本发明专利技术公开了基于GRU的GaN HEMT小信号模型建模方法，本发明专利技术包括不同偏置状态、工作频率条件和温度下的行为特性的拟合与预测。所述晶体管行为特性建模方法，采用门控循环单元技术，根据晶体管的输入输出变化规律，通过对模型参数的优化和数据的处理，进一步提升了基GaN晶体管输出行为特性的精确率，建立了高精度和能有效表征小信号行为的晶体管模型。度和能有效表征小信号行为的晶体管模型。度和能有效表征小信号行为的晶体管模型。
【技术实现步骤摘要】
基于GRU的GaN HEMT小信号模型建模方法
[0001]本专利技术涉及微电子器件建模领域，尤其是一种基于门控循环单元网络的GaN晶体管小信号行为模型的建模方法。
技术介绍
[0002]氮化镓(GaN)是一种直接能隙的半导体，它是极稳定的化合物，具有高的电离度，在Ⅲ－
Ⅴ
族化合物中是最高的。GaN材料的研究与应用是目前全球半导体研究的前沿和热点，是研制微电子器件、光电子器件的新型半导体材料，并与SIC、金刚石等半导体材料一起，被誉为是继第一代Ge、Si半导体材料、第二代GaAs、InP化合物半导体材料之后的第三代半导体材料。宽禁带半导体GaN材料具有大禁带宽度、高电子饱和速度、击穿场强及电子迁移率等优异特性。
[0003]GaN高电子迁移率晶体管(HEMT)是一种异质结场效应晶体管，利用具有很高迁移率的二维电子气来工作，其结构的高电子迁移率、高的饱和速度、较低的介电常数，是制作微波器件的优先材料。这种器件能够很好的应用于超高频(毫米波)、超高速领域，目前在GaN微波射频领域取得了显著的成效，成为了无线基站及军事应用中功率放大器具有潜力的器件，在雷达、5G通信、航空航天等领域不断展现其重大的发展和应用意义。
[0004]GaN器件虽然性能优越，但其电气特性复杂，会降低电路的设计效率，无法充分发挥器件的性能，且因为对GaN基器件的研究历史比较短，在微波领域有着强大应用潜力的GaN HEMT的大小信号建模研究成果都相对较少。目前较多的是套用MESFET相关模型，由于HEMT和MESFET在工作原理上有所不同，再加上GaN HEMT器件自身特有的性能，所以套用MESFET相关模型时，误差在所难免。模型精度和建模技术的可行性是满足功率器件需求性能和器件产业化发展的关键所在，建立与开发精确的GaN HEMT小信号行为模型，对提高GaN器件设计效率至关重要，长期以来一直受到半导体业界人士的关注，是目前急需突破的重要领域。
[0005]现有的GaN HEMT小信号模型，大多是在分析器件工作原理的基础上，构建一个简单的器件模型，并对该器件作相关仿真、分析与优化设计，但大多所构建的行为模型仍然存在较大的误差，很难满足器件模型极高精度的要求，因此如果要充分发挥GaN HEMT器件的优越性能，需要有高精度的描述晶体管行为特性的建模方法。
技术实现思路
[0006]本专利技术克服了现有技术的不足，提出一种基于门控循环单元网络的GaN HEMT器件小信号行为模型的建模方法，解决现有的GaN HEMT器件行为模型建模精度低的问题，建立了能精准的拟合GaN HEMT器件非线性行为和具有优秀泛化能力的模型。
[0007]本专利技术的技术方案如下：
[0008]一种基于门控循环单元网络的GaN HEMT器件小信号行为模型的建模方法，具体包括如下步骤：
[0009]101)模型建立步骤：在宽频带状态下，测量GaN HEMT器件得出的S参数特征样本集合为n代表样本总数量，t代表当前频率点，其中x
t
∈R
d
，y
t
∈R，y
t
表示S参数当前频率点的实部或者虚部R代表实数集，d代表实数集的维度。网络中通过两个门处理输入数据：重置门和更新门。所有的运算可以由如下公式描述：
[0010]重置门:
[0011]r
t
＝σ(W
r
·
[x
t
,h
t
‑1]+b
r
)
ꢀꢀ
公式(1)
[0012][0013][0014]更新门：
[0015]z
t
＝σ(W
z
·
[x
t
,h
t
‑1]+b
z
)
ꢀꢀ
公式(4)
[0016]状态更新：
[0017][0018]其中σ(
·
)代表激活函数，W
r
,W,and W
z
代表各个门中对应的权重矩阵。b
r
,b,and b
z
为各个门中对应的偏置项。为矢量乘法，其中h
t
为当前时刻输出值。
[0019]102)损失函数步骤：公式(5)中得到的当前频率的输出h
t
与实际测量数据y
t
之间的误差用均方误差函数衡量：
[0020][0021]103)模型训练步骤：步骤101)中的权重与偏置需要根据MSE不断进行优化以达到最佳拟合效果。对于门控循环单元(GRU)网络来说最常使用的参数学习方法有以下几种：
[0022]1.随机梯度下降：
[0023]设f(x；θ)为需要训练的某一神经网络，θ为待优化的网络参数，L()表征为可微分的损失函数，选取K个训练样本，第t次迭代时损失函数对于参数θ的偏导数为：
[0024][0025]每次迭代时参数更新的差值Δθ
t
为：
[0026]Δθ
t
＝
‑
αg
t
ꢀꢀ
公式(8)
[0027]参数每次迭代时的更新方向为Δθ
t
且与梯度g
t
完全一样；t同上表示迭代次数；
[0028]2.RMSprop(Root Mean Square prop)算法：
[0029]该算法首先计算每次迭代梯度平方的指数衰减移动平均：
[0030][0031]其中β为衰减率，默认值为0.9；t表示迭代次数，
[0032]每次迭代时参数更新的差值Δθ
t
为：
[0033][0034]其中α为初始学习率，默认0.001。
[0035]3.Adam(Adaptive Moment Estimation)算法：
[0036]该算法同时计算梯度平方的指数加权平均与g
t
的指数加权平均：
[0037]M
t
＝β1M
t
‑1+(1
‑
β1)g
t
ꢀꢀ
公式(11)
[0038][0039]衰减率β1和β2默认为0.9和0.999；为矢量乘法，t表示迭代次数，M
t
和G
t
分别看作梯度的均值和未减去均值的方差；
[0040]为避免较大偏差，需在迭代初期进行修正：
[0041][0042][0043][0044]初始学习率α默认为0.001，ε设置为10
‑8。
[0045]3.Nadam(Nesterov Adam)算法：
[0046]基本原理与Adam算法相同，差异主要体现在如下偏差修正公式：
[0047][0048]偏差修正中不仅更新了当前时间步的还更新下一时间步的更新：...
【技术保护点】
【技术特征摘要】
1.基于GRU的GaN HEMT小信号模型建模方法，其特征在于：具体包括如下步骤：101)模型建立步骤：在宽频带状态下，测量GaN HEMT器件得出的S参数特征样本集合为n代表样本总数量，t代表当前频率点，其中x
t
∈R
d
，y
t
∈R，y
t
表示S参数当前频率点的实部或者虚部，R代表实数集，d代表实数集的维度；网络中通过单元两个门处理输入数据：重置门和更新门；所有的运算由如下公式描述：重置门:r
t
＝σ(W
r
·
[x
t
,h
t
‑1]+b
r
)
ꢀꢀꢀꢀꢀ
公式(1)公式(1)更新门：z
t
＝σ(W
z
·
[x
t
,h
t
‑1]+b
z
)
ꢀꢀꢀꢀꢀ
公式(4)状态更新：其中σ(
·
)代表激活函数，W
r
,W,and W
z
代表各个门中对应的权重矩阵；b
r
,b,and b
z
为各个门中对应的偏置项；为矢量乘法，其中h
t
为当前时刻输出值；102)损失函数步骤：公式(5)中得到的当前频率的输出h
t
与实际测量数据y
t
之间的误差用均方误差函数衡量：103)模型训练步骤：步骤101)中的权重与偏置需要根据MSE不断进行优化以达到最佳拟合效果；104)通过选择合适的超参数，以及优化器的应用，最终选取最优模型参数来拟合测试数据达到预测器件小信号行为。2.根据权利要求1所述的基于GRU的GaN HEMT小信号模型建模方法，其特征在于，所述的宽频带为从1GHz到65GHz，温度为从35℃到200℃。3.根据权利要求1所述的基于GRU的GaN HEMT小信号模型建模方法，其特征在于，所述的实际测量包括GaN HEMT器件在不同操作条件下的四个非线性S参数特性。4.根据权利要求1所述的基于GRU的GaN HEMT小信号模型建模方法，其特征在于：门控循环单元网络参数学习方法为随机梯度下降法；具体为：设f(x；θ)为需要训练的某一神经网络，θ为待优化的网络参数，L()表征为可微分的损失函数，选取K个...
【专利技术属性】
技术研发人员：蔡佳林，朱泽根，
申请(专利权)人：杭州电子科技大学，
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。