一种基于制造技术

本发明专利技术涉及半导体技术领域和人工智能领域，公开了一种基于

【技术实现步骤摘要】
一种基于BP神经网络的NMOSFET器件性能预测方法


[0001]本专利技术涉及半导体
和人工智能领域，具体涉及一种基于
BP
神经网络的
NMOSFET
器件性能预测方法
。

技术介绍

[0002]MOSFET
基于其控制电路小
、
开关速度快等特点，广泛应用于低
、
中
、
高压的电路中，是功率半导体的基础器件
。
对于其相关性能研究，建立器件模型是常用的手段之一，包括物理基模型
、
等效电路模型等
。
物理基模型是利用物理方程构建相应模型，求解时需要用到数值求解方法，精度高但难以兼容计算机辅助设计软件
。
等效电路建模主要由非线性原件
、
受控源构成，与计算机可形成良好兼容，但该模型只能描述单独化过程，在实际过程中，元件之间是相互作用的，可能出现多个同时变化，因此模型精度低
。
[0003]作为先进的集成仿真平台，
TCAD(Technology ComputerAidedDesign)
半导体工艺和器件仿真软件将成熟的物理模型和计算机辅助技术结合在一起实现对半导体器件高精度模拟，大大降低实验成本并缩短研究周期，并逐渐成为主流的半导体器件设计辅助工具
。
利用
TCAD
软件对
NMOSFET
的性能进行研究业成为主要方式之一
。
但在器件的设计过程中，需要不断调整器件参数观察性能变化，以此找到合适的结构参数或最优参数，仿真工作重复执行，增加了仿真工作量，并且多个参数同时调整也大大增加了时间成本
。
[0004]现有对
NMOSFET
的研究主要是利用
TCAD
仿真软件对其进行建模，通过调整模型结构或工艺上的参数获取性能达到目标值的器件，但在器件的设计过程中，需要不断调整器件参数观察性能变化，以此找到合适的参数或最优参数，仿真工作重复执行，增加了仿真工作量，并且多个参数同时调整也大大增加了时间成本
。

技术实现思路

[0005]本专利技术的目的在于提供一种基于
BP
神经网络的
NMOSFET
器件性能预测方法，利用
TCAD
软件和机器学习技术对
NMOSFET
建立预测模型，模型除了具备
TCAD
软件带来的高精度特征外，还具有可预测的能力
。
通过使用预测模型来辅助设计者利用
TCAD
软件设计半导体器件，同时当器件仿真模型具备高精度的前提下，还可脱离仿真环境预测
NMOSFET
器件性能
。
[0006]为实现上述目的，本专利技术的技术方案是：一种基于
BP
神经网络的
NMOSFET
器件性能预测方法，实现原理为：根据实际需要确定好器件尺寸，并利用
TCAD
仿真软件对器件进行仿真，通过改变器件结构参数和外部施压条件，得到不同条件下器件的性能
。
后将结构参数和外部条件作为自变量，
NMOSFET
的性能作为因变量，代入到
BP
神经网络预测模型中进行不断训练，通过比较模型评价指标得到预测精度最高的模型，并用该模型对
NMOSFET
的性能参数进行预测；具体包括如下步骤：
[0007]步骤
1、
获取
NMOSFET
器件的仿真参数及其对应的性能参数，作为数据样本；
[0008]步骤
2、
将数据样本打乱顺序并按照预定的比例分为训练样本和测试样本两组样
本，并对训练样本中的数据和测试样本中的仿真参数数据进行预处理；
[0009]步骤
3、
构建
BP
神经网络预测模型，将训练样本中的仿真参数作为
BP
神经网络预测模型中输入层的输入参数，训练样本中的性能参数作为
BP
神经网络预测模型中输出层的输出参数，反复训练
、
计算误差并调整权值
、
阈值，直到满足停止条件则终止，获得训练好的
BP
神经网络预测模型，在训练的过程中训练样本将被分成训练集
、
验证集和测试集三组，训练集和验证集用于
BP
神经网络预测模型的训练，测试集用于评价当前完成训练的
BP
神经网络预测模型的预测精度和泛化性；
[0010]步骤
4、
将测试样本中的仿真参数代入到训练好的
BP
神经网络预测模型中，得到训练好的
BP
神经网络预测模型对
NMOSFET
性能的预测结果，而后计算其与测试样本中仿真参数对应的性能参数结果间的误差和损失函数；若损失函数达到设定条件，则将当前的
BP
神经网络预测模型确定为最终的
BP
神经网络预测模型，否则，重新回到步骤3；
[0011]步骤
5、
将待预测的
NMOSFET
的仿真参数输入到最终的
BP
神经网络预测模型中，得到预测的
NMOSFET
器件性能
。
[0012]在本专利技术一实施例中，所述步骤1具体实现如下：
[0013]步骤
101、
根据实际需要，确定
NMOSFET
器件在仿真设计时衬底杂质浓度
、
衬底偏压
、
栅氧化层厚度和阈值电压调整注入的剂量4个仿真参数的不同取值；
[0014]步骤
102、
将4个仿真参数代入到
TCAD
仿真软件中得到
NMOSFET
器件的最大跨导
、
亚阈值斜率
、
阈值电压及开关电流比4个性能参数结果
。
[0015]在本专利技术一实施例中，
NMOSFET
器件的最大跨导反映了栅源电压对源漏电流控制能力的强弱，在
NMOSFET
的转移特性曲线上表现的是曲线上各点处切线的斜率，此处取转移特性曲线上最大的跨导值为
NMOSFFET
器件的跨导，计算公式如下所示：
[0016][0017]式中
(g
m
)
max
为最大跨导，
I
d
为漏电流，
V
gs
为栅极电压；
[0018]NMOSFET
器件的亚阈值斜率表示
NMOSFET
器件在未进入开启状态前漏极电流改变一个数量级所对应的栅极电压的变化，计算公式如下所示：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
BP
神经网络的
NMOSFET
器件性能预测方法，其特征在于，包括如下步骤：步骤
1、
获取
NMOSFET
器件的仿真参数及其对应的性能参数，作为数据样本；步骤
2、
将数据样本打乱顺序并按照预定的比例分为训练样本和测试样本两组样本，并对训练样本中的数据和测试样本中的仿真参数数据进行预处理；步骤
3、
构建
BP
神经网络预测模型，将训练样本中的仿真参数作为
BP
神经网络预测模型中输入层的输入参数，训练样本中的性能参数作为
BP
神经网络预测模型中输出层的输出参数，反复训练
、
计算误差并调整权值
、
阈值，直到满足停止条件则终止，获得训练好的
BP
神经网络预测模型，在训练的过程中训练样本将被分成训练集
、
验证集和测试集三组，训练集和验证集用于
BP
神经网络预测模型的训练，测试集用于评价当前完成训练的
BP
神经网络预测模型的预测精度和泛化性；步骤
4、
将测试样本中的仿真参数代入到训练好的
BP
神经网络预测模型中，得到训练好的
BP
神经网络预测模型对
NMOSFET
性能的预测结果，而后计算其与测试样本中仿真参数对应的性能参数结果间的误差和损失函数；若损失函数达到设定条件，则将当前的
BP
神经网络预测模型确定为最终的
BP
神经网络预测模型，否则，重新回到步骤3；步骤
5、
将待预测的
NMOSFET
的仿真参数输入到最终的
BP
神经网络预测模型中，得到预测的
NMOSFET
器件性能
。2.
根据权利要求1所述的一种基于
BP
神经网络的
NMOSFET
器件性能预测方法，其特征在于，所述步骤1具体实现如下：步骤
101、
根据实际需要，确定
NMOSFET
器件在仿真设计时衬底杂质浓度
、
衬底偏压
、
栅氧化层厚度和阈值电压调整注入的剂量4个仿真参数的不同取值；步骤
102、
将4个仿真参数代入到
TCAD
仿真软件中得到
NMOSFET
器件的最大跨导
、
亚阈值斜率
、
阈值电压及开关电流比4个性能参数结果
。3.
根据权利要求2所述的一种基于
BP
神经网络的
NMOSFET
器件性能预测方法，其特征在于，
NMOSFET
器件的最大跨导反映了栅源电压对源漏电流控制能力的强弱，在
NMOSFET
的转移特性曲线上表现的是曲线上各点处切线的斜率，此处取转移特性曲线上最大的跨导值为
NMOSFFET
器件的跨导，计算公式如下所示：式中
(g
m
)
max
为最大跨导，
I
d
为漏电流，
V
gs
为栅极电压；
NMOSFET
器件的亚阈值斜率表示
NMOSFET
器件在未进入开启状态前漏极电流改变一个数量级所对应的栅极电压的变化，计算公式如下所示：式中
SS
为亚阈值斜率，
I
D
为漏电流，
V
gs
为栅极电压；
NMOSFET
器件的阈值电压表示
NMOSFET
器件正常开始工作时的电压，此处所指为
NMOSFET
器件的漏电流为某一固定值时对应的栅极电压；
NMOSFET
器件的开关电流比为
NMOSFET
器件进入饱和状态时的漏电流与栅极电压为
0V
时的漏电流的比值
。
4.
根据权利要求2所述的一种基于
BP
神经网络的
NMOSFET
器件性能预测方法，其特征在于，步骤2中利用
mapminmax
函数对训练样本中的数据和测试样本中的仿真参数数据进行预处理，消除输入层数据与输出层数据间数量级和量纲的差异并加快网络的收敛，
mapminmax
函数计算公式如下所示：式中
y
max
和
y
min
分别是数据经过归一化处理后所处区间
[y
min
,y
max
]
的最大值和最小值；
x
max
和
x
min
分别是各个特征输入的最大值和最小值；
x
为某个特征输入的样本值，
y
为
x
经过归一化处理后的输出值；在构建开关电流比的
BP
神经网络预测模型时，对样本数据使用
mapminmax
函数进行预处理前先对样本中各组工艺下的开关电流比值进行对数化处理，以降低数据的尺度，提高网络的训练精度，在模型输出预测结果后对预测结果进行相应的指数化操作，指数化操作后的结果作为最终的预测模型的实际预测结果，指数化和对数化操作的计算公式如下所示：
f
＝
log
10 sr
＝
10
t
式中
s
为训练样本中开关电流比的原始数据，
f
为
s
对数化处理后的结果，
t
为
BP
神经网络预测模型的预测结果，
r
为指数化操作后的结果
。5.
根据权利要求2所述的一种基于
BP
神经网络的
NMOSFET
器件性能预测方...

【专利技术属性】
技术研发人员：王锋，付亮，潘淼，林全，李阳志，陈文杰，周伯萌，李淑芬，
申请(专利权)人：泉州师范学院，
类型：发明
国别省市：