【技术实现步骤摘要】
一种基于深度学习的PIN限幅器性能及HPM效应预测方法
[0001]本专利技术属于PIN限幅器
,特别涉及一种基于深度学习的PIN限幅器性能及HPM效应预测方法。
技术介绍
[0002]高功率微波(high
‑
power microwave,HPM)峰值功率能达到100MW,频率为300MHz到30GHz之间,其具有高功率、高频率、频带集中脉冲短等特点,可以通过多种途径耦合进入射频接收机内部,对电子系统造成损伤。目前,PIN限幅器是主流的射频前端保护性部件,有关PIN限幅器的限幅性能以及HPM效应研究备受关注。
[0003]传统获取PIN限幅器限幅性能及HPM效应的仿真方式,主要是基于电路级模型的电路仿真和基于器件数值模拟工具TCAD建立模型的混合仿真。现有的PIN二极管电路模型模型参数基于实验数据,并且几乎不能用于大信号仿真,利用电路级仿真手段难以获取PIN二极管参数与PIN限幅器限幅性能、HPM效应的关系。而基于TCAD建立器件模型,需要利用软件建立结构模型、设置掺杂、划分网格,根据所需仿真设置物理模型,建立器件模型与电路模型的混合仿真电路,再通过求解器求解物理模型对应的载流子连续性方程、泊松方程、晶格温度方程等微分方程。
[0004]电路级仿真手段难以获取PIN二极管参数与PIN限幅器限幅性能、HPM效应的关系。基于TCAD的混合仿真是一个耗时、涉及数据量巨大且需要建立符合实际器件参数、工作环境的物理模型才能使仿真结果具有参考意义。综上所述,现有PIN限幅器限幅性能及HP
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的PIN限幅器性能及HPM效应预测方法,其特征在于,包括:步骤1,基于TCAD仿真建立样本集利用TCAD仿真软件,首先建立PIN限幅器的数值物理模型,随后基于PIN二极管数值物理模型搭建PIN限幅器HPM效应仿真电路,根据样本集所需的特征设置器件参数、HPM参数并进行瞬态响应仿真,获取样本集特征对应的标签;其中,所述样本集所需的特征为:PIN二极管I层厚度W
I
、PIN二极管I层掺杂N
I
、HPM频率f、HPM上升时间t
r
和HPM输入功率P
in
,每组特征需要对应仿真实验获取对应的一组标签;所述样本集特征对应的标签为:仿真得到的限幅功率阈值、插入损耗、最大隔离度和PIN二极管结温曲线,所述限幅功率阈值、插入损耗、最大隔离度用于表征所述限幅器的限幅性能;PIN二极管结温曲线用于表征HPM效应;步骤2,将样本集划分为训练集、交叉验证集和测试集;步骤3,构建深度学习网络预测模型并进行训练验证,得到满足要求的模型,利用该满足要求的模型对不同参数、工作条件下PIN限幅器性能及HPM效应进行预测,其中,所述深度学习网络预测模型包括网络一和网络二,所述网络一用于预测PIN限幅器的限幅性能,所述网络二用于预测PIN限幅器的HPM效应。2.根据权利要求1所述基于深度学习的PIN限幅器性能及HPM效应预测方法,其特征在于,所述步骤1,通过TCAD仿真软件获取多组PIN限幅器在不同HPM注入下的电、热响应,提取出限幅器限幅性能表征参数、HPM效应表征参数以及对应的器件参数、HPM参数作为样本集,所述限幅器限幅性能表征参数即所述限幅功率阈值、插入损耗、最大隔离度,所述HPM效应表征参数即所述PIN二极管结温曲线中体现的时间与温度,所述器件参数即所述PIN二极管I层厚度W
I
、PIN二极管I层掺杂N
I
;所述HPM参数即所述HPM频率f、HPM上升时间t
r
和HPM输入功率P
in
。3.根据权利要求1所述基于深度学习的PIN限幅器性能及HPM效应预测方法,其特征在于,所述步骤1,所述PIN限幅器的数值物理模型为考虑了高功率微波作用下的器件自热、高电场效应的载流子热动力学传输模型;随后基于PIN二极管数值物理模型搭建了PIN限幅器HPM效应仿真电路,根据样本集所需的特征与标签设置器件参数、高功率微波参数并进行响应瞬态仿真,获取样本集标签对应的特征参数。4.根据权利要求3所述基于深度学习的PIN限幅器性能及HPM效应预测方法,其特征在于,考虑到器件自热,所述PIN限幅器的数值物理模型的电子空穴输运方程为:式中:和分别为电子电流密度和空穴电流密度;n和p分别为电子和空穴的浓度;q为电子电量;μ
n
和μ
p
分别为电子和空穴的迁移率;φ
n
和φ
p
分别为电子和空穴的准静电势;P
n
和P
P
分别代表空穴和电子的绝对热电功率。
考虑到高电场,引入了高场速度饱和模型,模型修正后的载流子迁移率公式为式中:μ
low
代表修正前的迁移率,v
sat
代表载流子的饱和漂移速度,β是常数,与工艺相关,由模型给定;同时,高电场下考虑了PIN二极管的雪崩击穿,引入雪崩离化模型,其雪崩产生模型为G=a
n
nv
n
+a
p
pv
p
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式中:v
n
和v
p
分别为电子与空穴的饱和速度,a
n
与a
p
分别为电子与空穴的碰撞电离系数。5.根据权利要求1所述基于深度学习的PIN限幅器性能及HPM效应预测方法,其特征在于,所述步骤1,采用Sentarurs TCAD的混合模式,模拟HPM通过前门耦合到PIN限幅器,进行PIN限幅器HPM效应...
【专利技术属性】
技术研发人员:王树龙,高文泽,赵银峰,张旭艳,李宇航,李嘉睿,杨凌,
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。