基于人工神经网络的霍尔器件制造技术

基于人工神经网络的霍尔器件

【技术实现步骤摘要】
基于人工神经网络的霍尔器件Verilog
‑
A仿真模型建立方法、系统、设备及介质


[0001]本专利技术涉及微电子器件仿真
，具体涉及基于人工神经网络的霍尔器件
Verilog
‑
A
仿真模型建立方法
、
系统
、
设备及介质
。

技术介绍

[0002]目前，半导体器件模型的建模主要有三个步骤：
1.
通过对器件所使用的工艺和结构进行分析，找到合适的方程来描述器件的特性；
2.
将工艺参数代入方程中，通过对测量数据的拟合来提取方程中的模型参数；
3.
形成用于电路仿真的
Spice
模型或
Verilog
‑
A
模型；对于
MOSFET
，
BJT
以及
Diode
等半导体器件，大多已有标准可用的方程，如
BSIM3
和
BSIM
，但对于霍尔器件还缺乏这样一种标准
。
目前用于描述霍尔器件特性的模型要么过于复杂，要么过于理想化，很难对霍尔器件进行准确的描述
。
此外，器件的物理模型与器件所用工艺和结构有关，需要掌握相应的工艺特性和所用结构特征，并有相应的工艺参数进行
TCAD
建模，这些都需要与工艺厂进行沟通，因此现有的霍尔器件仿真模型建立技术学习成本高，效率低，且耗时
。
[0003]公开号为
[CN102236736A]的专利申请，公开了“一种十字形
CMOS
集成霍尔磁传感器的电路仿真模型”，提供一种能在通用的电子电路仿真器上进行模拟的十字形
CMOS
集成霍尔磁传感器的电路仿真模型；由
12
个非线性
N
阱电阻
、8
个
PN
结结电容和4个受电流控制的电压源构成中心对称的结构网络；将十字形器件分为一个中心区域和四个叉指区域，中心区域的有源区用
RH
‑
RD
‑
CB
网络表示，叉指区域的有源区用
RF
‑
CF
网络表示；由于需要考虑的霍尔传感器物理和几何效应较多，因此具有建模复杂
、
应用范围窄的缺点
。
[0004]公开号为
[CN110991062A]的专利申请，公开了“一种
OLED
的
Verilog
‑
A
仿真模型的实现方法”包括以下步骤：
1)
获取器件的电流
‑
电压和电容
‑
电压数据；
2)
根据所述数据建立曲线拟合多项式；
3)
建立
Verilog
‑
A
表达式，得到仿真
OLED
模型；
4)
分别进行电流
‑
电压和电容
‑
电压的曲线拟合；
5)
进行模型验证
。
由于采用多项式拟合来拟合器件的特性曲线，因此对多变量多项式回归需要建立多个独立输入变量与输出变量的关系，且对于非线性拟合需要对特性曲线进行分段拟合，需要对输入输出关系由一定的认识，具有操作复杂
、
建模周期长的缺点
。

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了一种基于人工神经网络的霍尔器件
Verilog
‑
A
仿真模型建立方法
、
系统
、
设备及介质，通过对人工神经网络进行训练，来实现对霍尔器件输入和等效模型参数关系的拟合，使用
Verilog
‑
A
语言对神经网络模型和霍尔器件的等效模型进行描述，得到可用于电路设计的仿真模型，具有模型结构简单
、
建模难度低
、
建模周期短
、
建模流程简单的特点
。
[0006]为了实现上述目的，本专利技术采用的技术方案是：
[0007]一种基于人工神经网络的霍尔器件
Verilog
‑
A
仿真模型建立方法，包括以下步骤：
[0008]步骤1，建立霍尔器件的等效模型，根据建立的等效模型将霍尔器件分解为若干个等效器件；
[0009]步骤2，使用范德堡法测量霍尔器件在不同测量条件下的特性曲线，根据特性曲线计算出步骤1得到的等效器件的电学参数；
[0010]步骤3，将步骤2中对霍尔器件施加的测量条件以及该条件下等效器件的电学参数作为记录数据进行记录，其中施加的测量条件作为记录数据的特征，等效器件的电学参数作为记录数据的标签，将记录数据进行标准化以及归一化处理形成数据集；
[0011]步骤4，将步骤3得到的数据集划分为训练集
、
验证集和测试集，将训练集输入到神经网络模型迭代优化神经网络模型参数，训练结束后，将验证集输入到训练后的模型中进行验证，优化神经网络模型超参数，根据误差判断是否停止训练，直至得到训练好的网络模型参数，测试集用于该评价模型的最终效果；
[0012]步骤5，提取步骤4得到的神经网络模型参数，根据提取的神经网络模型参数以及神经网络模型进行标准化以及归一化在
Verilog
‑
A
中进行描述，得到基于
Verilog
‑
A
语言描述的神经网络模型，将基于
Verilog
‑
A
语言描述的神经网络模型的输出数据与步骤1建立的等效模型的连接关系进行行为级建模，得到基于人工神经网络的霍尔器件
Verilog
‑
A
仿真模型
。
[0013]所述步骤1中的等效器件为电阻
、
电容
、
电感
、
电压源
、
电流源中的一种或者几种
。
[0014]所述步骤2中的测量条件包括温度
、
磁场
、
偏置电流，等效器件的电学参数根据等效器件的不同可以为电阻
、
电容
、
电感
、
电压或电流
。
[0015]所述步骤4中的神经网络模型包含一个输入层
、
一个输出层，以及一个以上的隐藏层，每层均包含一个以上神经元，输入层的神经元数量对应步骤3中得到的数据集的特征，输出层的神经元数量对应步骤3得到的数据集的标签，隐藏层层数和每层神经元个数为经验值；隐藏层和输出层中的单个神经元的值根据上一层
n
个神经元的值加权求和并通过一个激活本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于人工神经网络的霍尔器件
Verilog
‑
A
仿真模型建立方法，其特征在于，包括以下步骤：步骤1，建立霍尔器件的等效模型，根据建立的等效模型将霍尔器件分解为若干个等效器件；步骤2，使用范德堡法测量霍尔器件在不同测量条件下的特性曲线，根据特性曲线计算出步骤1得到的等效器件的电学参数；步骤3，将步骤2中对霍尔器件施加的测量条件以及该条件下等效器件的电学参数作为记录数据进行记录，其中施加的测量条件作为记录数据的特征，等效器件的电学参数作为记录数据的标签，将记录数据进行标准化以及归一化处理形成数据集；步骤4，将步骤3得到的数据集划分为训练集
、
验证集和测试集，将训练集输入到神经网络模型迭代优化神经网络模型参数，训练结束后，将验证集输入到训练后的模型中进行验证，优化神经网络模型超参数，根据误差判断是否停止训练，直至得到训练好的网络模型参数，测试集用于该评价模型的最终效果；步骤5，提取步骤4得到的神经网络模型参数，根据提取的神经网络模型参数以及神经网络模型进行标准化以及归一化在
Verilog
‑
A
中进行描述，得到基于
Verilog
‑
A
语言描述的神经网络模型，将基于
Verilog
‑
A
语言描述的神经网络模型的输出数据与步骤1建立的等效模型的连接关系进行行为级建模，得到基于人工神经网络的霍尔器件
Verilog
‑
A
仿真模型
。2.
根据权利要求1所述的一种基于人工神经网络的霍尔器件
Verilog
‑
A
仿真模型建立方法，其特征在于，所述步骤1中的等效器件为电阻
、
电容
、
电感
、
电压源
、
电流源中的一种或者几种
。3.
根据权利要求1所述的一种基于人工神经网络的霍尔器件
Verilog
‑
A
仿真模型建立方法，其特征在于，所述步骤2中的测量条件包括温度
、
磁场
、
偏置电流，等效器件的电学参数根据等效器件的不同可以为电阻
、
电容
、
电感
、
电压或电流
。4.
根据权利要求1所述的一种基于人工神经网络的霍尔器件
Verilog
‑
A
仿真模型建立方法，其特征在于，所述步骤4中的神经网络模型包含一个输入层
、
一个输出层，以及一个以上的隐藏层，每层均包含一个以上神经元，输入层的神经元数量对应步骤3中得到的数据集的特征，输出层的神经元数量对应步骤3得到的数据集的标签，隐藏层层数和每层神经元个数为经验值；隐藏层和输出层中的单个神经元的值根据上一层
n
个神经元的值加权求和，并通过一个激活函数
f(x)
进行转换得到，计算公式如下：其中，
w
i
为上一层第
i
个神经元到该神经元的权值，
x
i
第
i
个神经元的输入，
b
为上一层到该层的偏置，激活函数
f(x)
可以为
ReLU、Sigmoid、Tanh
中的一种
。5.
根据权利要求1或4所述的一种基于人工神经网络的霍尔器件
Verilog
‑
A
仿真模型建立方法，其特征在于，所述步骤4的具体过程为：步骤
4.1
，将步骤3得到的数据集划分为训练集
、
验证集和测试集；步骤
4.2
，将步骤
4.1
中的训练集输入到神经网络模型中进行迭代训练，根据损失函数计算每次训练的误差，误差的计算公式为：
其中，
n
是训练样本集中的样本个数，
y
i
为预测值，为标签；步骤
4.3
，每次迭代训练过程中，根据步骤
4.2
得到的误差反向传播更新神经网络模型的权重和偏置，采用优化算法优化神经网络模型的学习率，每次迭代训练完成后，将验证集输入到训练后的模型中进行验证，根据历次迭代验证结果判...

【专利技术属性】
技术研发人员：王树龙，刘诗杰，马浩，刘海宇，张旭艳，黄金，孙雪琦，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：