基于深度学习的低电阻高耐压性能预测方法及其系统技术方案

基于深度学习的低电阻高耐压性能预测方法及其系统，包括：对SiC DMOSFET器件的结构建模；构建了一个数据集；构建集基于CNN的神经网络预测模型；将训练集数据输入到预测模型中；通过计算损失函数，评估模型预测值与实际值之间的差异；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SiCMOSFET器件电学特性预测。本发明专利技术准确快速地预测SiC DMOSFET器件的击穿特性和正向导通特性，解决了传统基于仿真软件研究SiC DMOSFET器件特性方法存在的耗时长，效率低、受人工因素影响大等问题，拓展了SiC功率器件预测实施的可能性。

【技术实现步骤摘要】

本专利技术涉及一种预测方法及其系统，尤其是涉及一种基于深度学习的低电阻高耐压性能预测方法及其系统。

技术介绍

1、功率器件作为电力电子技术的核心组件，在推动电力电子技术向高频、高功率密度方向发展中发挥着关键作用。sic材料以其宽广的禁带、卓越的导热性能和高击穿电场等物理特性，为sic mosfet在高压、高温、高开关频率和高辐照环境下的应用提供了广阔的前景。sic材料的临界击穿电场显著高于硅(si)，这使得基于sic的功率器件在击穿电压方面超越了硅基器件。在相同的击穿电压条件下，sic基功率器件的导通电阻比硅基器件低。因此，在相同的额定电流下，sic器件可以实现更小的尺寸，同时减少寄生电容，从而实现更快的开关速度。

2、平面型sic mosfet(sic dmosfet)，作为采用碳化硅材料的功率场效应晶体管，以其高电压、高频率、低导通电阻和快速开关速度等特性，成为国内外厂商广泛采用的主流技术。然而，获取这类sic mosfet器件特性的传统方法，通常是通过tcad这样的器件数值模拟工具来建立模型，这一过程由于sic材料的特殊物理特性，往往面临本文档来自技高网...

【技术保护点】

1.基于深度学习的低电阻高耐压性能预测方法，其特征为：

2.根据权利要求1所述的基于深度学习的低电阻高耐压性能预测方法，其特征为：所述SiC MOSFET器件结构参数如下：P-阱区掺杂浓度(Pwelldope)取值为2×1017cm3、2.3×1017cm3、2.4×1017cm3、2.5×1017cm3、2.6×1017cm3、3×1017cm3，3.5×1017cm3、4×1017cm3；漂移区掺杂浓度(Ndrift)取值为1×1015cm3、2×1015cm3、3×1015cm3、4×1015cm3，5×1015cm3；JFET区掺杂浓度(JFET_dop)取值为2×1...

【技术特征摘要】

1.基于深度学习的低电阻高耐压性能预测方法，其特征为：

2.根据权利要求1所述的基于深度学习的低电阻高耐压性能预测方法，其特征为：所述sic mosfet器件结构参数如下：p-阱区掺杂浓度(pwelldope)取值为2×1017cm3、2.3×1017cm3、2.4×1017cm3、2.5×1017cm3、2.6×1017cm3、3×1017cm3，3.5×1017cm3、4×1017cm3；漂移区掺杂浓度(ndrift)取值为1×1015cm3、2×1015cm3、3×1015cm3、4×1015cm3，5×1015cm3；jfet区掺杂浓度(jfet_dop)取值为2×1016cm3、4×1016cm3、5×1016cm3、6×1016cm3、7×1016cm3、8×1016cm3.9×1016cm3、1×1017cm3、2×1017cm3、3×1017cm3、4×1017cm3、5×1017cm3；jfet区宽度取值为0.9um、1um、1.1um。

3.根据权利要求1所述的基于深度学习的低电阻高耐压性能预测方法，其特征为：所述步骤1进一步包括如下内容：基于sentaurustcad软件对si c mosfet进行建模，仿真其电学特性和电场分布，提取电学参数，电学特性涉及转移特性曲线l dvg，输出特性曲线i dvd，反向击穿曲线bv，电学参数提取涉及击穿电压，导通电阻。

4.根据权利要求1所述的基于深度学习的低电阻高耐压性能预测方法，其特征为：所述步骤2进一步包括如下内容：通过拉偏器件结构参数收集电学参数的数据集，共收集991组数据，将数据集中的数据按8：1：1比例随机...

【专利技术属性】
技术研发人员：高博，费晨曦，刘文平，张志新，
申请(专利权)人：浙江摩珂达半导体有限公司，
类型：发明
国别省市：