【技术实现步骤摘要】
基于机器学习和模型的半导体器件电学特性仿真方法
[0001]本专利技术涉及半导体器件电学特性仿真领域,特别是一种基于机器学习和模型的半导体器件电学特性仿真方法。
技术介绍
[0002]21世纪,半导体器件领域飞速发展,其中,半导体器件的电学特性是设计人员对器件结构参数,工艺设计参数设计的重要依据。设计者期望在设计初期获得半导体器件的电学特性,从而调整结构参数和工艺参数使器件达到设计目标。
[0003]半导体器件电学特性的仿真具有重要意义。半导体器件电学特性的仿真依赖于计算机辅助设计工具(Technology Computer Aided Design,简称TCAD),但其存在仿真时间过长,收敛性差,电路仿真困难等问题。半导体器件模型可以较为简单地描述器件的工作特性,并在电路仿真软件中调用,仿真速度更快,收敛性较好且能进行大规模电路仿真,但模型参数提取往往极为复杂。例如IGBT的Hefner模型静态参数:大注入过剩载流子寿命τ
hl
,发射区饱和电子电流I
sne
,MOSFET饱和区跨导K
p
,阈值电压V
t
,线性区跨导与饱和区跨导的经验比例因子K
f
和横向场跨导因子θ。例如GaN HEMT的ASM与静态相关的模型参数:截止电压V
off
,亚阈值摆幅NFACTOR,低场迁移率μ0,迁移率退化因子μ
a
,沟道长度调制因子λ,饱和速度V
sat
,源区接触电阻R
sc< ...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习和模型的半导体器件电学特性仿真方法,其特征在于:包括如下步骤:步骤1、确定仿真模型:根据半导体器件的类型,确定用于电路仿真的仿真模型,并确定仿真模型的输入模型参数;步骤2、确定结构参数或工艺参数:确定对步骤1中输入模型参数具有影响的半导体器件的结构参数或工艺参数;步骤3、获取数据集:通过仿真或实验的方法,获取从结构参数到输入模型参数或从工艺参数到输入模型参数的数据集;步骤4、建立机器学习回归模型:根据步骤3获取的数据集,建立机器学习回归模型;机器学习回归模型能根据半导体器件的结构参数或工艺参数,进行步骤1中输入模型参数的预测;步骤5、预测输入模型参数:将待仿真半导体器件的结构参数或工艺参数,输入步骤4中建立的机器学习回归模型中,预测得到待仿真半导体器件对应的输入模型参数;步骤6、电学特性仿真:将步骤5预测得到的输入模型参数,代入步骤1确定的仿真模型中,并采用仿真模型对待仿真半导体器件进行电学特性的仿真。2.根据权利要求1所述的基于机器学习和模型的半导体器件电学特性仿真方法,其特征在于:步骤1中,仿真模型为基本电学性能模型或多物理场耦合模型;半导体器件为场效应晶体管、晶闸管、IGBT或二极管。3.根据权利要求2所述的基于机器学习和模型的半导体器件电学特性仿真方法,其特征在于:当半导体器件为IGBT时,仿真模型为Hefner模型;当半导体器件为场效应晶体管且为GaN HEMT时,仿真模型为ASM模型。4.根据权利要求3所述的基于机器学习和模型的半导体器件电学特性仿真方法,其特征在于:对于IGBT的Hefner模型,输入模型参数包括大注入过剩载流子寿命、发射区饱和电子电流、MOSFET饱和区跨导K
p
、阈值电压V
t
、线性区跨导与饱和区跨导的经验比例因子K
f
和横向场跨导因子θ;对于GaN HEMT的ASM模型,输入模型参数包括与静态特性相关的截止电压V
off
、亚阈值摆幅NFACTOR、低场迁移率
µ0、迁移率退化因子
µ
a
、沟道长度调制因子λ、饱和速度V
sat
、源区接触电阻R
sc
和漏区接触电阻R
dc
。5.根据权利要求4所述的基于机器学习和模型的半导体器件电学特性仿真方法,其特征在于:步骤3中,数据集为从结构参数到输入模型参数的数据集;对于IGBT,结构参数包括冶金基区宽度、冶金基区掺杂浓度、沟道长度、沟道掺杂浓度和阳极区掺杂浓度;对于GaN HEMT,结构参数包括栅漏长度、栅源长度、栅长和AlGaN势垒层厚度。6.根据权利要求4所述的基于机器学习和模型的半导体器件电学特性仿真方法,其特征在于:步骤3中,数据集为从工艺参数到结构参数的数据集或从工艺参数到输入模型参数的数据集;其中,对于IGBT,工艺参数为离子注入工艺参数、氧化扩散工艺参数、光刻工艺参数、腐蚀工艺参数和金属化工...
【专利技术属性】
技术研发人员:郭宇锋,姚清,陈静,张珺,姚佳飞,代玙璇,张茂林,刘建华,
申请(专利权)人:南京邮电大学南通研究院有限公司,
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。