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，具体涉及基于神经网络的GaN JBS二极管器件性能预测方法。本发明专利技术充分利用神经网络深度学习根据数据自动提取特征的特点，将其应用于GaN JBS二极管器件性能的预测，从而快速预测器件性能，并根据预测结果调整输入结构来优化器件特性；弥补了传统器件仿真和实验测试方法周期长、效率低、耗时耗力的不足，快速便捷地建立起由GaN JBS二极管器件结构与性能指标之间的关联，能够加速GaN JBS二极管性能预测的研究，降低预期性能指标下器件结构的设计难度。度。度。
【技术实现步骤摘要】
基于神经网络的GaN JBS二极管器件性能预测方法
[0001]本专利技术涉及微电子器件技术与人工智能
，具体涉及基于神经网络的GaN JBS(Junction Barrier Schottky，结势垒肖特基)二极管器件性能预测方法。
技术介绍
[0002]氮化镓GaN作为第三代半导体的代表，具有宽禁带、高临界击穿电场、高电子迁移率和高热导率等特性，是制作功率器件的理想材料。当今，GaN器件一直处于高速发展阶段，目前JBS二极管应用广泛，通过折衷PIN二极管和肖特基二极管的优点，能够同时拥有较低的正向导通电阻和较高的反向击穿电压，可以显著提高电力电子系统的性能。
[0003]然而，GaN JBS二极管的正向导通电阻和击穿电压受P+区多项参数影响，加上传统器件仿真和实验测试方法周期长、效率低，因此设计起来需要耗费很多人力工作。而神经网络的快速发展为快速预测器件和材料结构或者性质提供了另一种选择，可利用其根据数据自动提取特征的便利，免除了高昂的入门成本及人为因素的干扰，在保证准确性的同时，可降低计算成本，缩短开发周期。
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提供基于神经网络的GaN JBS二极管器件性能预测方法，减少GaN JBS二极管器件的设计成本，且快速获得GaN JBS二极管器件的性能指标参数。
[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]基于神经网络的GaN JBS二极管器件性能预测方法，包括以下步骤：
[0007]步骤1，构建仿真GaN JBC二极管，不断改变仿真GaN JBC二极管的漂移区掺杂浓度、P+区宽度与相邻P+区间距的比值、P+区掺杂浓度、P+区注入深度，获得对应的仿真GaN JBC二极管的正向导通电阻和反向击穿电压；将每组漂移区掺杂浓度、P+区宽度与相邻P+区间距的比值、P+区掺杂浓度、P+区注入深度及对应的正向导通电阻和反向击穿电压作为一组样本；所有样本构成样本集；
[0008]步骤2，对样本集数据进行预处理，将样本集数据按比例随机划分为训练集和验证集；
[0009]步骤3，构建卷积神经网络预测模型；
[0010]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和验证，获得训练完成的卷积神经网络预测模型；
[0011]步骤5，将要预测器件性能的GaN JBC二极管的漂移区掺杂浓度、P+区宽度与相邻P+区间距的比值、P+区掺杂浓度、P+区注入深度输入训练完成的卷积神经网络预测模型，获得该GaN JBC二极管的正向导通电阻和反向击穿电压的预测结果。
[0012]与现有技术相比，本专利技术的有益效果为：充分利用神经网络深度学习根据数据自动提取特征的特点，将其应用于GaN JBS二极管器件性能的预测，从而快速预测器件性能，
并根据预测结果调整输入结构来优化器件特性；弥补了传统器件仿真和实验测试方法周期长、效率低、耗时耗力的不足，快速便捷地建立起由GaN JBS二极管器件结构与性能指标之间的关联，能够加速GaN JBS二极管性能预测的研究，降低预期性能指标下器件结构的设计难度。
附图说明
[0013]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。
[0014]图1是本专利技术基于神经网络的GaN JBS二极管器件性能预测方法的流程图；
[0015]图2是本专利技术实施例中仿真的GaN JBS二极管器件的剖面图；
[0016]图3是本专利技术的卷积神经网络预测模型的结构图；
[0017]图4是卷积神经网络预测模型中双分支卷积层的结构图；
[0018]图5是测试集的性能预测结果与真实值的对比图；图5(a)是反向击穿电压的预测结果与真实值的对比图；图5(b)是正向导通电阻的预测结果与真实值的对比图。
[0019]附图标记说明：1N型GaN衬底、2N型GaN漂移区、3P+区、4阳极电极、5阴极电极。
具体实施方式
[0020]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。
[0021]参考图1，基于神经网络的GaN JBS二极管器件性能预测方法，包括以下步骤：
[0022]步骤1，构建仿真GaN JBC二极管，不断改变仿真GaN JBC二极管的漂移区掺杂浓度、P+区宽度与相邻P+区间距的比值、P+区掺杂浓度、P+区注入深度，获得对应的仿真GaN JBC二极管的正向导通电阻和反向击穿电压；将每组漂移区掺杂浓度、P+区宽度与相邻P+区间距的比值、P+区掺杂浓度、P+区注入深度及对应的正向导通电阻和反向击穿电压作为一组样本；所有样本构成样本集；
[0023]使用TCAD软件构建仿真GaN JBS二极管；参考图2，为本实施例使用的GaN JBS二极管器件，包括N型GaN衬底1、N型GaN漂移区2、P+区3、阳极电极4、阴极电极5，P+区3位于N型GaN漂移区2内，阳极电极4与N型GaN漂移区2之间形成肖特基接触，阴极电极5与N型GaN衬底1之间形成欧姆接触；本实施例构建的GaN JBS二极管器件具有普适性同时具有符合半导体工艺要求的垂直结构；其中，衬底掺杂浓度为1.00
×
10
19
/cm3，厚度为10μm；N型GaN漂移区厚度为5μm；
[0024]不断改变仿真GaN JBC二极管的漂移区掺杂浓度、P+区宽度与相邻P+区间距的比值、P+区掺杂浓度、P+区注入深度；
[0025]漂移区掺杂浓度分别取3.00
×
10
15
/cm3、4.00
×
10
15
/cm3、5.00
×
10
15
/cm3、6.00
×
10
15
/cm3、7.00
×
10
15
/cm3、8.00
×
10
15
/cm3、9.00
×
10
15
/cm3、1.00
×
10
16
/cm3；P+区宽度与相邻P+区间距的比值分别取1:9、2:8、3:7、4:6、5:5、6:4；P+区掺杂浓度分别取3.00
×
10
17
/cm3、4.00
×
10
17
/cm3、5.00
×
10
17
/cm3、6.00
×
10
17
/cm3、7.00
×
10
17
/cm3、8.00
×
10
17
/cm3、9.00
××
10
17
/cm3、1.00
×
10
18
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GaN JBS二极管器件性能预测方法，其特征在于，包括以下步骤：步骤1，构建仿真GaN JBC二极管，不断改变仿真GaN JBC二极管的漂移区掺杂浓度、P+区宽度与相邻P+区间距的比值、P+区掺杂浓度、P+区注入深度，获得对应的仿真GaN JBC二极管的正向导通电阻和反向击穿电压；将每组漂移区掺杂浓度、P+区宽度与相邻P+区间距的比值、P+区掺杂浓度、P+区注入深度及对应的正向导通电阻和反向击穿电压作为一组样本；所有样本构成样本集；步骤2，对样本集数据进行预处理，将样本集数据按比例随机划分为训练集和验证集；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和验证，获得训练完成的卷积神经网络预测模型；步骤5，将要预测器件性能的GaN JBC二极管的漂移区掺杂浓度、P+区宽度与相邻P+区间距的比值、P+区掺杂浓度、P+区注入深度输入训练完成的卷积神经网络预测模型，获得该GaN JBC二极管的正向导通电阻和反向击穿电压的预测结果。2.根据权利要求1所述的基于神经网络的GaN JBS二极管器件性能预测方法，其特征在于，步骤2中的预处理，具体的，为对漂移区掺杂浓度、P+区宽度与相邻P+区间距的比值、P+区掺杂浓度、P+区注入深度进行标准化处理，对正向导通电阻和反向击穿电压进行归一化处理。3.根据权利要求1所述的基于神经网络的GaN JBS二极管器件性能预测方法，其特征在于，步骤3的卷积神经网络预测模型，具体的，卷积神经网络预测模型的输入为漂移区掺杂浓度、P+区宽度与相邻P+区间距的比值、P+区掺杂浓度、P+区注入深度，卷积神经网络预测模型的输出为正向导通电阻和反向击穿电压；卷积神经...
【专利技术属性】
技术研发人员：段小玲，马浩，王树龙，张进成，张金风，郝跃，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。