基于神经网络的1200V SiCMOSFET建模优化及性能预测方法技术

本发明专利技术公开了基于神经网络的1200V SiCMOSFET建模优化及性能预测方法，包括以下步骤；步骤1，基于TCAD建立1200V沟槽型SiCMOSFET器件模型；步骤2，基于TCAD仿真建立数据集，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预测模型，进行后续器件电学特性预测和输出特性曲线预测；步骤4，将训练集输入预测模型，通过损失函数衡量预测值与真实值之间的差距，优化预测模型，同时将交叉验证集输入预测模型；步骤5，将测试集数据输入预测模型，评估其预测准确率及泛化能力，满足要求的模型即可用于不同参数以及不同工作条件下的SiCMOSFET器件电学特性预测。本发明专利技术提高了器件设计效率以及准确度，拓展了微电子器件预测的可能性。

【技术实现步骤摘要】

本专利技术属于sicmosfet建模优化及性能预测，具体涉及一种基于神经网络的1200v sicmosfet建模优化及性能预测方法。

技术介绍

1、由于sic材料具有禁带宽度大、导热性高和击穿电场高等优异的物理性能，使得sicmosfet在高压、高温、高开关频率和高辐照等方面显示出巨大的应用前景。

2、sic材料的临界击穿电场远大于si，这意味着sic基功率器件的击穿电压(breakdown voltage，bv)大于si基器件。在相同的bv下，sic基功率器件的比导通电阻小于si基器件。因此，在相同的额定电流下，sic器件的面积可以做得更小，其寄生电容也会随之减小，可以获得更快的开关速度。

3、在实际碳化硅的应用场合中，光伏逆变模块主要使用0.6～1.2kv，电流等级在20a以上的器件；电动汽车模块主要使用0.6～1.2kv，电流等级在20～50a的器件；风力发电主要使用1.2～3.3kv，电流等级高于20a的器件；而在sicmosfet器件中，0.65～1.7kv电压等级的器件也逐步推向市场。1200v级别的sic mosfet本文档来自技高网...

【技术保护点】

1.基于神经网络的1200V SiCMOSFET建模优化及性能预测方法，其特征在于，包括以下步骤；

2.根据权利要求1所述的基于神经网络的1200V SiCMOSFET建模优化及性能预测方法，其特征在于，所述步骤1中，利用Sentaurus TCAD工具套件中的Sentaurus SDE工具完成SiCMOSFET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，得到输出特性曲线和反向击穿曲线，通过拉偏器件的结构参数，得不同的器件结构，之后利用Svisual工具对其进行电学参数的自动化提取，收...

【技术特征摘要】

1.基于神经网络的1200v sicmosfet建模优化及性能预测方法，其特征在于，包括以下步骤；

2.根据权利要求1所述的基于神经网络的1200v sicmosfet建模优化及性能预测方法，其特征在于，所述步骤1中，利用sentaurus tcad工具套件中的sentaurus sde工具完成sicmosfet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，得到输出特性曲线和反向击穿曲线，通过拉偏器件的结构参数，得不同的器件结构，之后利用svisual工具对其进行电学参数的自动化提取，收集不同结构的性能参数，完成数据集的采集，利用tcl编程语言，对sdevice仿真得到的输出特性曲线和反向击穿曲线，通过设置提取条件，实现自动保存仿真数据的结果。

3.根据权利要求2所述的基于神经网络的1200v sicmosfet建模优化及性能预测方法，其特征在于，所述电学参数为跨导(gm)、亚阈值摆幅(ss)，和阈值电压(vth)，导通电阻(ron)，击穿电压(bv)。

4.根据权利要求3所述的基于神经网络的1200v sicmosfet建模优化及性能预测方法，其特征在于，所述步骤2中，通过tcad仿真软件改变设计参数获取两组数据集用于集成学习模型的学习与预测，分别为sicmosfet器件输出特性曲线以及基本电学参数，两组数据集分别为数据集一和数据集二，数据集一、数据集二均将sicmosfet器件结...

【专利技术属性】
技术研发人员：王树龙，周浩，黄金，孙志逸，黎浏滔，严杏圆，陈思宇，
申请(专利权)人：西安电子科技大学杭州研究院，
类型：发明
国别省市：