能参数的预测结果。
[0014]技术方案二：
[0015]基于神经网络的FinFET器件结构优化方法，包括以下步骤：
[0016]步骤1，获取多组FinFET器件的电性能参数及其相应的结构参数，作为样本集；
[0017]其中，FinFET器件的电性能参数包含直流特性参数和交流特性参数，所述直流特性参数包含阈值电压、平均亚阈值摆幅、跨导和电流开关比，所述交流特性参数为截止频率；FinFET器件的结构参数包含Fin宽、Fin高、源区高斯掺杂浓度、漏区高斯掺杂浓度和沟道长度；
[0018]步骤2，将样本集的多组数据按比例随机划分为训练集、验证集；分别对训练集、验证集的FinFET器件的电性能参数进行标准化处理，分别对训练集和验证集的FinFET器件的结构参数进行归一化处理；
[0019]步骤3，构建卷积神经网络预测模型；
[0020]步骤4，使用训练集和验证集对卷积神经网络预测模型进行训练，利用反向传播法对卷积神经网络预测模型的网络参数进行迭代更新，得到训练后的预测模型；
[0021]步骤5，向训练后的卷积神经网络预测模型输入需要预测结构参数的FinFET器件电性能参数，得到测试集的FinFET器件结构参数的预测结果。
[0022]与现有技术相比，本专利技术的有益效果为：使用神经网络对FinFET器件结构和电学性能之间的关系进行学习，从而可以根据FinFET器件结构快速预测出FinFET器件的电学性能，也可根据FinFET器件的电学性能获得优化的FinFET器件结构，很好地解决了传统的数值模拟方法的开发周期长、效率低、成本高的问题，满足了FinFET器件快速发展的需求。
附图说明
[0023]下面结合附图和具体实施例对本专利技术做进一步详细说明。
[0024]图1为本专利技术实施例1使用的FinFET器件的结构示意图；
[0025]图2为本专利技术实施例1使用的FinFET器件的转移特性曲线；
[0026]图3为本专利技术的卷积神经网络预测模型的结构示意图；
[0027]图4为本专利技术实施例1中，测试集FinFET器件电性能参数的预测值与测试集FinFET器件电性能参数的真实值的对比图；图4(a)为阈值电压的预测值与真实值的对比图；图4(b)为跨导的预测值与真实值的对比图；图4(c)为亚阈值摆幅的预测值与真实值的对比图；图4(d)为电流开关比的预测值与真实值的对比图；图4(e)为截止频率的预测值与真实值的对比图。
[0028]附图标记说明：1源区、2漏区、3衬底、4栅极、5场氧化层、6Fin区。
具体实施方式
[0029]下面将结合实施例对本专利技术的实施方案进行详细描述，但是本领域的技术人员将会理解，下列实施例仅用于说明本专利技术，而不应视为限制本专利技术的范围。
[0030]实施例1
[0031]基于神经网络的FinFET器件性能预测方法，包括以下步骤：
[0032]步骤1，获取4077组FinFET器件的结构参数及其相应的电性能参数，作为样本集；
[0033]其中，FinFET器件的结构参数包含Fin宽、Fin高、源区高斯掺杂浓度、漏区高斯掺杂浓度和沟道长度；FinFET器件的电性能参数包含直流特性参数和交流特性参数，所述直
流特性参数包含阈值电压、平均亚阈值摆幅、跨导和电流开关比，所述交流特性参数为截止频率；
[0034]即每组数据包含Fin宽、Fin高、源区高斯掺杂浓度、漏区高斯掺杂浓度、沟道长度、阈值电压、亚阈值摆幅、跨导、电流开关比和截止频率；
[0035]具体的，所述阈值电压为FinFET器件漏电流达到1
×
10
‑8A/μm时的栅压；
[0036]所述电流开关比为FinFET器件栅压为1V时的漏电流与FinFET器件栅压为0V时的漏电流的比值；
[0037]所述平均亚阈值摆幅S的计算公式如式(1)：
[0038][0039]式(1)中，V
g
为FinFET器件的栅极电压，I
ds
为FinFET器件栅极电压为V
g
时的漏电流；
[0040]所述跨导g
m
的计算公式如式(2)：
[0041][0042]式(2)中，I
ds
是FinFET器件的源漏间电流，V
g
为FinFET本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于神经网络的FinFET器件性能预测方法，其特征在于，包括以下步骤：步骤1，获取多组FinFET器件的结构参数及其相应的电性能参数，作为样本集；其中，FinFET器件的结构参数包含Fin宽、Fin高、源区高斯掺杂浓度、漏区高斯掺杂浓度和沟道长度；FinFET器件的电性能参数包含直流特性参数和交流特性参数，所述直流特性参数包含阈值电压、平均亚阈值摆幅、跨导和电流开关比，所述交流特性参数为截止频率；步骤2，将样本集的多组数据按比例随机划分为训练集、验证集；分别对训练集、验证集的FinFET器件的结构参数进行标准化处理，分别对训练集和验证集的FinFET器件的电性能参数进行归一化处理；步骤3，构建卷积神经网络预测模型；步骤4，使用训练集和验证集对卷积神经网络预测模型进行训练，利用反向传播法对卷积神经网络预测模型的网络参数进行迭代更新，得到训练后的预测模型；步骤5，向训练后的卷积神经网络预测模型输入需要预测电性能参数的FinFET器件的结构参数，得到测试集的FinFET器件电性能参数的预测结果。2.根据权利要求1所述的基于神经网络的FinFET器件性能预测方法，其特征在于，卷积神经网络预测模型的输入为FinFET器件结构参数，卷积神经网络预测模型的输出为FinFET器件电性能参数；卷积神经网络预测模型包含依次连接的输入层、特征扩展模块、特征提取模块、全连接模块和输出层；输入层用于FinFET器件结构参数的输入；输入层的神经元个数与FinFET器件结构参数的个数相同；所述特征扩展模块包含多个依次级联的特征扩展层和一维转置卷积层；每个特征扩展层包含全连接层和批量归一化层；特征提取模块包含依次连接的双分支卷积单元和卷积单元；双分支卷积单元包含两条通道，一条通道包含多个卷积核组成的一维卷积层和批量归一化层，另一条通道包含一个卷积核组成的卷积层和批量归一化层，双分支卷积单元最终将两条通道的输出特征进行拼接后输出；卷积单元包含卷积层，卷积单元用于对双分支卷积单元输出的特征进行卷积；全连接模块包含多个依次连接的全连接层；全连接模块用来进行FinFET器件电性能参数的预测；输出层用于FinFET器件电性能参数的输出；输出层的神经元个数与FinFET器件电性能参数的个数相同。3.基于神经网...

【专利技术属性】
技术研发人员：王树龙，刘海宇，赵银锋，刘晨钰，赵蓉，马兰，马浩，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：