CN106446310B - 基于人工神经网络的晶体管及系统建模方法 - Google Patents
基于人工神经网络的晶体管及系统建模方法 Download PDFInfo
- Publication number
- CN106446310B CN106446310B CN201510477554.5A CN201510477554A CN106446310B CN 106446310 B CN106446310 B CN 106446310B CN 201510477554 A CN201510477554 A CN 201510477554A CN 106446310 B CN106446310 B CN 106446310B
- Authority
- CN
- China
- Prior art keywords
- neural network
- artificial neural
- nonlinear element
- current source
- topological structure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Semiconductor Integrated Circuits (AREA)
Abstract
本发明公开了一种基于人工神经网络的晶体管建模方法,包括:分别为电流源、电荷源和非线性元件构建相应的人工神经网络拓扑结构;根据所述人工神经网络拓扑结构以及所述内部参数的值,利用人工神经网络技术分别对电流源、电荷源和非线性元件进行训练;将训练好的所述电流源、电荷源和非线性元件导入电路仿真软件,添加外部寄生电感、电容和电阻,封装形成所述晶体管的大信号模型。该方法能够适应于各种不同工艺下的晶体管器件,并且通过在构建电流源、电荷源和非线性元件时把沟道温度变量和环境温度变量引入到人工神经网络拓扑结构的输入层中,从而能够对晶体管的自热等记忆效应进行有效建模。本发明还公开了一种基于人工神经网络的系统建模方法。
Description
技术领域
本发明涉及半导体电路设计中的晶体管及系统建模,特别是涉及基于人工神经网络的晶体管及系统建模方法。
背景技术
高质量的晶体管、系统模型对基于电脑辅助设计(CAD)的非线性微波射频电路、单片微波集成电路(MMICs)、功率放大器(PAs)和非线性射频系统至关重要。随着半导体技术及其应用持续快速发展,器件的功率和工作频率不断上升,以及出现了更加复杂的通信信号的传输(比如现代通信的高驻波比信号),开发高精度射频器件和系统模型以便于半导体电路设计已经刻不容缓。
在半导体电路设计中,晶体管经验模型最早被开发并广泛应用于工业生产。经验模型的建立依赖于一系列基于电流源和电荷源的经验公式。然而,经验模型对于新材料、新工艺的适应能力却不尽如人意,往往需要几个月甚至几年时间为新工艺开发合适的经验公式。比如对于新型氮化镓晶体管,经验公式的参数相对于砷化镓工艺呈现数量级增长,并且需要经验丰富的建模专家花费几天时间来提取。然而,公式复杂度的上升并不一定能够保证准确拟合脉冲漏极电流和栅极电荷源,对于不同的工艺和材料依然不够灵活。当更多的维度(比如环境温度,记忆效应等)全面引入到模型中,或者涉及到系统建模时,经验公式则难以驾驭。因此亟需开发能够适应不同工艺的晶体管及系统的建模方法。
发明内容
基于此,有必要针对现有技术存在的问题,提供一种基于人工神经网络的晶体管及系统建模方法,该建模方法能够适应于各种不同工艺下的晶体管器件,如砷化镓场效应管、具有强烈自热效应的氮化镓场效应管等。
根据本发明的一个方面,提供了一种基于人工神经网络的晶体管建模方法,该方法包括以下步骤:
测量所述晶体管在多个温度、多个静态偏置下的S参数的值;
确定所述晶体管的小信号等效电路拓扑结构,从所述S参数中提取出外部等效寄生参数,去嵌掉外部等效寄生参数;
根据所述小信号等效电路拓扑结构的内部结构,解析或者优化得到所述小信号等效电路拓扑结构的内部参数的值;
选择所述晶体管的大信号模型拓扑结构,确定所述大信号模型拓扑结构中所包含的电流源、电荷源和非线性元件,其中,所述非线性元件包括非线性电容、非线性电阻等;
确定所述大信号模型拓扑结构中的所述电流源、电荷源和所述小信号等效电路拓扑结构的所述内部参数的关系;
分别为所述电流源、电荷源和非线性元件构建相应的人工神经网络拓扑结构;
根据所述人工神经网络拓扑结构以及所述内部参数的值,利用人工神经网络技术分别对所述电流源、电荷源和非线性元件进行训练;
将训练好的所述电流源、电荷源和非线性元件导入电路仿真软件,添加外部寄生电感、电容和电阻,封装形成所述晶体管的大信号模型。
在其中一个实施例中,在确定所述晶体管的小信号等效电路拓扑结构后,所述方法还包括采用Cold-FET技术或者全局优化技术从所述S参数中提取外部等效寄生参数的步骤。
在其中一个实施例中,去嵌掉外部等效寄生参数的步骤包括:
将测量的所述S参数转化为Y参数,去嵌掉外部寄生电容;
将Y参数转化为Z参数,去嵌掉外部寄生电阻和外部寄生电感;
将Z参数转化为Y参数。
在其中一个实施例中,所述大信号模型拓扑结构包括非线性电容模型、Staz模型、Angelov模型、Curtice模型等。
在其中一个实施例中,所述分别为所述电流源、电荷源和非线性元件构建相应的人工神经网络拓扑结构的步骤包括:
构建电流源人工神经网络拓扑结构,所述电流源人工神经网络拓扑结构为至少三层神经网络拓扑结构,包括电流源输入层、至少一层电流源隐含层和电流源输出层,所述电流源输入层的输入为静态偏置Vgsq、Vdsq、动态偏置Vgs、Vds和沟道温度,所述电流源输出层为所述晶体管的漏极电流值;
构建电荷源人工神经网络拓扑结构,所述电荷源人工神经网络拓扑结构为三层神经网络拓扑结构,包括电荷源输入层、电荷源隐含层和电荷源输出层,所述电荷源输入层的输入为动态偏置Vgs、Vds和工作温度,所述电荷源输出层的输出连接积分单元;
构建非线性元件人工神经网络拓扑结构,所述非线性元件人工神经网络拓扑结构为至少三层神经网络拓扑结构,包括非线性元件输入层、至少一层非线性元件隐含层和非线性元件输出层,所述非线性元件输入层的输入为动态偏置Vgs、Vds和工作温度,所述非线性元件输出层的输出为从所述内部参数中提取出的非线性元件的值。
在其中一个实施例中,所述利用人工神经网络技术分别对所述电流源、电荷源和非线性元件进行训练的步骤包括:
对于构建的每个所述电流源人工神经网络拓扑结构、电荷源人工神经网络拓扑结构和非线性元件人工神经网络拓扑结构,先用人工智能算法优化出一组人工神经网路的权重初值,然后用后向传播的麦夸特法进行再优化,得到最终的全局最优权重,分别完成对所述电流源、电荷源和非线性元件的训练。
在其中一个实施例中,在封装形成所述晶体管的大信号模型之前,所述方法还包括在大信号模型拓扑结构中添加热子电路的步骤。
上述基于人工神经网络的晶体管建模方法,通过人工神经网络技术来构建晶体管的大信号模型拓扑结构中的电流源、电荷源和非线性元件,能够适应于各种不同工艺下的晶体管器件,如砷化镓场效应管,氮化镓场效应管等。并且,上述方法通过在构建电流源、电荷源和非线性元件时把沟道温度变量和环境温度变量引入到人工神经网络拓扑结构的输入层中,从而能够对晶体管的自热等记忆效应进行有效建模。此外,上述方法还采用后向传播的麦夸特法和人工智能优化算法相结合的方式对人工神经网络拓扑结构中相应的权重进行训练,能够以非常高的几率得到全局最优的人工神经网络权重,从而为晶体管的高精度建模提供有力保证。
根据本发明的一个方面,提供了一种基于人工神经网络的系统建模方法,包括:
将所述系统用具有电荷源、电流源和非线性元件的模型表示,并根据所述系统的应用场景对所述模型进行简化;
在不同的温度下,对所述系统的输入端口施加不同的电压,检测所述系统的输入端口电流,以及输出端口电压和输出端口电流,确定所述输入端口电流、所述输出端口电流分别与所述输入端口电压和所述输出端口电压、所述输入端口电压和所述输出端口电压的关系;
根据所述关系,得到所述系统的动态负载线;
为简化后的所述系统中包含的所述电荷源、电流源和非线性元件分别构建相应的人工神经网络拓扑结构,根据所述人工神经网络拓扑结构以及所述动态负载线,利用人工神经网络技术分别对所述电荷源、电流源和非线性元件进行训练;
将训练好的所述电流源、电荷源和非线性元件导入电路仿真软件,添加外部寄生电感、电容和电阻,封装形成所述系统的大信号模型。
在其中一个实施例中,所述利用人工神经网络技术分别对所述电流源、电荷源和非线性元件进行训练的步骤包括:
对于构建的每个所述电流源人工神经网络拓扑结构、电荷源人工神经网络拓扑结构和非线性元件人工神经网络拓扑结构,先用人工智能算法优化出一组人工神经网路的权重初值,然后用后向传播的麦夸特法进行再优化,得到最终的全局最优权重,分别完成对所述电流源、电荷源和非线性元件的训练。
上述基于人工神经网络的系统建模方法,利用神经网络拟合系统的动态负载线,能够快速对各种工艺的晶体管器件构成的系统进行精确建模,这种建模方法操作简便、耗时短。
附图说明
图1为根据本发明的基于人工神经网络的晶体管建模方法的一个实施例的流程图;
图2为根据本发明的基于人工神经网络的晶体管建模方法的一个实施例的场效应管的典型小信号等效电路拓扑结构图;
图3为图1所示的场效应管的典型大信号模型拓扑结构图;
图4为根据本发明的基于人工神经网络的晶体管建模方法的一个实施例的热子电路的示意图;
图5为根据本发明的基于人工神经网络的晶体管建模方法的一个实施例的非线性电容、电阻的人工神经网络拓扑结构及训练方式示意图;
图6为根据本发明的基于人工神经网络的晶体管建模方法的一个实施例的电荷源的人工神经网络拓扑结构及训练方式示意图;
图7为根据本发明的基于人工神经网络的晶体管建模方法的一个实施例的窄脉冲电流源的人工神经网络拓扑结构及训练方式示意图;
图8为根据本发明的系统建模方法的一个实施例的动态负载线示意图;
图9为根据本发明的系统建模方法的一个实施例的动态负载线轨迹示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
本发明提供了一种基于人工神经网络的晶体管建模方法,参考图1,包括:
测量晶体管在多个温度、多个静态偏置下的S参数的值;
确定晶体管的小信号等效电路拓扑结构,从S参数中提取出外部等效寄生参数,去嵌掉外部等效寄生参数;
根据所述小信号等效电路拓扑结构的内部结构,解析或者优化得到所述小信号等效电路拓扑结构的内部参数的值;
选择晶体管的大信号模型拓扑结构,确定大信号模型拓扑结构中所包含的电流源、电荷源和非线性元件;
确定大信号模型拓扑结构中的电流源、电荷源和小信号等效电路拓扑结构的内部参数的关系;
分别为电流源、电荷源和非线性元件构建相应的人工神经网络拓扑结构;
根据人工神经网络拓扑结构以及内部参数的值,利用人工神经网络技术分别对电流源、电荷源和非线性元件进行训练;
将训练好的电流源、电荷源和非线性元件导入电路仿真软件,添加外部寄生电感、电容和电阻,封装形成晶体管的大信号模型。
以下以氮化镓场效应管的建模为例,对该方法进行详细说明。
首先,利用温控器(Temperature chamber)控制该氮化镓场效应管所在环境的温度,例如,可以控制该氮化镓场效应管的工作温度为25摄氏度、50摄氏度、75摄氏度、100摄氏度等。对每一个工作温度分别采用矢量网络分析仪测量晶体管在不同静态偏置下的S参数。一般静态偏置点的选取需要覆盖晶体管的工作范围,比如栅极偏置电压(VGS)从截止到开启等间隔选取,而漏极偏置电压(VDS)则从0到该氮化镓场效应管所能工作的最大漏极电压,等间隔选取。例如VGS从-6V到0V,间隔为0.25V选取;VDS从0V到50V,间隔为2V选取。在下面提取小信号参数的时候,使用的Cold-FET技术会用到部分偏置下的S参数,比如VDS=0V,VGS=0和VGS=Vpinch(截止)。对与大信号模型构建,需要用到在所有偏置下、不同温度下测量得到的S参数。
然后,确定该氮化镓场效应管的小信号等效电路拓扑结构,如图2所示。本领域技术人员可以理解的是,该氮化镓场效应管的小信号等效电路拓扑结构可以是其他合适的任意拓扑结构。在图2中,虚线框内为内部等效电路,虚线框外部为外部等效电路。采用Cold-FET技术或者全局优化技术从所述S参数中提取外部等效电路的外部等效寄生参数,包括:Cpg、Lg、Rg、Cpd、Ld、Rd、Ls、Rs。Cold-FET技术或者全局优化技术为本领域技术人员的公知技术,在此不再赘述。
根据所采用的小信号等效电路拓扑结构,去嵌掉外部等效寄生参数。具体操作流程为:
即,将测量的所述S参数转化为Y参数,去嵌掉外部寄生电容;将Y参数转化为Z参数,去嵌掉外部寄生电阻和外部寄生电感;将Z参数转化为Y参数。
在本实施例中,小信号等效电路拓扑结构有8个内部参数Cgs、Cgd、Cds、tau、Rgs、Rgd、gm、gds。对于上面得到的Yint参数矩阵,包含四个参数Y11、Y12、Y21、Y22,其中每个参数里面都包含实部和虚步,如下式所示:
即,Yint参数矩阵的实部和虚部的总个数为8,所以一共有8个自由度。因此,可以唯一地解析得到所有的小信号等效电路拓扑结构的内部参数的值,表示为f(Vgs,Vds,T)。在其他实施例中,小信号等效电路拓扑结构中的内部参数构建的Yint参数矩阵可能与测量得到的Y参数不一致,这种情况下,可以使用最速下降法等对内部参数直接进行优化,使得优化后的内部参数所重建的Yint参数矩阵与测量得到的Y参数一致。
接着,为该氮化镓场效应管选择合适的大信号模型拓扑结构,可以基于非线性电容模型、Staz模型、Angelov模型、Curtice模型等。图3为本实施例所选的大信号模型拓扑结构,其中,包含有电流源、电荷源和非线性元件,其中,非线性元件包括非线性电容、非线性电阻。该大信号模型拓扑结构与上述小信号等效电路拓扑结构相对应,其中,Qgs对应Cgs,Qgd对应Cgd,Qds对应Cds,Ids与gm、gds、tau对应。
大信号模型拓扑结构中的参数都是从小信号等效电路拓扑结构中的内部参数中建立的,因此需要确定大信号模型拓扑结构中的电流源、电荷源等和小信号等效电路拓扑结构中的内部参数的关系。
对于大信号模型拓扑结构中的电荷源Qgs可以基于内部参数Cgs表示为:
Qgs(Vgs,Vds,T)=∫Cgs(Vgs,Vds,T)dVgs
其中,Cgs(Vds,Vds,T)通过下面的人工神经网络拟合得到,即Qgs通过对神经网络的拟合结果进行积分操作得到。
对于大信号模型拓扑结构中的电荷源Qgd可以基于内部参数Cgd表示为:
Qgd(Vgs,Vgd,T)=∫Cgs(Vds,Vgd,T)dVgd
其中,Cgd(Vgs,Vgd,T)通过下面的人工神经网络拟合得到,即Qgd通过对神经网络的拟合结果进行积分操作得到。
对于大信号模型拓扑结构中的电荷源Qds可以基于内部参数Cds表示为:
Qds(Vds,T)=∫Cds(Vds,T)dVds
其中,Cds(Vds,T)通过下面的人工神经网络拟合得到,即Qds通过对神经网络的拟合结果进行积分操作得到。
对于大信号模型拓扑结构中的电流源,可以直接通过测量脉冲漏极电压电流关系,再通过下面的人工神经网络拟合得到Ids=fANN(Vgs,Vds,T,Vgsq,Vdsq),其中Ids对Vgs和Vds的偏微分可以分别得到gm和gds。
在确定了大信号模型拓扑结构中的电流源、电荷源和小信号等效电路拓扑结构的内部参数的关系后,分别为电流源、电荷源和非线性元件构建相应的人工神经网络拓扑结构。
在本实施例中,构建的非线性元件人工神经网络拓扑结构,如图5所示,为至少三层神经网络拓扑结构,包括输入层、至少一层隐含层和输出层,输入层的输入为动态偏置Vgs、Vds和工作温度Tj,输出层的输出为从内部参数中提取出的非线性元件的值。
在本实施例中,构建的电荷源人工神经网络拓扑结构,如图6所示,为三层神经网络拓扑结构,包括输入层、隐含层和输出层,输入层的输入为动态偏置Vgs、Vds和工作温度Tj,所述电荷源输出层的输出连接积分单元。电荷源人工神经网络拓扑结构通常为三层神经网络拓扑结构,因为最后的积分操作只能限制在三层神经网络。
在本实施例中,针对氮化镓场效应管,采用窄脉冲电压电流测试来对强烈的温度效应建模,构建的窄脉冲电流源人工神经网络拓扑结构,如图7所示,为至少三层神经网络拓扑结构,包括输入层、至少一层隐含层和输出层,输入层的输入为静态偏置Vgsq、Vdsq、动态偏置Vgs、Vds和沟道温度Tj,输出层为晶体管的漏极电流值。
在构建完成电流源、电荷源和非线性元件的人工神经网络拓扑结构后,需要对分别对电流源、电荷源和非线性元件进行人工神经网络拟合,对于构建的每个电流源人工神经网络拓扑结构、电荷源人工神经网络拓扑结构和非线性元件人工神经网络拓扑结构采用的人工神经网络拟合方式基本一致,具体如下:
首先,采用人工智能算法,根据测量、解析得到的内部参数,优化出一组人工神经网路的权重初值;
然后,基于这组人工神经网路的权重初值,采用后向传播的麦夸特法(BackPropagation Levenberg-Marquardt),根据测量、解析得到的内部参数,对人工神经网路的权重进行训练,实现进行再优化,得到最终的全局最优权重。
通过以上方式可以分别完成对所述电流源、电荷源和非线性元件的训练。其中,采用的人工智能算法和后向传播的麦夸特法均为本领域的已知技术手段,在此不再赘述。在其他实施例中,也可以使用最速下降、牛顿迭代等方法实现人工神经网路权重的优化。
最后,将训练好的电流源、电荷源和非线性元件导入电路仿真软件,添加热子电路、外部寄生电感、电容和电阻,封装形成氮化镓场效应管的大信号模型。以AdvancedDesign System为例,可以使用user defined model或者symbolically defined model来实现基于人工神经网络的氮化镓场效应管的大信号模型的导入。
在氮化镓场效应管的大信号模型中,热子电路的引入是由于氮化镓场效应管的自热现象比较严重。该热子电路,如图4所示,是一个RC并联电路,其中Pdiss的平均值可以通过测量和计算得到,而沟道温度Tj可以通过Pdiss乘以热电阻Rth得到,即Tj=Rth×Pdiss=Rth×Vds×Ids。
本发明还提供了一种基于人工神经网络的系统建模方法,包括:
将所述系统用具有电荷源、电流源和非线性元件的模型表示,并根据所述系统的应用场景对所述模型进行简化;
在不同的温度下,对所述系统的输入端口施加不同的电压,检测所述系统的输入端口电流,以及输出端口电压和输出端口电流,确定所述输入端口电流、所述输出端口电流分别与所述输入端口电压和所述输出端口电压、所述输入端口电压和所述输出端口电压的关系;
根据所述关系,得到所述系统的动态负载线;
为简化后的所述系统中包含的所述电荷源、电流源和非线性元件分别构建相应的人工神经网络拓扑结构,根据所述人工神经网络拓扑结构以及所述动态负载线,利用人工神经网络技术分别对所述电荷源、电流源和非线性元件进行训练;
将训练好的所述电流源、电荷源和非线性元件导入电路仿真软件,添加外部寄生电感、电容和电阻,封装形成所述系统的大信号模型。
以下以晶体管系统的建模为例,对该方法进行详细说明。
在本实施例中,晶体管被当成是一个黑盒的系统,而这个系统可以看做是一个两端口系统,两个端口分别是栅极和漏极。
首先,对根据该系统的应用场景对其模型进行简化。完整的系统建模需要测量大量的数据,例如,系统的偏置、输入信号的功率、系统工作频、负载等等,但是对于很多实际应用而言,在系统的工作模式确定的情况下,系统的偏置、输入信号的功、系统工作频率和负载都固定,因此,可以对系统进行简化。在本实施例中,只需要测量输入端口(栅极)和输出端口(漏极)的电压电流波形。
在固定偏置下,当系统工作时,可以分别对输入端口和输出端口进行电压电流时域采样。在一个周期内,通过对每一时间点进行对应,即在时间t,可以得到一个Vgs、Vds、Igs、Ids的值,然后对应起来可以得到如下关系:
Igs=f(Vgs,Vds);Ids=g(Vgs,Vds)。
例如,图8为显示了Ids与Vgs和Vds之间的关系的动态负载线示意图,其中,图8中的圆圈代表一个周期内系统电流(Ids)跟两个端口的电压(Vgs和Vds)的关系,即,Ids=g(Vgs,Vds)。图9为动态负载线轨迹示意图,图中的不同的圆圈代表系统在不同输入信号功率下的动态负载线轨迹。
根据本实施例中的端口电压电流轨迹图,可以将该系统简化为一个电流源,并为该电流源构造人工神经网络拓扑结构。根据构造的人工神经网络拓扑结构以及动态负载线,利用人工神经网络技术可以实现对该电荷源的训练,即先用人工智能算法优化出一组人工神经网路的权重初值,然后用后向传播的麦夸特法进行再优化,得到最终的全局最优权重。具体过程参见上述晶体管的建模,在此不再赘述。
将训练好的电流源导入电路仿真软件,添加外部寄生电感、电容和电阻,封装形成该系统的大信号模型。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于人工神经网络的晶体管建模方法,包括:
测量所述晶体管在多个温度、多个静态偏置下的S参数的值;
确定所述晶体管的小信号等效电路拓扑结构,从所述S参数中提取出外部等效寄生参数,去嵌掉外部等效寄生参数;
根据所述小信号等效电路拓扑结构的内部结构,解析或者优化得到所述小信号等效电路拓扑结构的内部参数的值;
选择所述晶体管的大信号模型拓扑结构,确定所述大信号模型拓扑结构中所包含的电流源、电荷源和非线性元件,其中,所述非线性元件包括非线性电容、非线性电阻;
确定所述大信号模型拓扑结构中的所述电流源、电荷源和所述小信号等效电路拓扑结构的所述内部参数的关系;
分别为所述电流源、电荷源和非线性元件构建相应的人工神经网络拓扑结构;
根据所述人工神经网络拓扑结构以及所述内部参数的值,利用人工神经网络技术分别对所述电流源、电荷源和非线性元件进行训练;
将训练好的所述电流源、电荷源和非线性元件导入电路仿真软件,添加外部寄生电感、电容和电阻,封装形成所述晶体管的大信号模型;
其中,所述利用人工神经网络技术分别对所述电流源、电荷源和非线性元件进行训练的步骤包括:
对于构建的每个所述电流源人工神经网络拓扑结构、电荷源人工神经网络拓扑结构和非线性元件人工神经网络拓扑结构,先用人工智能算法优化出一组人工神经网络的权重初值,然后用后向传播的麦夸特法进行再优化,得到最终的全局最优权重,分别完成对所述电流源、电荷源和非线性元件的训练。
2.根据权利要求1所述的基于人工神经网络的晶体管建模方法,其特征在于,在确定所述晶体管的小信号等效电路拓扑结构后,所述方法还包括采用Cold-FET技术或者全局优化技术从所述S参数中提取外部等效寄生参数的步骤。
3.根据权利要求1所述的基于人工神经网络的晶体管建模方法,其特征在于,去嵌掉外部等效寄生参数的步骤包括:
将测量的所述S参数转化为Y参数,去嵌掉外部寄生电容;
将Y参数转化为Z参数,去嵌掉外部寄生电阻和外部寄生电感;
将Z参数转化为Y参数。
4.根据权利要求1所述的基于人工神经网络的晶体管建模方法,其特征在于,所述大信号模型拓扑结构包括非线性电容模型、Staz模型、Angelov模型、Curtice模型。
5.根据权利要求1所述的基于人工神经网络的晶体管建模方法,其特征在于,所述分别为所述电流源、电荷源和非线性元件构建相应的人工神经网络拓扑结构的步骤包括:
构建电流源人工神经网络拓扑结构,所述电流源人工神经网络拓扑结构为至少三层神经网络拓扑结构,包括电流源输入层、至少一层电流源隐含层和电流源输出层,所述电流源输入层的输入为静态偏置Vgsq、Vdsq、动态偏置Vgs、Vds和沟道温度,所述电流源输出层为所述晶体管的漏极电流值;
构建电荷源人工神经网络拓扑结构,所述电荷源人工神经网络拓扑结构为三层神经网络拓扑结构,包括电荷源输入层、电荷源隐含层和电荷源输出层,所述电荷源输入层的输入为动态偏置Vgs、Vds和工作温度,所述电荷源输出层的输出连接积分单元;
构建非线性元件人工神经网络拓扑结构,所述非线性元件人工神经网络拓扑结构为至少三层神经网络拓扑结构,包括非线性元件输入层、至少一层非线性元件隐含层和非线性元件输出层,所述非线性元件输入层的输入为动态偏置Vgs、Vds和工作温度,所述非线性元件输出层的输出为从所述内部参数中提取出的非线性元件的值。
6.根据权利要求1所述的基于人工神经网络的晶体管建模方法,其特征在于,在封装形成所述晶体管的大信号模型之前,所述方法还包括在大信号模型拓扑结构中添加热子电路的步骤。
7.一种基于人工神经网络的系统建模方法,包括:
将所述系统用具有电荷源、电流源和非线性元件的模型表示,并根据所述系统的应用场景对所述模型进行简化;
在不同的温度下,对所述系统的输入端口施加不同的电压,检测所述系统的输入端口电流,以及输出端口电压和输出端口电流,确定所述输入端口电流、所述输出端口电流分别与所述输入端口电压和所述输出端口电压、所述输入端口电压和所述输出端口电压的关系;
根据所述关系,得到所述系统的动态负载线;
为简化后的所述系统中包含的所述电荷源、电流源和非线性元件分别构建相应的人工神经网络拓扑结构,根据所述人工神经网络拓扑结构以及所述动态负载线,利用人工神经网络技术分别对所述电荷源、电流源和非线性元件进行训练;
将训练好的所述电流源、电荷源和非线性元件导入电路仿真软件,添加外部寄生电感、电容和电阻,封装形成所述系统的大信号模型;
其中,所述利用人工神经网络技术分别对所述电流源、电荷源和非线性元件进行训练的步骤包括:
对于构建的每个所述电流源人工神经网络拓扑结构、电荷源人工神经网络拓扑结构和非线性元件人工神经网络拓扑结构,先用人工智能算法优化出一组人工神经网络的权重初值,然后用后向传播的麦夸特法进行再优化,得到最终的全局最优权重,分别完成对所述电流源、电荷源和非线性元件的训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510477554.5A CN106446310B (zh) | 2015-08-06 | 2015-08-06 | 基于人工神经网络的晶体管及系统建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510477554.5A CN106446310B (zh) | 2015-08-06 | 2015-08-06 | 基于人工神经网络的晶体管及系统建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106446310A CN106446310A (zh) | 2017-02-22 |
CN106446310B true CN106446310B (zh) | 2021-08-31 |
Family
ID=58092897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510477554.5A Active CN106446310B (zh) | 2015-08-06 | 2015-08-06 | 基于人工神经网络的晶体管及系统建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106446310B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194127A (zh) * | 2017-06-30 | 2017-09-22 | 苏州芯智瑞微电子有限公司 | 一种基于窄脉冲小信号测量的晶体管建模方法 |
JP6293963B1 (ja) * | 2017-08-31 | 2018-03-14 | Tdk株式会社 | ニューロモルフィック素子を含むアレイの制御装置、離散化ステップサイズの演算方法およびプログラム |
CN107748809B (zh) * | 2017-09-20 | 2021-01-26 | 苏州芯智瑞微电子有限公司 | 一种基于神经网络技术的半导体器件建模方法 |
CN110414024A (zh) * | 2018-04-28 | 2019-11-05 | 深圳芯松微电子有限公司 | 半导体器件建模方法 |
CN108875172A (zh) * | 2018-06-05 | 2018-11-23 | 天津工业大学 | 一种基于神经网络的碳化硅场效应管模型 |
CN109791627B (zh) * | 2018-06-19 | 2022-10-21 | 香港应用科技研究院有限公司 | 使用输入预处理和转换目标用于训练深度神经网络的半导体器件建模 |
US11176447B2 (en) | 2018-06-19 | 2021-11-16 | Hong Kong Applied Science and Technology Research Institute Company Limited | Semiconductor device modeling using input pre-processing and transformed targets for training a deep neural network |
CN109241622A (zh) * | 2018-09-06 | 2019-01-18 | 天津工业大学 | 一种基于小信号知识型封装晶体管的神经网络建模方法 |
CN110220912A (zh) * | 2019-05-28 | 2019-09-10 | 太原理工大学 | 一种基于深度学习的蓝宝石生长缺陷视觉检测方法 |
CN111967186A (zh) * | 2020-08-19 | 2020-11-20 | 天津城建大学 | 一种用于功率晶体管大信号建模的神经网络空间映射方法 |
CN114386347A (zh) * | 2020-10-19 | 2022-04-22 | 苏州华太电子技术有限公司 | 一种场效应晶体管的建模方法 |
CN112231986B (zh) * | 2020-11-04 | 2023-04-07 | 中国电子科技集团公司第二十九研究所 | 一种数控衰减器建模方法 |
CN113536661B (zh) * | 2021-06-15 | 2022-12-13 | 西安电子科技大学 | 基于神经网络的tfet器件结构优化和性能预测方法 |
CN113687995B (zh) * | 2021-10-27 | 2022-01-04 | 成都嘉纳海威科技有限责任公司 | 一种基于神经网络的芯片筛测方法 |
CN116720468B (zh) * | 2023-06-12 | 2024-01-19 | 南京邮电大学 | 一种结合神经网络的单元库时序模型构建方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617319A (zh) * | 2013-11-26 | 2014-03-05 | 中国科学院微电子研究所 | 一种iii-v族mosfet的小信号模型参数直接提取方法 |
CN103778281A (zh) * | 2014-01-09 | 2014-05-07 | 浙江大学 | GaAs pHEMT管芯非线性模型参数提取方法 |
-
2015
- 2015-08-06 CN CN201510477554.5A patent/CN106446310B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617319A (zh) * | 2013-11-26 | 2014-03-05 | 中国科学院微电子研究所 | 一种iii-v族mosfet的小信号模型参数直接提取方法 |
CN103778281A (zh) * | 2014-01-09 | 2014-05-07 | 浙江大学 | GaAs pHEMT管芯非线性模型参数提取方法 |
Non-Patent Citations (4)
Title |
---|
"A New Extraction Method of Extrinsic Elements of GaAs GaN";Andong Huang et al.;《2014 IEEE International Symposium on Radio-Frequency Integration Technology》;20141231;第1-3页 * |
"GaN_HEMT毫米波器件及建模";王庆娜;《中国优秀硕士学位论文全文数据库信息科技辑》;20131215(第S1期);第I、12-47页 * |
"多层前向神经网络的RLS训练算法及其在辨识中的应用";谭永红;《控制理论与应用》;19941031;第11卷(第5期);第594-599页 * |
王庆娜."GaN_HEMT毫米波器件及建模".《中国优秀硕士学位论文全文数据库信息科技辑》.2013,(第S1期),第I、12-47页. * |
Also Published As
Publication number | Publication date |
---|---|
CN106446310A (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106446310B (zh) | 基于人工神经网络的晶体管及系统建模方法 | |
CN104573330B (zh) | 氮化镓高电子迁移率晶体管i‑v模型参数的提取方法 | |
CN104899350B (zh) | SiC MOSFET仿真模型的建模方法 | |
Bond et al. | Compact modeling of nonlinear analog circuits using system identification via semidefinite programming and incremental stability certification | |
CN106372357A (zh) | 一种GaN HEMT非线性噪声模型建立方法 | |
CN107609269A (zh) | 一种随偏置缩放的晶体管噪声模型建立方法 | |
Zhang et al. | On the formulation of self-heating models for circuit simulation | |
Xu et al. | Artificial neural networks for compound semiconductor device modeling and characterization | |
CN108153926B (zh) | 基于经验公式的半导体器件的建立解析模型的方法 | |
Gasseling | Compact transistor models: The roadmap to first-pass amplifier design success | |
CN106407629A (zh) | 基于蒙特卡洛算法的GaN HEMT噪声模型建立方法 | |
CN104331580B (zh) | 利用高压场效应晶体管子电路模型描述自热效应的方法 | |
Xu et al. | Measurement-based non-quasi-static large-signal FET model using artificial neural networks | |
Schreurs et al. | Construction of behavioral models for microwave devices from time domain large‐signal measurements to speed up high‐level design simulations | |
Alvarez et al. | Noise power normalisation: extension of gm/ID technique for noise analysis | |
Jarnda | Genetic algorithm based extraction method for distributed small-signal model of GaN HEMTs | |
Zhang et al. | Enabling automatic model generation of RF components: a practical application of neural networks | |
CN104899344A (zh) | 射频电路仿真方法和系统 | |
Lai et al. | LDMOS modeling | |
CN107194127A (zh) | 一种基于窄脉冲小信号测量的晶体管建模方法 | |
King et al. | Charge conservative FET modelling using ANNs | |
Zheng et al. | Ascend: Automatic bottom-up behavioral modeling tool for analog circuits | |
Wilson et al. | Ensuring Charge Conservation in GaN HEMT Large Signal Model | |
Brady et al. | Large-signal FET modeling based on pulsed measurements | |
Barmuta et al. | Hybrid nonlinear modeling using adaptive sampling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |