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

本发明专利技术公开了基于机器学习和模型的半导体器件电学特性仿真方法，包括步骤1、确定仿真模型；步骤2、确定结构参数或工艺参数；步骤3、获取数据集；步骤4、建立机器学习回归模型；步骤5、预测输入模型参数；步骤6、电学特性仿真。本发明专利技术利用机器学习和确定的仿真模型，实现了半导体器件从结构参数与工艺参数到电学特性的仿真，具有仿真速度快，收敛性好，节约计算资源等优点。同时该发明专利技术中构建的回归模型能实现从工艺参数到模型参数、工艺参数到结构参数、结构参数到模型参数的预测，能提高设计人员的设计效率，节省设计时间。节省设计时间。节省设计时间。

【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<br/>，漏区接触电阻R
dc
。传统的方法需要先由器件结构仿真或实验获得不同栅压下的输出特性曲线，关断特性曲线，电容电压特性曲线，再从中提取参数，尽管提取参数过程可以由程序以及IC
‑
CAP等工具实现，但每条半导体器件的相关特性曲线的TCAD仿真仍需数分钟，且有不收敛的情况发生。
[0004]另外，也存在利用机器学习技术建立机器学习模型直接预测器件电学特性的方法，其参数提取较为简单，然而，还存在着如下不足，有待进行改进：
[0005]1、对于结构复杂的器件，采用ANN的方法时，神经网络庞大，因而仿真计算量大，速度慢，且在偏置电压不断迭代时会导致不收敛问题，限制也影响了仿真的准确度。
[0006]2、采用ANN直接建模的方式属于黑盒式的建模，输入输出间关系表征不明确，缺乏半导体物理解释，不利于设计人员根据仿真结果调整器件结构。
[0007]因此，迫切需要一种快速简单且准确的半导体器件电学特性仿真方法。

技术实现思路

[0008]本专利技术要解决的技术问题是针对上述现有技术的不足，而提供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，该基于机器学习和模型的半导体器件电学特性仿真方法具有速度快收敛性好等优势，且能够建立器件工艺参数、结构参数与模型参数之间的相互关系，有利于设计者分析器件特性，减少设计周期。
[0009]为解决上述技术问题，本专利技术采用的技术方案是：
[0010]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，包括如下步骤。
[0011]步骤1、确定仿真模型：根据半导体器件的类型，确定用于其电路仿真的仿真模型，
并确定仿真模型的输入模型参数。
[0012]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。
[0013]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。
[0014]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。
[0015]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。
[0016]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。
[0017]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。
[0018]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。
[0019]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
。
[0020]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。
[0021]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；
[0022]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艺参数中的一种或组合；对于GaN HEMT，工艺参数为PECVD参数、刻蚀参数、光刻参数、电子束蒸发参数和溅射参数中的一种或组合。
[0023]步骤3中，通过仿真或实验获取数据集的方法，包括如下步骤：
[0024]步骤31、确定半导体器件结构参数或工艺参数的变化范围。
[0025]步骤32、确定结构参数：通过工艺仿真或实验实现不同工艺参数情况下的半导体器件，并提取步骤2中确定的结构参数。
[0026]步骤33、获取电学特性曲线：通过仿真或实验获得具有不同结构参数或工艺参数的半导体器件的电学特性曲线。
[0027]步骤34、提取输入模型参数：按照模型参数提取方法或使用参数提取工具，从步骤33中获得的电学特性曲线中提取半导体器件对应的输入模型参数。
[0028]步骤35、形成数据集，具体为：
[0029]A、将步骤32中每个半导体器件的工艺参数与结构参数一一对应，形成工艺参数到
结构参数的数据集。
[0030]B、将步骤32中每个半导体器件的工艺参数与步骤34提取的输入模型参数一一对应，形成工艺参数到输入模型参数的数据集。
[0本文档来自技高网...

【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：