一种基于强化学习的器件模型高维参数自动提取方法技术

本发明专利技术属于器件模型参数提取技术领域，具体为一种基于强化学习的器件模型高维参数自动提取方法。本发明专利技术首先利用先进的强化学习算法，在连续参数搜索空间中进行高维器件模型参数提取；然后在强化学习算法框架中结合器件模型知识，进一步提高器件模型的输出精度。本发明专利技术能够实现器件模型高维参数的自动提取，并且无需训练数据集，可灵活设置待提取的参数，可以广泛应用于模拟电路仿真自动化中的创建器件紧凑模型中。

【技术实现步骤摘要】

本专利技术属于器件模型参数提取，具体涉及器件模型高维参数自动提取方法。

技术介绍

1、器件紧凑模型(dcm)的创建周期和精度对模拟电路设计仿真结果有着重要影响。随着cmos技术的进步和器件尺寸扩展到纳米状态，非理想效应，如短通道效应和寄生效应变得不可忽视。这导致在现代dcm中的模型公式越来越复杂和模型参数数量的激增。传统的手动提取参数流程不仅耗费大量时间，而且严重依赖工程师的经验。现有的自动化dcm参数提取方法有很多种，常见的有黑盒优化算法、遗传算法(ga)、差分进化算法(de)等。但是，当参数个数增多时，这些算法存在参数搜索空间维数爆炸的问题。另外，用深度神经网络提取参数的方法，需要对大量的iv和cv数据集进行训练，并且受训练数据集大小的限制，无法实际应用。因此，创建一种高维自动化、对数据集依赖不高的dcm参数提取方法是十分迫切的。

技术实现思路

1、本专利技术的目的在于提供一种基于强化学习的器件模型高维参数自动提取方法，以解决在连续参数空间中能自动化提取高维dcm参数的问题。

<p>2、强化学习是除本文档来自技高网...

【技术保护点】

1.一种基于强化学习的器件模型高维参数自动提取方法，其特征在于，结合器件模型知识，在与SPICE软件模型仿真环境交互过程中建立强化学习智能体模型，从而帮助指导强化学习智能体学习最优的策略，更准确地提取模型参数和拟合器件的电学特性曲线；具体步骤如下：

2.根据权利要求1所述的方法，其特征在于，步骤(1)中所述BSIM模型是金属氧化物场效应晶体管模型，包含BSIM-SOI和BSIM-CMG；所述器件的电学特性曲线包括IV曲线和CV曲线；所述器件目标电学特性曲线的采集是通过实际测量获得或者通过TCAD物理模拟仿真方式获得。

3.根据权利要求2所述的方法，其特征在于，步骤...

【技术特征摘要】

1.一种基于强化学习的器件模型高维参数自动提取方法，其特征在于，结合器件模型知识，在与spice软件模型仿真环境交互过程中建立强化学习智能体模型，从而帮助指导强化学习智能体学习最优的策略，更准确地提取模型参数和拟合器件的电学特性曲线；具体步骤如下：

2.根据权利要求1所述的方法，其特征在于，步骤(1)中所述bsim模型是金属氧化物场效应晶体管模型，包含bsim-soi和bsim-cmg；所述器件的电学特性曲线包括iv曲线和cv曲线；所述器件目标电学特性曲线的采集是通过实际测量获得或者通过tcad物理模拟仿真方式获得。

3.根据权利要求2所述的方法，其特征在于，步骤(2)中所述环境为spice软件模拟仿真环境，作为智能体的学习环境。

4.根据权利要求1所述的方法，其特征在于，步骤(3)中所述强化学习算法...

【专利技术属性】
技术研发人员：陆叶，单淑慧，
申请(专利权)人：复旦大学，
类型：发明
国别省市：