CN107748809B - 一种基于神经网络技术的半导体器件建模方法 - Google Patents

一种基于神经网络技术的半导体器件建模方法 Download PDF

Info

Publication number
CN107748809B
CN107748809B CN201710854070.7A CN201710854070A CN107748809B CN 107748809 B CN107748809 B CN 107748809B CN 201710854070 A CN201710854070 A CN 201710854070A CN 107748809 B CN107748809 B CN 107748809B
Authority
CN
China
Prior art keywords
neural network
dimension
semiconductor device
modeling
dimensions
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
Application number
CN201710854070.7A
Other languages
English (en)
Other versions
CN107748809A (zh
Inventor
黄安东
姚鸿
仲正
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Xinzhirui Microelectronics Co ltd
Original Assignee
Suzhou Xinzhirui Microelectronics Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Xinzhirui Microelectronics Co ltd filed Critical Suzhou Xinzhirui Microelectronics Co ltd
Priority to CN201710854070.7A priority Critical patent/CN107748809B/zh
Publication of CN107748809A publication Critical patent/CN107748809A/zh
Application granted granted Critical
Publication of CN107748809B publication Critical patent/CN107748809B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Junction Field-Effect Transistors (AREA)
  • Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)

Abstract

本发明公开了一种基于神经网络技术的半导体器件建模方法，包括以下步骤：步骤1）对神经网络部分纬度进行高阶泰勒展开，实现神经网络的降维处理；步骤2）利用降维后的神经网络对半导体器件的端口电压电流特性、半导体器件的漂移效应进行建模；本发明有效降低网络空间复杂度，减小网络训练时过拟合的风险，可用于半导体器件或电路系统的建模中。

Description

一种基于神经网络技术的半导体器件建模方法
技术领域
本发明涉及一种神经网络建模技术，特别涉及一种半导体器件建模方法。
背景技术
随着半导体工业的快速发展，新的材料系统以及新的工艺被不断引入来生产高性能半导体器件，并且这个过程迭代的如此之快，以至于传统的建模方法已经无法满足工业应用的要求。神经网络技术因为其强大的拟合能力，被广泛引入到半导体或者电路系统建模领域，比如是德科技(Keysignt)开发的晶体管商业模型NeuroFET,DynaFET等都是基于人工神经网络技术。然而神经网络在训练时，如果数据量较小，则很容易陷入过拟合，这个问题会影响神经网络的收敛性，甚至出现非物理的结果，从而阻碍其进一步被大范围工业应用。
发明内容
本发明的目的是提供一种基于神经网络技术的半导体器件建模方法，有效降低网络空间复杂度，减小网络训练时过拟合的风险。
本发明的目的是这样实现的：一种基于神经网络技术的半导体器件建模方法，包括以下步骤：
步骤1)对神经网络部分纬度进行高阶泰勒展开，实现神经网络的降维处理；
步骤2)利用降维后的神经网络对半导体器件的端口电压电流特性、半导体器件的漂移效应进行建模。
作为本发明的进一步限定，步骤1)中降维的具体方法为：
首先定义一个多维度神经网络f(p,q)，其中
p＝(x1,x2,…,xN)|1×N,q＝(y1,y2,…,yM)|1×M
q代表了近似线性或者数据量相对较少的维度，p代表了高度非线性，或数据量充足的维度；对神经网络f(p,q)中的维度q泰勒展开得到：
Figure BDA0001413233980000021
其中，q0是静态展开点，
Figure BDA0001413233980000022
是在静态展开点处的雅克比，
Figure BDA0001413233980000023
是静态展开点的海森矩阵，它们定义为：
Figure BDA0001413233980000024
Figure BDA0001413233980000025
全连接前向神经网络f(p,q)的维度为N+M，对维度q泰勒展开后，神经网络维度被降低为N维，其中f(p,q0),
Figure BDA0001413233980000026
都是由N维神经网络来表征。
作为本发明的进一步限定，步骤2)中的对半导体器件的漂移效应进行建模具体为：
把引起漂移效应的维度引入到电流源中，并对这些维度进行泰勒展开，其余维度使用神经网络来表征；
使用端口时域波形来训练电流源；
把引起漂移效应的维度引入到电荷源中，并对这些维度进行泰勒展开，其余维度使用神经网络来表征；
使用端口时域波形来训练电荷源；
把训练好的电流源和电荷源导入到电路仿真软件，封装成模型。
作为本发明的进一步限定，训练电流源时还可使用电流电压测试数据；训练电荷源时还可使用多偏置散射参数测试数据。
与现有技术相比，本发明的有益效果在于：
1)显著降低神经网络的复杂性，在计算机上部署神经网络时，极大地降低了计算资源，并且提高了模型在仿真器(如Advanced Design System)中的收敛性；
2)降低了神经网络过拟合的风险，特别是对于数据量很少的维度(比如温度这个维度只采样了25摄氏度和100摄氏度)，那么全连接神经网络必然会导致过拟合，从而导致模型不可用；
3)降低了对测试数据量的要求，比如商用晶体管模型DynaFET的测试需要一周不间断的测试，如果对某些维度(比如温度和陷阱)展开，那么可以极大的缩减测试时间；
4)减少了模型训练时间，这是因为经过降维后的神经网络的神经元显著减少，待优化的变量显著减少，当神经网络的维度越大，这个优势越明显。
附图说明
图1为本发明中全连接前向神经网络结构图。
图2为本发明中氮化镓晶体管电流源全连接前向神经网络模型示意图。
图3为本发明中氮化镓晶体管电流源降维前向神经网络模型示意图。
图4为本发明中氮化镓晶体管电荷源全连接前向神经网络模型示意图。
图5为本发明中氮化镓晶体管电荷源降维前向神经网络模型示意图。
图6为本发明中砷化镓晶体管电流源全连接前向神经网络模型示意图。
图7为本发明中砷化镓晶体管电流源降维前向神经网络模型示意图。
图8为本发明中砷化镓晶体管电荷源全连接前向神经网络模型示意图.
图9为本发明中砷化镓晶体管电荷源降维前向神经网络模型示意图。
具体实施方式
首先阐述这种神经网络降维的理论方法，然后结合多个涉及半导体器件或者电路系统的建模案例，进一步展示这种方法。
首先定义一个多维度神经网络f(p,q),其中：
p＝(x1,x2,…,xN)|1×N,q＝(y1,y2,…,yM)|1×M
q代表了近似线性或者数据量相对较少的维度，p代表了高度非线性，或数据量充足的维度；传统的神经网络f(p,q)对所有维度p+q，使用全连接的神经网络训练；如图1所示；对神经网络f(p,q)中的维度q泰勒展开得到：
Figure BDA0001413233980000041
其中q0是静态展开点,
Figure BDA0001413233980000042
是在静态展开点处的雅克比,
Figure BDA0001413233980000043
是静态展开点的海森矩阵，他们定义为
Figure BDA0001413233980000044
Figure BDA0001413233980000045
全连接前向神经网络f(p,q)的维度为N+M，对维度q泰勒展开后，神经网络维度被降低为N维，其中f(p,q0),
Figure BDA0001413233980000046
都是由N维神经网络来表征。
下面结合几个例子来说明。
1.氮化镓晶体管降维神经网络建模案例
为了阐述方便，这个例子只给出泰勒一阶展开的情况；氮化镓基晶体管建模的关键在于对电流源和电荷源的建模；下面表格列出了电流源的控制变量：
表1.氮化镓基晶体管电流源的控制变量
Figure BDA0001413233980000051
电流源的神经网络表达式为
Figure BDA0001413233980000052
其全连接的神经网络见图2；
令p＝(Vgs,Vds),
Figure BDA0001413233980000053
对维度
Figure BDA0001413233980000054
一阶泰勒展开，则：
Figure BDA0001413233980000055
其中
Figure BDA0001413233980000056
q0为静态展开点，在这个例子中，我们令静态展开点为q0＝[0 0 0]，记Id(p,q0)＝Id0(p)＝Id0(Vgs,Vds)则有
Figure BDA0001413233980000057
其中Id0(Vgs,Vds),FG(Vgs,Vds),FD(Vgs,Vds),FT(Vgs,Vds)分别为降维后的子神经网络，降维后的电流源的神经网络示意图如图3所示；
接下就可以使用晶体管的时域波形数据或者窄脉冲静态电压电流测试数据对沟道电流(即电流源)进行训练；我们以时域波形数据为例，从时域波形中，降维神经网络输入变量可以从波形数据中获得：
Vgs＝Vgs(t),Vds＝Vds(t)
Figure BDA0001413233980000061
也即栅极陷阱
Figure BDA0001413233980000062
为栅极电压时域波形的最小值，漏极陷阱
Figure BDA0001413233980000063
为漏极电压时域波形的最大值，沟道温度Tj为环境温度和自热效应的叠加。降维神经网络的输出为Id＝Id(t)。
氮化镓晶体管的电荷源的全连接神经网络如图4所示，电荷源的降维神经网络建模方法与上述电流源一致，表2列出了电荷源的受控变量以及相应由人工神经网络表征的维度，以及由泰勒展开表征的维度。
表2.氮化镓基晶体管电荷源的控制变量
Figure BDA0001413233980000064
对漂移效应的那些维度进行泰勒展开，如下所示
Figure BDA0001413233980000065
其中
Figure BDA0001413233980000066
q0为静态展开点,在这个例子中，我们令静态展开点为q0＝[0 0 0]，记Q(p,q0)＝Q0(p)＝Q0(Vgs,vds)则有
Figure BDA0001413233980000067
其中Q0(Vgs,Vds),FQG(Vgs,Vds),FQD(Vgs,Vds),FQT(Vgs,Vds)分别为降维后的子神经网络，降维后的电流源的神经网络示意图如图5所示；
接下就可以使用晶体管的时域波形数据或者窄脉冲多偏置散射参数测试数据对电荷源进行训练。
2.砷化镓晶体管降维神经网络建模案例
砷化镓晶体管电流源的神经网络表达式为Id＝Id(Vgs,Vds,Tj)，其全连接的神经网络如图6所示；砷化镓基晶体管电流源的控制变量见表格3：
表3.砷化镓基晶体管电流源的控制变量
Figure BDA0001413233980000071
对沟道温度这个维度在Tj＝0处进行二阶泰勒展开得到
Id(Vgs,Vds,Tj)≈Id0(Vgs,Vds)+JId(Vgs,Vds)·Tj+HId(Vgs,Vds)(Tj)2
其中Id0(Vgs,Vds),JId(Vgs,Vds),HId(Vgs,Vds)分别为降维后的子神经网络，降维后的电流源的神经网络示意图如图7所示：
接下来可以使用不同温度下的电压电流测试曲线或者时域波形来训练上述降维后的神经网络。
电荷源的建模类似于电流源，砷化镓晶体管电荷源的神经网络表达式为Q＝Q(Vgs,Vds,Tj)，其全连接的神经网络见图8；砷化镓基晶体管电荷源的控制变量见表格4：
表3.砷化镓基晶体管电荷源的控制变量
Figure BDA0001413233980000072
对沟道温度这个维度在Tj＝0处进行二阶泰勒展开得到：
Q(Vgs,Vds,Tj)≈Q0(Vgs,Vds)+JQ(Vgs,Vds)·Tj+HQ(Vgs,Vds)(Tj)2
其中Q0(Vgs,Vds),JQ(Vgs,Vds),HQ(Vgs,Vds)分别为降维后的子神经网络，降维后的电荷源的神经网络示意图如图9所示；
接下来可以使用不同温度下的电压电流测试曲线或者时域波形来训练上述降维后的神经网络。
对神经网络的某些维度(比如温度)引入高维泰勒展开有以下优点：
1)显著降低神经网络的复杂性，在计算机上部署神经网络时，极大地降低了计算资源，并且提高了模型在仿真器(如Advanced Design System)中的收敛性。
2)降低了神经网络过拟合的风险，特别是对于数据量很少的维度(比如温度这个维度只采样了25摄氏度和100摄氏度)，那么全连接神经网络必然会导致过拟合，从而导致模型不可用。
3)降低了对测试数据量的要求，比如商用晶体管模型DynaFET的测试需要一周不间断的测试，如果对某些维度(比如温度和陷阱)展开，那么可以极大的缩减测试时间。
4)减少了模型训练时间，这是因为经过降维后的神经网络的神经元显著减少，待优化的变量显著减少，当神经网络的维度越大，这个优势越明显。
本发明并不局限于上述实施例，在本发明公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形，这些替换和变形均在本发明的保护范围内。

Claims (3)

1.一种基于神经网络技术的半导体器件建模方法，其特征在于，包括以下步骤：
步骤1)对神经网络部分纬度进行高阶泰勒展开，实现神经网络的降维处理，降维的具体方法为：
首先定义一个多维度神经网络f(p，q)，其中
p＝(x1，x2，…，xN)|1×N，q＝(y1，y2，…，yM)|1×M
q代表了近似线性或者数据量相对较少的维度，p代表了高度非线性，或数据量充足的维度；对神经网络f(p，q)中的维度q泰勒展开得到：
Figure FDA0002781608010000011
其中，q0是静态展开点，
Figure FDA0002781608010000012
是在静态展开点处的雅克比，
Figure FDA0002781608010000013
是静态展开点的海森矩阵，它们定义为：
Figure FDA0002781608010000014
Figure FDA0002781608010000015
全连接前向神经网络f(p，q)的维度为N+M，对维度q泰勒展开后，神经网络维度被降低为N维，其中f(p，q0)，
Figure FDA0002781608010000016
都是由N维神经网络来表征；
步骤2)利用降维后的神经网络对半导体器件的端口电压电流特性、半导体器件的漂移效应进行建模。
2.根据权利要求1所述的一种基于神经网络技术的半导体器件建模方法，其特征在于，步骤2)中的对半导体器件的漂移效应进行建模具体为：
把引起漂移效应的维度引入到电流源中，并对这些维度进行泰勒展开，其余维度使用神经网络来表征；
使用端口时域波形来训练电流源；
把引起漂移效应的维度引入到电荷源中，并对这些维度进行泰勒展开，其余维度使用神经网络来表征；
使用端口时域波形来训练电荷源；
把训练好的电流源和电荷源导入到电路仿真软件，封装成模型。
3.根据权利要求2所述的一种基于神经网络技术的半导体器件建模方法，其特征在于，训练电流源时还可使用电流电压测试数据；训练电荷源时还可使用多偏置散射参数测试数据。
CN201710854070.7A 2017-09-20 2017-09-20 一种基于神经网络技术的半导体器件建模方法 Active CN107748809B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710854070.7A CN107748809B (zh) 2017-09-20 2017-09-20 一种基于神经网络技术的半导体器件建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710854070.7A CN107748809B (zh) 2017-09-20 2017-09-20 一种基于神经网络技术的半导体器件建模方法

Publications (2)

Publication Number Publication Date
CN107748809A CN107748809A (zh) 2018-03-02
CN107748809B true CN107748809B (zh) 2021-01-26

Family

ID=61255739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710854070.7A Active CN107748809B (zh) 2017-09-20 2017-09-20 一种基于神经网络技术的半导体器件建模方法

Country Status (1)

Country Link
CN (1) CN107748809B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN109447245A (zh) * 2018-10-29 2019-03-08 石家庄创天电子科技有限公司 基于神经网络的等效模型生成方法以及建模方法
CN115481570B (zh) * 2022-09-22 2023-05-05 华南理工大学 一种基于残差网络的dtco建模方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2310880A1 (en) * 2008-08-06 2011-04-20 Halliburton Energy Service, Inc. Systems and methods employing cooperative optimization-based dimensionality reduction
CN103745273A (zh) * 2014-01-06 2014-04-23 北京化工大学 一种半导体制造过程的多性能预测方法
CN105137763A (zh) * 2015-10-10 2015-12-09 闽江学院 超声波电机鲁棒性递归式神经网络滑动模态控制系统及方法
CN105334732A (zh) * 2015-05-26 2016-02-17 河海大学常州校区 一种微陀螺双反馈回归神经网络滑模控制方法
CN105868467A (zh) * 2016-03-28 2016-08-17 南京航空航天大学 一种动稳态航空发动机机载模型构建方法
CN106446310A (zh) * 2015-08-06 2017-02-22 新加坡国立大学 基于人工神经网络的晶体管及系统建模方法
CN106777620A (zh) * 2016-12-05 2017-05-31 天津工业大学 一种用于功率晶体管的神经网络空间映射建模方法
WO2017095667A1 (en) * 2015-11-30 2017-06-08 Google Inc. Resizing neural networks

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9514388B2 (en) * 2008-08-12 2016-12-06 Halliburton Energy Services, Inc. Systems and methods employing cooperative optimization-based dimensionality reduction
US8481324B2 (en) * 2008-12-04 2013-07-09 Technion Research And Development Foundation Ltd. Apparatus and methods for diagnosing renal disorders
US20110246409A1 (en) * 2010-04-05 2011-10-06 Indian Statistical Institute Data set dimensionality reduction processes and machines

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2310880A1 (en) * 2008-08-06 2011-04-20 Halliburton Energy Service, Inc. Systems and methods employing cooperative optimization-based dimensionality reduction
CN103745273A (zh) * 2014-01-06 2014-04-23 北京化工大学 一种半导体制造过程的多性能预测方法
CN105334732A (zh) * 2015-05-26 2016-02-17 河海大学常州校区 一种微陀螺双反馈回归神经网络滑模控制方法
CN106446310A (zh) * 2015-08-06 2017-02-22 新加坡国立大学 基于人工神经网络的晶体管及系统建模方法
CN105137763A (zh) * 2015-10-10 2015-12-09 闽江学院 超声波电机鲁棒性递归式神经网络滑动模态控制系统及方法
WO2017095667A1 (en) * 2015-11-30 2017-06-08 Google Inc. Resizing neural networks
CN105868467A (zh) * 2016-03-28 2016-08-17 南京航空航天大学 一种动稳态航空发动机机载模型构建方法
CN106777620A (zh) * 2016-12-05 2017-05-31 天津工业大学 一种用于功率晶体管的神经网络空间映射建模方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A modular neural network for global modeling of microwave transistors;M.LBzaro等;《IEEE Xplore》;20020806;第389-394页 *
An Artificial Neural Network-Based Electrothermal Model for GaN HEMTs With Dynamic Trapping Effects Consideration;Andong Huang等;《IEEE TRANSACTIONS ON MICROWAVE THEORY AND TECHNIQUES》;20160830;第64卷(第8期);第2519-2527页 *

Also Published As

Publication number Publication date
CN107748809A (zh) 2018-03-02

Similar Documents

Publication Publication Date Title
CN107748809B (zh) 一种基于神经网络技术的半导体器件建模方法
Zhang et al. Asymptotical synchronization for chaotic Lur’e systems using sampled-data control
Tyagi et al. Finite-time stability for a class of fractional-order fuzzy neural networks with proportional delay
Yu et al. Adaptive backstepping synchronization of uncertain chaotic system
Huang et al. The existence and global attractivity of almost periodic sequence solution of discrete-time neural networks
Yuan et al. Approximate solutions of stochastic differential delay equations with Markovian switching
Dassios et al. Bayesian optimal control for a non-autonomous stochastic discrete time system
Palit et al. TFET-based cellular neural network architectures
Chu An exponential convergence estimate for analog neural networks with delay
Singh et al. Memristor-based novel complex-valued chaotic system and its projective synchronisation using nonlinear active control technique
Kutub et al. Artificial neural network-based (ANN) approach for characteristics modeling and prediction in GaN-on-Si power devices
Zhou et al. A fast analog circuit analysis algorithm for design modification and verification
Alimhan et al. Global practical output tracking of inherently nonlinear systems using continuously differentiable controllers
Geiser Iterative splitting method as almost asymptotic symplectic integrator for stochastic nonlinear Schrödinger equation
Karimov et al. Comparison of analog and numerical chaotic system simulation
Liu et al. Adaptive control for a class of nonlinear complex dynamical systems with uncertain complex parameters and perturbations
Trew A zone-based approach for physics-based FET compact models
US10621386B1 (en) Method of bias temperature instability calculation and prediction for MOSFET and FinFET
Zhu et al. Application of surrogate modeling to generate compact and PVT-sensitive IBIS models
Appleby et al. Blow-up and superexponential growth in superlinear Volterra equations
Gao et al. Non-linear independent component analysis using series reversion and Weierstrass network
Wreszinski External Fields
Taddiken et al. LUT-based stochastic modeling for non-normal performance distributions
Menozzi et al. HEMT and HBT small-signal model optimization using a genetic algorithm
US8539426B2 (en) Method and system for extracting compact models for circuit simulation

Legal Events

Date Code Title Description
PB01 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