一种基于集成学习模型的GAAFET直流特性预测方法技术

一种基于集成学习模型的GAAFET直流特性预测方法，基于TCAD建立GAAFET器件模型，对器件电学特性进行仿真分析，得到转移特性曲线并从中提出所需的电学参数值；改变设计条件获取数据集，建立集成深度学习的预测模型；预测模型由三个子模型通过greedy ensemble算法集成得到；利用数据集训练预测模型；得到满足要求的预测模型，利用满足要求的预测模型预测不同参数以及不同工作条件下的GAAFET器件直流特性。本发明专利技术结合了随机森林模型、最近邻模型以及深度学习模型，可解决现有GAAFET的直流特性仿真方式耗时长、效率低、受人工因素影响较大等问题中的至少之一。等问题中的至少之一。等问题中的至少之一。

【技术实现步骤摘要】
一种基于集成学习模型的GAAFET直流特性预测方法


[0001]本专利技术属于半导体仿真
，特别涉及一种基于集成学习模型的GAAFET直流特性预测方法。

技术介绍

[0002]集成电路一直遵循着摩尔定律而不断缩小晶体管特征尺寸，但这要求电路具有高速度和低功耗。随着技术节点迈入深亚微米，传统的平面体硅MOSFET器件的短沟道效应愈发严峻，特征尺寸缩放达到了物理极限。为了最小化短沟道效应，新型器件结构和工艺应运而生。绝缘体上硅，高K绝缘体，金属栅极，非均匀掺杂等应用于器件设计。FinFET器件被提出后，器件结构自此迈向三维架构。随着持续的缩放趋势，FinFET器件的鳍结构逐步达到其物理极限。此时环栅型晶体管(GAAFET)的提出有效地解决了FinFET所面对的难题，它具有更强的栅极控制能力。
[0003]传统获取GAAFET器件特性的仿真方式多是基于器件数值模拟工具TCAD建立器件模型得到的。首先根据不同的工艺完成器件结构模型定义后，使用SDevice工具对器件电学特性进行仿真分析，涉及到的物理模型包括漂移
>‑
扩散传本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成学习模型的GAAFET直流特性预测方法，其特征在于，包括如下步骤：步骤1，基于TCAD建立GAAFET器件模型；利用Sentaurus TCAD工具套件中的Sentaurus SDE工具完成GAAFET器件的结构建模，模拟工艺特性完成模型各部分的掺杂以及网格划分；完成器件结构模型定义后，使用SDevice工具对器件电学特性进行仿真分析，得到转移特性曲线并从中提出所需的电学参数值；步骤2，基于TCAD仿真建立数据集；在所述GAAFET器件模型的基础上改变设计条件获取数据集，将数据集分别划分为训练集，交叉验证集和测试集；步骤3，初步建立集成深度学习的预测模型；所述预测模型由三个子模型通过greedy ensemble算法集成得到；所述三个子模型为随机森林模型，最近邻模型以及深度学习模型；所述随机森林模型，最近邻模型以及深度学习模型的输入均为所述GAAFET器件参数，输出均为GAAFET器件的转移特性曲线中均匀提出的N个点或均为GAAFET器件的基本电学参数；步骤4，利用所述训练集，交叉验证集和测试集对所述预测模型进行训练；得到满足要求的预测模型，利用所述满足要求的预测模型预测不同参数以及不同工作条件下的GAAFET器件直流特性。2.根据权利要求1所述基于集成学习模型的GAAFET直流特性预测方法，其特征在于，所述步骤1，通过TCAD仿真软件改变设计参数获取两组数据集用于预测模型的学习与预测，数据集一为GAAFET器件的转移特性曲线，数据集二为GAAFET器件的基本电学参数；数据集一和数据集二均将GAAFET器件参数作为预测模型的输入，数据集一所对应的输出为GAAFET器件的转移特性曲线中均匀提出的N个点，数据集二所对应的输出为GAAFET器件的基本电学参数。3.根据权利要求2所述基于集成学习模型的GAAFET直流特性预测方法，其特征在于，所述GAAFET器件参数包括：栅极长度、沟道高度、沟道宽度和栅氧化层厚度；所述基本电学参数包...

【专利技术属性】
技术研发人员：王树龙，张旭艳，陈思宇，陈栋梁，李嘉睿，曹宪法，马兰，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：