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

本发明专利技术为一种基于深度学习的PIN限幅器性能及HPM效应预测方法，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；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，本发明专利技术解决了现有获取PIN限幅器限幅性能及HPM效应传统方法中存在的计算量大、耗时长且不收敛等问题，降低了获取限幅器性能的人力成本与时间成本，提高了预测效率与准确率。与准确率。与准确率。

【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HPM效应的仿真方式，其在效率、准确率等方面难以满足需求。

技术实现思路

[0005]为了克服上述现有技术的缺点，本专利技术的目的在于提供一种基于深度学习的PIN限幅器性能及HPM效应预测方法，以解决现有获取PIN限幅器限幅性能及HPM效应传统方法中存在的计算量大、耗时长且不收敛等问题的至少之一或全部，降低获取限幅器性能的人力成本与时间成本，提高预测效率与准确率。
[0006]为了实现上述目的，本专利技术采用的技术方案是：
[0007]一种基于深度学习的PIN限幅器性能及HPM效应预测方法，包括：
[0008]步骤1，基于TCAD仿真建立样本集
[0009]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；
[0010]其中，所述样本集所需的特征为：
[0011]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；
[0012]所述样本集特征对应的标签为：
[0013]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；
[0014]步骤2，将样本集划分为训练集、交叉验证集和测试集；
[0015]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。
[0016]在一个实施例中，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
。
[0017]在一个实施例中，所述步骤1，所述PIN限幅器的数值物理模型为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；
[0018]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。
[0019]在一个实施例中，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：
[0020][0021]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。
[0022]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
[0023][0024]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；
[0025]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
[0026]G＝a
n
nv
n
+a
p
pv
p
ꢀꢀꢀꢀ
(3)
[0027]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。
[0028]在一个实施例中，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效应的瞬态仿真；
[0029]所述仿真电路包括正弦脉冲电压源、PIN、电阻一、电阻二、隔直电容一、隔直电容二以及射频扼流电感，正弦脉冲电压源、PIN、电阻一和电容一串接，PIN与电感并联，与电容二和电阻二并联；利用正弦脉冲电压源产生不同频率、上升时间、功率的前门耦合HPM电压。
[0030]在一个实施例中，所述步骤1，分别获取两组样本集，分别为样本集一和样本集二；
[0031]其中样本集一用于网络一，进行PIN限幅器的限幅性能预测训练，样本集二用于网络二，进行PIN限幅器的HPM效应预测训练；
[0032]所述样本集一以PIN器件参数与HPM参数为网络一的输入，包含PIN二极管I层厚度(W...

【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：