CN108804807B - 一种用于获取表面势的方法及装置 - Google Patents
一种用于获取表面势的方法及装置 Download PDFInfo
- Publication number
- CN108804807B CN108804807B CN201810577635.6A CN201810577635A CN108804807B CN 108804807 B CN108804807 B CN 108804807B CN 201810577635 A CN201810577635 A CN 201810577635A CN 108804807 B CN108804807 B CN 108804807B
- Authority
- CN
- China
- Prior art keywords
- surface potential
- database
- obtaining
- parameter information
- target devices
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
- G06F16/2379—Updates performed during online database operations; commit processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明提供了一种用于获取表面势的方法及装置,方法包括:获取多个目标器件的参数信息,参数信息包括:尺寸、器件结构、材料参数以及不同温度下的各所述目标器件的载流子迁移率;所述多个目标器件包括:常规材料制备的器件以及表面势已经被确定的新型材料制备的器件;所述常规材料包括体材料,所述第一新型材料包括:薄膜材料;在对应的操作条件下,基于每个所述目标器件的尺寸、所述器件结构、所述材料参数及所述迁移率提取各表面势;基于各所述表面势和参数信息建立表面势数据库;基于所述表面势数据库,根据神经网络构建表面势解析模型;利用所述表面势解析模型确定新型材料制备的器件的表面势。
Description
技术领域
本发明属于半导体器件技术领域,尤其涉及一种用于获取表面势的方法及装置。
背景技术
半导体器件模型作为连接半导体制造商与电路设计者之间的桥梁,是半导体行业不可或缺的一环。
随着半导体器件的发展,目前出现了很多新材料,为了提高器件的仿真精度,研发人员一般会利用表面势来研究新型材料器件,并需要获取相应的表面势来研究新型材料制备出的器件的物理特性。但是现有技术中获取新型材料制备出的器件表面势的方法比较复杂,获取表面势的效率不高,导致研究进程的效率不高。
发明内容
针对现有技术存在的问题,本发明实施例提供了一种构建表面势解析模型的方法及装置,用于解决现有技术中在获取新型材料表面势器件的表面势时,获取方法复杂,导致获取效率低,进而导致利用表面势研究新型材料表面势器件特性的进程缓慢的技术问题。
本发明提供一种用于获取表面势的方法,所述方法包括:
获取多个目标器件的参数信息,所述参数信息包括:尺寸、器件结构、材料参数以及不同温度下的各所述目标器件的载流子迁移率;所述多个目标器件包括:常规材料制备的器件以及表面势已经被确定的第一新型材料制备的器件;所述常规材料包括体材料,所述第一新型材料包括:薄膜材料;
在对应的操作条件下,基于每个所述目标器件的尺寸、所述器件结构、所述材料参数及所述迁移率提取各表面势;
基于各所述表面势和所述参数信息建立表面势数据库;
基于所述表面势数据库,根据神经网络构建表面势解析模型;
利用所述表面势解析模型确定第二新型材料制备的器件的表面势。
上述方案中,所述获取不同温度下的各所述目标器件的载流子迁移率,包括:
上述方案中,所述基于各所述表面势各所述参数信息建立表面势数据库,包括:
建立各所述表面势与所述参数信息的之间各映射关系表;
将所述各映射关系表分别存储至预设数据库中对应的数据块中,形成所述表面势数据库。
上述方案中,基于所述表面势数据库,根据神经网络构建表面势解析模型,包括:
基于所述表面势数据库确定表面势训练样本集;
利用所述神经网络提供的假设模型对所述表面势训练样本集进行数据拟合,获取一物理方程,所述物理方程为所述表面势解析模型。
上述方案中,所述基于所述表面势数据库,根据神经网络构建表面势解析模型后,还包括:
基于所述表面势数据库建立薛定谔-泊松方程;
利用自洽求解获取所述薛定谔-泊松方程的第一解;
获取所述表面势解析模型的第二解;
获取所述第二解与所述第一解之间的差值;
利用所述差值对所述表面势解析模型进行校验。
本发明还提供一种构建表面解析式模型的装置,所述装置包括:
获取单元,用于获取多个目标器件参数信息,所述参数信息包括:尺寸、器件结构、材料参数以及不同温度下的各所述目标器件的载流子迁移率;所述多个目标器件包括:常规材料制备的器件以及表面势已经被确定的第一新型材料制备的器件;所述常规材料包括体材料,所述第一新型材料包括:薄膜材料;
提取单元,用于在对应的操作条件下,基于每个所述目标器件的尺寸、所述器件结构、所述材料参数及所述迁移率提取各表面势;
建立单元,用于基于各所述表面势和所述参数信息建立表面势数据库;
构建单元,用于基于所述表面势数据库,根据神经网络构建表面势解析模型;
确定单元,用于利用所述表面势解析模型确定第二新型材料制备的器件的表面势。
上述方案中,所述第二获取单元具体用于:
上述方案中,所述建立单元具体用于:
建立各所述表面势与所述参数信息的之间各映射关系表;
将所述各映射关系表分别存储至预设数据库中对应的数据块中,形成所述表面势数据库。
上述方案中,所述构建单元具体用于:
基于所述表面势数据库确定表面势训练样本集;
利用所述神经网络提供的假设模型对所述表面势训练样本集进行数据拟合,获取一物理方程,所述物理方程为所述表面势解析模型。
上述方案中,所述装置还包括:校验单元,用于:
基于所述表面势数据库建立薛定谔-泊松方程;
利用自洽求解获取所述薛定谔-泊松方程的第一解;
获取所述表面势解析模型的第二解;
获取所述第二解与所述第一解之间的差值;
利用所述差值对所述表面势解析模型进行校验。本发明提供了一种用于获取表面势的方法及装置,方法包括:获取多个目标器件的参数信息,所述参数信息包括:尺寸、器件结构、材料参数以及不同温度下的各所述目标器件的载流子迁移率;多个目标器件包括:常规材料制备的器件以及表面势已经被确定的第一新型材料制备的器件;在对应的操作条件下,基于每个所述目标器件的尺寸、所述器件结构、所述材料参数及所述迁移率提取各表面势;基于各所述表面势和所述参数信息建立表面势数据库;基于所述表面势数据库,根据神经网络构建表面势解析模型;利用所述表面势解析模型确定新型材料制备的器件的表面势;如此,利用多个不同结构、不同材料的目标器件,在对应的操作条件下获取多个表面势,然后基于这些表面势及对应的参数信息建立表面势数据库,利用神经网络构建表面势解析模型,利用所述表面势解析模型确定新型材料制备的器件的表面势;因构建出的表面势解析模型相当于是一个对各种结构、各种参数、各种条件下的器件进行归一后的智能解析模型,因此在利用表面势解析模型确定新型材料制备的器件的表面势时,可以根据新型材料制备的器件的一些参数快速确定出相应的表面势,这样无需繁杂的测试就可以获取到表面势,提高了获取表面势的效率,进而在利用表面势来研究新型材料制备出的表面势器件的一些特性时,也提高了整体研究进程效率。
附图说明
图1为本发明实施例提供的获取表面势的方法流程示意图;
图2为本发明实施例提供的获取表面势的装置结构示意图。
具体实施方式
为了解决现有技术中在获取新型材料表面势器件的表面势时,获取方法复杂,导致利用表面势研究新型材料表面势器件特性的进程缓慢的技术问题,本发明提供了一种用于获取表面势的方法及装置,方法包括:获取多个目标器件的参数信息,所述参数信息包括:尺寸、器件结构、材料参数;多个目标器件包括:常规材料制备的器件以及表面势已经被确定的第一新型材料制备的器件;获取不同温度下的各所述目标器件的载流子迁移率;在对应的操作条件下,基于每个所述目标器件的尺寸、所述器件结构、所述材料参数及所述迁移率提取各表面势;基于各所述表面势和参数信息建立表面势数据库;基于所述表面势数据库,根据神经网络构建表面势解析模型;利用所述表面势解析模型确定新型材料制备的器件的表面势。
下面通过附图及具体实施例对本发明的技术方案做进一步的详细说明。
实施例一
本实施例提供一种用于获取表面势的方法,如图1所示,所述方法包括:
S110,获取多个目标器件参数信息;
为了建立表面势数据库,本步骤中先需要获取到多个目标器件参数信息,参数信息包括:尺寸、器件结构、材料参数以及不同温度下的各所述目标器件的载流子迁移率。这里,目标器件可以包括:常规材料制备的器件及表面势已经被测量过并确定出结果的某些第一新型材料制备的器件。这里,常规材料一般是体材料,比如硅,氮化镓等;新型材料包括很多种,一般为薄膜材料,比如二维材料(石墨烯,单层二硫化钼)、纳米管等;有的新型材料制备的器件的表面势已经测量、确定出了,那么这样的新型材料称之为第一新型材料;而有的新型材料从未制备过器件模型,或者制备过器件,但表面势从未被测量过,或者表面势已经被测量过但是并未确定出,这样的新型材料为第二新型材料。
这里,器件结构一般包括:环形栅结构,垂直纳米栅结构,单层或多层薄膜结构等。材料参数包括:晶体结构,缺陷浓度,界面形态,掺杂浓度等。
获取多个目标器件的尺寸、器件结构、材料参数后,还需获取在不同温度下的各所述目标器件的载流子迁移率,这里可以根据公式(1)来获取:
公式(1)中,q为单元电荷,a为原子间距,kB为波尔兹曼常数,T为温度,v0为局域态长度的倒数,Ea为载流子跃迁的激活能。
S111,在对应的操作条件下,基于每个所述目标器件的尺寸、所述器件结构、所述材料参数及所述迁移率提取各表面势;
获取到多个目标器件的尺寸、器件结构、材料参数及载流子迁移率后,可以在不同的操作条件下,基于相应的目标器件的尺寸、器件结构、材料参数及载流子迁移率提取各表面势。操作条件包括:操作电流、操作电压及操作温度等。
对于常规材料制备的器件来说,可以利用一些软件分析模型(比如Global TCAD或Mentor)提取表面势。具体是软件分析模型接收各目标器件的尺寸、器件结构、材料参数及载流子迁移率及操作条件,然后直接输出相应的表面势。
而对于一些新型材料制备的器件来说,表面势是已有数据,直接获取就可。
S112,基于各所述表面势和所述参数信息建立表面势数据库;
获取到各表面势后,可以基于各表面势所述参数信息建立表面势数据库。具体实现如下:
建立各所述表面势与参数信息之间的各映射关系表,具体是建立表面势与所述操作条件、所述目标器件的尺寸、所述器件结构及所述材料参数之间的映射关系表;将所述各映射关系表分别存储至预设数据库中对应的数据块中,形成所述表面势数据库。
比如,某目标器件A的表面势为B,尺寸为C、器件结构为环形栅结构、材料参数为缺陷浓度为D,材料为石墨烯;那么就可以将上述数据存储至一个表格中,形成映射关系表。其他目标器件对应的表面势按照同样的方法操作,最终可以获取多个映射关系表。
S113,基于所述表面势数据库,根据神经网络构建表面势解析模型;
表面势数据库建立好之后,可以基于所述表面势数据库,根据神经网络构建表面势解析模型;具体实现如下:
基于所述表面势数据库确定表面势训练样本集,具体是从表面势数据库的映射表中提取各组数据当作训练样本,多组训练样本形成训练样本集。再利用所述神经网络提供的假设模型对所述表面势训练样本集进行学习,获取学习后的数据,再对学习后的数据进行数据拟合,获取一物理方程,所述物理方程为所述表面势解析模型。其中,神经网络可以包括:人工神经网络、卷积神经网络或循环神经网络等。
这里,神经网络可以包括多层,每层又可以包括多个神经元,如果将训练样本集中的每个训练样本当作第一层神经网络的输入值,那么第一层神经网络的输出值就为第二层神经网络的输入值,依次类推,神经网络就会根据最后一层的输入,利用假设模型来计算输出结果,这个输出结果就为最终的物理方程。
这里,假设模型中包括有各个参数的权重值以及各层神经网络的截距值。这里所述的各个参数为上文中的器件尺寸、器件结构、材料参数等。
S114,利用所述表面势解析模型确定第二新型材料制备的器件的表面势。
表面势解析模型建立好之后,还需对表面势解析模型进行校验,判断其是否满足预设的精度。具体如下:
基于所述表面势数据库中的一组或多组数据建立薛定谔-泊松方程;利用自洽求解获取所述薛定谔-泊松方程的第一解。这里,一组或多组数据为任一映射关系表中或多组映射关系表中的数据,薛定谔-泊松方程的建立过程以及求解过程均为熟知的内容,在此不再赘述。
将同样的数据输入至表面势解析模型中,获取所述表面势解析模型的第二解;获取所述第二解与所述第一解之间的差值;利用所述差值对所述表面势解析模型进行校验。
这里,利用所述差值对所述表面势解析模型进行校验,包括:判断该差值是否在预设的范围内,如果在,则说明表面势解析模型的精度可以达到要求,如果不在预设的范围内,则说明表面势解析模型的精度达不到要求。预设的范围为(10-9~10-7)。
当表面势解析模型满足预设的精度时,就可以利用表面势解析模型确定第二新型材料制备的器件的表面势。
具体地,接收第二新型材料制备的器件的器件结构、尺寸、材料参数等输入至表面势解析模型中,即可输出对应的表面势。
基于同样的发明构思,本发明还提供一种用于获取表面势的装置,如实施例二所示。
实施例二
本实施例提供一种用于获取表面势的装置,如图2所示,所述装置包括:获取单元21、提取单元22、建立单元23、构建单元24及确定单元25;其中,
为了建立表面势数据库,获取单元21用于获取多个目标器件的参数信息,参数信息包括:尺寸、器件结构、材料参数以及不同温度下的各所述目标器件的载流子迁移率。
这里,所述目标器件包括:常规材料制备的器件以及表面势已经被确定的第一新型材料制备的器件。这里,这里,常规材料一般是体材料,比如硅,氮化镓等;新型材料包括很多种,一般为薄膜材料,比如二维材料(石墨烯,单层二硫化钼)、纳米管等;有的新型材料制备的器件的表面势已经测量、确定出了,那么这样的新型材料称之为第一新型材料;而有的新型材料从未制备过器件模型,或者制备过器件,但表面势从未被测量过,或者表面势已经被测量过但是并未确定出,这样的新型材料为第二新型材料。
这里,器件结构一般包括:环形栅结构,垂直纳米栅结构,单层或多层薄膜结构等。材料参数包括:晶体结构,缺陷浓度,界面形态,掺杂浓度等。
获取多个目标器件的尺寸、器件结构、材料参数后,还需获取在不同温度下的各所述目标器件的载流子迁移率,这里可以根据公式(1)来获取:
公式(1)中,q为单元电荷,a为原子间距,kB为波尔兹曼常数,T为温度,v0为局域态长度的倒数,Ea为载流子跃迁的激活能。
获取到多个目标器件的尺寸、器件结构、材料参数及载流子迁移率后,提取单元22用于在对应的操作条件下,基于每个所述目标器件的尺寸、所述器件结构、所述材料参数及所述迁移率提取各表面势;操作条件包括:操作电流、操作电压及操作温度等。
对于常规材料制备的器件来说,提取单元22可以利用一些软件分析模型(比如Global TCAD或Mentor)提取表面势。具体是软件分析模型接收各目标器件的尺寸、器件结构、材料参数及载流子迁移率及操作条件,然后直接输出相应的表面势。
而对于一些新型材料制备的器件来说,表面势是已有数据,提取单元22直接获取就可。
获取到各表面势后,建立单元23用于基于各所述表面势和参数信息建立表面势数据库;具体实现如下:
建立单元23建立各所述表面势与参数信息之间的各映射关系,具体是建立表面势与所述操作条件、所述目标器件的尺寸、所述器件结构及所述材料参数之间的各映射关系表;将所述各映射关系表分别存储至预设数据库中对应的数据块中,形成所述表面势数据库。
比如,某目标器件A的表面势为B,尺寸为C、器件结构为环形栅结构、材料参数为缺陷浓度为D,材料为石墨烯;那么就可以将上述数据存储至一个表格中,形成映射关系表。其他目标器件对应的表面势按照同样的方法操作,最终可以获取多个映射关系表。
表面势数据库建立好之后,构建单元24用于基于所述表面势数据库,根据神经网络构建表面势解析模型;具体实现如下:
基于所述表面势数据库确定表面势训练样本集,具体是从表面势数据库的映射表中提取各组数据当作训练样本,多组训练样本形成训练样本集。再利用所述神经网络提供的假设模型对所述表面势训练样本集进行学习,获取学习后的数据,再对学习后的数据进行数据拟合,获取一物理方程,所述物理方程为所述表面势解析模型。其中,神经网络可以包括:人工神经网络、卷积神经网络或循环神经网络等。
这里,神经网络可以包括多层,每层又可以包括多个神经元,如果将训练样本集中的每个训练样本当作第一层神经网络的输入值,那么第一层神经网络的输出值就为第二层神经网络的输入值,依次类推,神经网络就会根据最后一层的输入,利用假设模型来计算输出结果,这个输出结果就为最终的物理方程。
这里,假设模型中包括有各个参数的权重值以及各层神经网络的截距值。这里所述的各个参数为上文中的器件尺寸、器件结构、材料参数等。
进一步地,为了确保构建的表面势解析模型的精度,参见图2,所述装置还包括:校验单元26,表面势解析模型建立好之后,校验单元26还需对表面势解析模型进行校验,判断其是否满足预设的精度。具体如下:
基于所述表面势数据库中的一组或多组数据建立薛定谔-泊松方程;利用自洽求解获取所述薛定谔-泊松方程的第一解。这里,一组或多组数据为任一映射关系表中或多组映射关系表中的数据,薛定谔-泊松方程的建立过程以及求解过程均为熟知的内容,在此不再赘述。
将同样的数据输入至表面势解析模型中,获取所述表面势解析模型的第二解;获取所述第二解与所述第一解之间的差值;利用所述差值对所述表面势解析模型进行校验。
这里,利用所述差值对所述表面势解析模型进行校验,包括:判断该差值是否在预设的范围内,如果在,则说明表面势解析模型的精度可以达到要求,如果不在预设的范围内,则说明表面势解析模型的精度达不到要求。预设的范围为(10-9~10-7)。
当确定表面势解析模型满足预设的精度时,确定单元25就可以利用所述表面势解析模型确定第二新型材料制备的器件的表面势。
具体地,确定单元25接收第二新型材料制备的器件结构、尺寸、材料参数等输入至表面势解析模型中,即可输出对应的表面势。
本发明实施例提供的用于获取表面势的方法及装置能带来的有益效果至少是:
本发明提供了一种用于获取表面势的方法及装置,方法包括:获取多个目标器件的参数信息,参数信息包括:尺寸、器件结构、材料参数以及不同温度下的各所述目标器件的载流子迁移率;所述多个目标器件包括:常规材料制备的器件以及表面势已经被确定的第一新型材料制备的器件;在对应的操作条件下,基于每个所述目标器件的尺寸、所述器件结构、所述材料参数及所述迁移率提取各表面势;基于各所述表面势与所述参数信息建立表面势数据库;基于所述表面势数据库,根据神经网络构建表面势解析模型;利用所述表面势解析模型确定第二新型材料制备的器件的表面势;如此,利用多个不同结构、不同材料的目标器件,在不同的操作条件下获取多个表面势,然后基于这些表面势建立表面势数据库,利用神经网络构建表面势解析模型,利用所述表面势解析模型确定新型材料制备的器件的表面势;因构建出的表面势解析模型相当于是一个对各种结构、各种参数、各种条件下的器件进行归一后的智能解析模型,因此在利用表面势解析模型确定新型材料制备的器件的表面势时,可以根据新型材料制备的器件的一些参数快速确定出相应的表面势,这样无需繁杂的测试就可以获取到表面势,提高了获取表面势的效率,进而在利用表面势来研究新型材料制备出的表面势器件的一些特性时,也提高了整体研究进程效率。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种用于获取表面势的方法,其特征在于,所述方法包括:
获取多个目标器件的参数信息,所述参数信息包括:尺寸、器件结构、材料参数以及不同温度下的各所述目标器件的载流子迁移率;所述多个目标器件包括:常规材料制备的器件以及表面势已经被确定的第一新型材料制备的器件;所述常规材料包括体材料,所述第一新型材料包括:薄膜材料;
在对应的操作条件下,基于每个所述目标器件的尺寸、所述器件结构、所述材料参数及所述迁移率提取各表面势;
基于各所述表面势和所述参数信息建立表面势数据库;
基于所述表面势数据库,根据神经网络构建表面势解析模型;
利用所述表面势解析模型确定第二新型材料制备的器件的表面势;其中,
基于所述表面势数据库,根据神经网络构建表面势解析模型,包括:
基于所述表面势数据库确定表面势训练样本集;
利用所述神经网络提供的假设模型对所述表面势训练样本集进行数据拟合,获取一物理方程,所述物理方程为所述表面势解析模型。
3.如权利要求1所述的方法,其特征在于,所述基于各所述表面势各所述参数信息建立表面势数据库,包括:
建立各所述表面势与所述参数信息的之间各映射关系表;
将所述各映射关系表分别存储至预设数据库中对应的数据块中,形成所述表面势数据库。
4.如权利要求1所述的方法,其特征在于,所述基于所述表面势数据库,根据神经网络构建表面势解析模型后,还包括:
基于所述表面势数据库建立薛定谔-泊松方程;
利用自洽求解获取所述薛定谔-泊松方程的第一解;
获取所述表面势解析模型的第二解;
获取所述第二解与所述第一解之间的差值;
利用所述差值对所述表面势解析模型进行校验。
5.一种构建表面解析式模型的装置,其特征在于,所述装置包括:
获取单元,用于获取多个目标器件参数信息,所述参数信息包括:尺寸、器件结构、材料参数以及不同温度下的各所述目标器件的载流子迁移率;所述多个目标器件包括:常规材料制备的器件以及表面势已经被确定的第一新型材料制备的器件;所述常规材料包括体材料,所述第一新型材料包括:薄膜材料;
提取单元,用于在对应的操作条件下,基于每个所述目标器件的尺寸、所述器件结构、所述材料参数及所述迁移率提取各表面势;
建立单元,用于基于各所述表面势和所述参数信息建立表面势数据库;
构建单元,用于基于所述表面势数据库,根据神经网络构建表面势解析模型;
确定单元,用于利用所述表面势解析模型确定第二新型材料制备的器件的表面势;其中,
所述构建单元具体用于:
基于所述表面势数据库确定表面势训练样本集;
利用所述神经网络提供的假设模型对所述表面势训练样本集进行数据拟合,获取一物理方程,所述物理方程为所述表面势解析模型。
7.如权利要求5所述的装置,其特征在于,所述建立单元具体用于:
建立各所述表面势与所述参数信息的之间各映射关系表;
将所述各映射关系表分别存储至预设数据库中对应的数据块中,形成所述表面势数据库。
8.如权利要求5所述的装置,其特征在于,所述装置还包括:校验单元,用于:
基于所述表面势数据库建立薛定谔-泊松方程;
利用自洽求解获取所述薛定谔-泊松方程的第一解;
获取所述表面势解析模型的第二解;
获取所述第二解与所述第一解之间的差值;
利用所述差值对所述表面势解析模型进行校验。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810577635.6A CN108804807B (zh) | 2018-06-07 | 2018-06-07 | 一种用于获取表面势的方法及装置 |
US16/646,573 US11366946B2 (en) | 2018-06-07 | 2018-08-09 | Method and apparatus for obtaining surface potential |
PCT/CN2018/099637 WO2019232921A1 (zh) | 2018-06-07 | 2018-08-09 | 一种用于获取表面势的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810577635.6A CN108804807B (zh) | 2018-06-07 | 2018-06-07 | 一种用于获取表面势的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108804807A CN108804807A (zh) | 2018-11-13 |
CN108804807B true CN108804807B (zh) | 2021-11-09 |
Family
ID=64087458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810577635.6A Active CN108804807B (zh) | 2018-06-07 | 2018-06-07 | 一种用于获取表面势的方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11366946B2 (zh) |
CN (1) | CN108804807B (zh) |
WO (1) | WO2019232921A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131792B (zh) * | 2020-09-24 | 2024-06-04 | 南方电网科学研究院有限责任公司 | 一种地表电位还原方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5220373A (en) * | 1991-03-22 | 1993-06-15 | Ricoh Company, Ltd. | Electrophotographic process control device using a neural network for estimating states of the device |
CN102637215A (zh) * | 2011-02-10 | 2012-08-15 | 上海宏力半导体制造有限公司 | 半导体器件建模方法 |
CN102999666A (zh) * | 2012-11-26 | 2013-03-27 | 西北核技术研究所 | 一种基于仿真的单粒子效应截面获取方法 |
CN105468828A (zh) * | 2015-11-19 | 2016-04-06 | 杭州电子科技大学 | 一种ⅲ-ⅴ族hemt表面势基集约型模型的建模方法 |
CN108108536A (zh) * | 2017-12-07 | 2018-06-01 | 中国电子产品可靠性与环境试验研究所 | Sti氧化物陷阱电荷提取方法、装置、介质和计算机设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508942A (zh) | 2011-09-29 | 2012-06-20 | 复旦大学 | 一种围栅结构mosfet源漏电流解析模型 |
CN103186691A (zh) | 2012-09-17 | 2013-07-03 | 上海华力微电子有限公司 | 一种独立双栅FinFET解析沟道电势分布模型 |
US20150242546A1 (en) * | 2014-02-21 | 2015-08-27 | Inyong JEON | Method of Cloth Simulation using Constrainable Multigrid |
US11017556B2 (en) * | 2017-10-04 | 2021-05-25 | Nvidia Corporation | Iterative spatio-temporal action detection in video |
JP7162219B2 (ja) * | 2019-03-28 | 2022-10-28 | 株式会社ミマキエンジニアリング | 層構成予測方法及び層構成予測装置 |
-
2018
- 2018-06-07 CN CN201810577635.6A patent/CN108804807B/zh active Active
- 2018-08-09 US US16/646,573 patent/US11366946B2/en active Active
- 2018-08-09 WO PCT/CN2018/099637 patent/WO2019232921A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5220373A (en) * | 1991-03-22 | 1993-06-15 | Ricoh Company, Ltd. | Electrophotographic process control device using a neural network for estimating states of the device |
CN102637215A (zh) * | 2011-02-10 | 2012-08-15 | 上海宏力半导体制造有限公司 | 半导体器件建模方法 |
CN102999666A (zh) * | 2012-11-26 | 2013-03-27 | 西北核技术研究所 | 一种基于仿真的单粒子效应截面获取方法 |
CN105468828A (zh) * | 2015-11-19 | 2016-04-06 | 杭州电子科技大学 | 一种ⅲ-ⅴ族hemt表面势基集约型模型的建模方法 |
CN108108536A (zh) * | 2017-12-07 | 2018-06-01 | 中国电子产品可靠性与环境试验研究所 | Sti氧化物陷阱电荷提取方法、装置、介质和计算机设备 |
Non-Patent Citations (5)
Title |
---|
A review for compact model of graphene field-effect transistors;Nianduan Lu, Lingfei Wang, Ling Li,Ming Liu;《Chinese Physics B》;20170315;第1-18页 * |
Analytical surface-potential compact model for amorphous-IGZO thin-film transistors;Zong Z , Li L , Jang J , et al.;《Journal of Applied Physics》;20151231;第400-405页 * |
Surface-potential-based physical compact model for graphene field effect transistor;Wang L , Peng S , Wang W , et al.;《Journal of Applied Physics》;20161231;第1-6页 * |
三维集成阻变存储器阵列的电-热模型;卢年端, 宗旨威, 李泠, 刘琦, 裘德龙, 姬濯宇, 刘明;《中国科学: 物理学力学天文学》;20161031;第1-6页 * |
基于粒子群优化算法的器件模型表面势求解;马晓峰;《计算机时代》;20150331;第1-3页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108804807A (zh) | 2018-11-13 |
WO2019232921A1 (zh) | 2019-12-12 |
US11366946B2 (en) | 2022-06-21 |
US20200265176A1 (en) | 2020-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107590565A (zh) | 一种构建建筑能耗预测模型的方法及装置 | |
CN110017901B (zh) | 一种电力系统中电气设备运行状态的红外图谱诊断方法 | |
CN101871994B (zh) | 多分数阶信息融合的模拟电路故障诊断方法 | |
CN110838075A (zh) | 电网系统暂态稳定的预测模型的训练及预测方法、装置 | |
CN102425148A (zh) | 基于静力触探和bp神经网络的路基沉降快速预测方法 | |
CN105223241A (zh) | 一种湿度传感器的补偿方法 | |
CN110442911B (zh) | 一种基于统计机器学习的高维复杂系统不确定性分析方法 | |
CN106875047A (zh) | 水库流域径流预报方法及系统 | |
CN108804807B (zh) | 一种用于获取表面势的方法及装置 | |
CN108154271A (zh) | 一种基于空间相关性和曲面拟合的地面气温质量控制方法 | |
CN111428419A (zh) | 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质 | |
CN103364703B (zh) | Led多应力下可靠性快速评测方法 | |
CN106354940A (zh) | 基于水质模型不确定性输入的景观水水质模拟与预警方法 | |
CN1327564A (zh) | 薄膜晶体管的电学性能模型 | |
Xu et al. | Temperature and humidity compensation for MOS gas sensor based on random forests | |
WO2018054198A1 (zh) | 一种集成电路器件神经网络建模样本选择方法及装置 | |
CN104716065B (zh) | 金属氧化物半导体场效应晶体管电容‑电压特性修正方法 | |
CN107220710B (zh) | 稀缺样本数据集条件下bn模型参数的计算方法 | |
CN106980764B (zh) | 一种通用的直接利用遥感蒸发的水文模拟方法 | |
US9613172B2 (en) | Efficient deployment of table lookup (TLU) in an enterprise-level scalable circuit simulation architecture | |
CN112528566A (zh) | 基于AdaBoost训练模型的空气质量数据实时校准方法及系统 | |
CN108304630A (zh) | 半导体器件闪烁噪声表征数据筛选方法 | |
Bumm | Using satellite images to determine aqi values in california | |
CN115660109B (zh) | 一种机器学习模型的训练数据集均匀化处理方法 | |
CN117787179B (zh) | 一种融合型电路性能建模的方法与装置 |
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 |