CN110414024A - 半导体器件建模方法 - Google Patents
半导体器件建模方法 Download PDFInfo
- Publication number
- CN110414024A CN110414024A CN201810398592.5A CN201810398592A CN110414024A CN 110414024 A CN110414024 A CN 110414024A CN 201810398592 A CN201810398592 A CN 201810398592A CN 110414024 A CN110414024 A CN 110414024A
- Authority
- CN
- China
- Prior art keywords
- semiconductor devices
- surface potential
- parameter
- relationship
- neural network
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 92
- 239000004065 semiconductor Substances 0.000 title claims abstract description 87
- 238000013528 artificial neural network Methods 0.000 claims abstract description 56
- 238000012512 characterization method Methods 0.000 claims abstract description 7
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 27
- 229910052710 silicon Inorganic materials 0.000 claims description 27
- 239000010703 silicon Substances 0.000 claims description 27
- 230000000694 effects Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000004888 barrier function Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 239000004020 conductor Substances 0.000 claims description 4
- 230000005684 electric field Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims description 3
- 206010011224 Cough Diseases 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 230000007423 decrease Effects 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000005669 field effect Effects 0.000 description 35
- 229910002601 GaN Inorganic materials 0.000 description 27
- JMASRVWKEDWRBT-UHFFFAOYSA-N Gallium nitride Chemical compound [Ga]#N JMASRVWKEDWRBT-UHFFFAOYSA-N 0.000 description 27
- 239000003990 capacitor Substances 0.000 description 13
- 239000007789 gas Substances 0.000 description 9
- 229910052782 aluminium Inorganic materials 0.000 description 8
- 239000004411 aluminium Substances 0.000 description 8
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 8
- 230000005533 two-dimensional electron gas Effects 0.000 description 8
- 239000000463 material Substances 0.000 description 7
- 239000011248 coating agent Substances 0.000 description 6
- 238000000576 coating method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 229910044991 metal oxide Inorganic materials 0.000 description 4
- 150000004706 metal oxides Chemical class 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- GYHNNYVSQQEPJS-UHFFFAOYSA-N Gallium Chemical compound [Ga] GYHNNYVSQQEPJS-UHFFFAOYSA-N 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 229910052733 gallium Inorganic materials 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 229910002704 AlGaN Inorganic materials 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- INQLNSVYIFCUML-QZTLEVGFSA-N [[(2r,3s,4r,5r)-5-(6-aminopurin-9-yl)-3,4-dihydroxyoxolan-2-yl]methoxy-hydroxyphosphoryl] [(2r,3s,4r,5r)-5-(4-carbamoyl-1,3-thiazol-2-yl)-3,4-dihydroxyoxolan-2-yl]methyl hydrogen phosphate Chemical compound NC(=O)C1=CSC([C@H]2[C@@H]([C@H](O)[C@@H](COP(O)(=O)OP(O)(=O)OC[C@@H]3[C@H]([C@@H](O)[C@@H](O3)N3C4=NC=NC(N)=C4N=C3)O)O2)O)=N1 INQLNSVYIFCUML-QZTLEVGFSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- RNQKDQAVIXDKAG-UHFFFAOYSA-N aluminum gallium Chemical compound [Al].[Ga] RNQKDQAVIXDKAG-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011165 process development Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 235000013599 spices Nutrition 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Landscapes
- Junction Field-Effect Transistors (AREA)
Abstract
本发明提供一种半导体器件建模方法,包括:提供一半导体器件,列出半导体器件的表面势非线性方程或费米能级非线性方程组,扫描表面势非线性方程或费米能级非线性方程组中的若干参数,建立表面势或费米能级与各参数的关系;利用人工神经网络拟合表面势或费米能级与各参数的关系;根据人工神经网络表征的表面势或费米能级及半导体器件的载流子运输方式推导沟道电流表达式和电荷表达式,获得半导体器件的模型。本发明使用神经网络代替非线性方程组的经验解,从根本上解决了半导体器件物理集约模型开发的难点,具有开发速度快,精度更高,具有物理工艺缩放的功能等优点。
Description
技术领域
本发明涉及建模领域,特别是涉及一种半导体器件建模方法。
背景技术
随着半导体体工业的快速发展,新的材料系统和工艺不断地更新,从而生产出各种高性能,高可靠性的半导体器件。然而,这个迭代过程如此之快,以至于传统的建模方法已经无法跟上工业应用的要求。物理集约模型被广泛在半导体工业上,因为其模型具有物理工艺参数缩放功能,既可以满足上游芯片设计的需求,又可以反馈和指导下游工艺线的改进,比如BSIM模型(Berkeley Short channel Insulated gate field effecttransistor Model,伯克利短沟道绝缘栅场效应晶体管模型),ASM模型(Advanced SpiceModel for HEMTs,先进高电子迁移率场效应管集约模型)等,但是物理模型开发周期长,不同的工艺需要不同的物理模型,导致模型开发进程缓慢,难以满足工业快速迭代要求。其次,物理模型(如ASM氮化镓HEMT 模型)一般需要做特定的假设来得到有关表面势的近似解析式,以下几个方面会导致模型的系统性误差:(1)对方程某些变量的线性化;(2)使用经验平滑转换函数来衔接不同偏置区域的解;(3)忽略方程组中的高阶能级等。
神经网络因其强大的拟合能力,被半导体工业界广泛使用,比如是德科技(KeySight) 的NeuroFET,DynaFET等都是基于神经网络的晶体管模型,然而这些神经网络模型直接训练测试得到的电流和电压关系,模型不具有物理参数缩放功能,不能够帮助改善工艺,且难以满足大批次的器件建模要求。
因此,如何建立具有物理参数缩放功能、有助于改善工艺、且适于大批次的器件建模的方法已成为本领域技术人员亟待解决的问题之一。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种半导体器件建模方法,用于解决现有技术中模型不具有物理参数缩放功能,不能够帮助改善工艺,且难以满足大批次的器件建模等问题。
为实现上述目的及其他相关目的,本发明提供一种半导体器件建模方法,所述半导体器件建模方法至少包括:
提供一半导体器件,列出所述半导体器件的表面势非线性方程,扫描所述表面势非线性方程中的若干参数,建立表面势与各参数的关系;
利用人工神经网络拟合所述表面势与各参数的关系;
根据人工神经网络表征的所述表面势及所述半导体器件的载流子运输方式推导沟道电流表达式和电荷表达式,获得所述半导体器件的模型。
优选地,所述参数包括工艺参数、器件偏压、工作温度、环境电场、磁场、辐射环境、光照或器件所受压力信息中的一种或几种组合。
优选地,利用数值方法解所述表面势非线性方程,以建立所述表面势与各参数的关系。
更优选地,解所述表面势非线性方程的方法包括牛顿法、牛顿法变形、割线法、布朗方法、拟牛顿法、最优化方法或连续法。
优选地,使用仿真软件仿真出所述表面势与各参数的关系,进而建立所述表面势与各参数的关系。
优选地,利用人工神经网络拟合所述表面势与各参数的关系的方法包括:基于所述表面势非线性方程的解获得所述表面势与各参数的数值映射关系,然后利用人工神经网络对所述表面势与各参数的关系进行训练。
更优选地,采用贝叶斯人工神经网络优方法或基于最速下降的后向传播优化方法来训练所述表面势与各参数的关系。
更优选地,在训练所述表面势与各参数的关系之前,对所述人工神经网络进行降维,以减小训练过程中的过拟合。
更优选地,获得所述沟道电流表达式和所述电荷表达式后,对所述沟道电流表达式和所述电荷表达式进行载流子饱和效应或漏致势垒效应的优化。
更优选地,采用所述半导体器件的费米能级非线性方程组代替所述半导体器件的表面势非线性方程,利用人工神经网络拟合费米能级与各参数的关系,再基于人工神经网络表征的所述费米能级获得人工神经网络表征的表面势,进而推导出所述沟道电流表达式和所述电荷表达式,获得所述半导体器件的模型。
更优选地,所述参数包括栅极电容、外部偏压中间量及工作温度,所述外部偏压中间量满足如下关系式:
Vgox=Vg-Vx-Voff,
其中,Vgox为外部偏压中间量;Vg为栅极偏压;Vx为沟道电压;Voff为直流偏置电压。
优选地,所述参数包括平带电压修正后的栅压、衬底效应系数、热电压及经过沟道位置修正后的强反型电势,满足如下关系式:
VGBF=VGB-VFB,
φFXB=2φF+VXB,
其中,VGBF为平带电压修正后的栅压;VGB为栅极与体区之间的电压;VFB为平带电势;γ为衬底效应系数(body effect coefficient);q为单个电子电荷量;εs为体硅的介电常数;NA为体硅的掺杂浓度;Cox为栅极电容;φt为热电压;K为玻尔兹曼常数;T为工作温度;φFXB为经过沟道位置修正后的强反型电势;φF为掺杂硅衬底的费米能级与硅本征费米能级之差; VXB为沟道x处与体区之间的电压;ni为硅本征载流子浓度。
如上所述,本发明的半导体器件建模方法,具有以下有益效果:
本发明的半导体器件建模方法使用神经网络代替非线性方程组的经验解,从根本上解决了半导体器件物理集约模型开发的难点,相比于传统物理模型,具有开发速度快,精度更高等优点,相比于其他的经验(如Angelov)或者纯神经网络模型(如NeuroFET,DynaFET),本发明又具有物理工艺缩放的功能,既能为芯片设计提供支持,同时可为半导体工艺开发提供方向。
附图说明
图1显示为本发明的半导体器件建模方法的一种实施方式示意图。
图2显示为现有技术中的长沟道的氮化镓基高速场效应管的结构示意图。
图3显示为本发明的人工神经网络表示的费米能级与栅极与二维电子气间的电容、外部偏置电压的中间量及工作温度的关系。
图4显示为现有技术中的长沟道的Ⅲ-Ⅴ族沟道双栅场效应管的结构示意图。
图5显示为本发明的半导体器件建模方法的另一种实施方式示意图。
图6显示为现有技术中的长沟道的硅基金属-氧化物半导体场效应管的结构示意图。
图7显示为本发明的人工神经网络表示的表面势与栅极与(待补充)的关系。
元件标号说明
1 长沟道的氮化镓基高速场效应管
11 氮化镓基底
12 非故意掺杂氮化镓铝层
13 N型氮化镓铝层
2 长沟道的Ⅲ-Ⅴ族沟道双栅场效应管
21 Ⅲ-Ⅴ族沟道
22 氧化物层
3 长沟道的硅基金属-氧化物半导体场效应管
31 硅基底
32 氧化物层
S11~S13、S111~S113 步骤
S21~S23、S211~S213 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1~图7。需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
实施例一
如图1~图3所示,本实施例提供一种半导体器件建模方法,所述半导体器件建模方法包括:
步骤S11:提供一半导体器件,列出所述半导体器件的费米能级非线性方程组,扫描所述费米能级非线性方程组中的若干参数,建立费米能级Ef与各参数的关系。
具体地,步骤S111:在本实施例中,提供一长沟道的氮化镓基高速场效应管1(GaNHEMT),如图2所示,所述长沟道的氮化镓基高速场效应管1包括氮化镓基底11,形成于所述氮化镓基底11上的非故意掺杂氮化镓铝层12,形成于所述非故意掺杂氮化镓铝层12上的 N型氮化镓铝层13,形成于所述N型氮化镓铝层13上的栅极结构G,形成于所述栅极结构 G两侧的源极结构S及漏极结构D。根据所述长沟道的氮化镓基高速场效应管1的物理参数得到相应的费米能级非线性方程组,满足如下关系式:
其中,Cox为栅极与二维电子气间的电容值,Vgox为外部偏置电压的中间量,两者由物理工艺参数或器件偏压决定,满足如下关系式:
Vgox=Vgo-Vx=Vg-Vx-Voff,
ns为二维电子气浓度;D为常数,满足:m*为载流子等效质量,为约化普朗克常量;φt为热电压,满足:K为玻尔兹曼常数,T为温度,q为单个电子的电荷量;Ef为费米能级;E0为第一级导带能级;E1为第二级导带能级;γ0为实验设定的第一常数;γ1为实验设定的第二常数;Cox为栅极与二维电子气间的电容值;ε2为介电常数, dd为N型氮化镓铝层的厚度,di为非故意掺杂氮化镓铝层的厚度;Vg为栅极偏压;Voff为直流偏置电压;Vgo为栅极偏置电压与直流偏置电压的差值;Vx为沟道电压,在源极时Vx=Vs=0V,在漏极时Vx=Vd=Vds;φM为栅极肖特基势垒;ΔEc为AlGaN层和GaN 层之间的导带能级差;ND为N型氮化镓铝层的掺杂浓度;Qi为表面陷阱电荷。
具体地,步骤S112:选取所述费米能级非线性方程组中的若干参数进行扫描,在本实施例中,选取栅极与二维电子气间的电容Cox、外部偏置电压的中间量Vgox及工作温度T进行扫描,这三个参数全面地反映了所述长沟道的氮化镓基高速场效应管1中各材料层的材料成分、各材料层的厚度、栅氧层厚度、介电常数等信息,能精简与所述费米能级Ef的关系(能有效解决产生的映射数据量太大、不利于神经网络的训练的问题),同时满足大部分场合的应用。在实际应用中,任何一个参数都可以扫描,包括但不限于工艺参数、器件偏压、工作温度、环境电场、磁场、辐射环境、光照或器件所受压力等信息中的一个或几个组合,且可根据不同器件类型、不同使用场合选取不同的参数,不以本实施例为限。
具体地,步骤S113:利用数值方法解所述费米能级非线性方程组,获得所述费米能级Ef与所述栅极与二维电子气间的电容Cox、所述外部偏置电压的中间量Vgox及所述工作温度T的关系。任何非线性方程的数值解方法均适用本实施例,包括但不限于牛顿法、牛顿法变形、割线法、布朗方法、拟牛顿法、最优化方法或连续法,在此不一一赘述。
步骤S12:利用人工神经网络拟合所述费米能级Ef与各参数的关系。
具体地,基于所述费米能级非线性方程组的解获得所述费米能级Ef与所述栅极与二维电子气间的电容Cox、所述外部偏置电压的中间量Vgox及所述工作温度T的数值映射关系,然后利用人工神经网络对所述费米能级Ef与各参数的关系进行训练。
更具体地,如图3所示,所述人工神经网络的拓扑结构包括输入层、隐藏层及输出层,所述输入层包括三个输入端,分别为所述栅极与二维电子气间的电容Cox、所述外部偏置电压的中间量Vgox及所述工作温度T;所述隐藏层包括多个中间量(所述中间量根据所述费米能级非线性方程组设定,在此不一一赘述);所述输出层包括一个输出端,为所述费米能级Ef。根据测量、解析到的内部参数,优化一组权值初始值(或对权值进行随机赋值获得权值的初始值);基于所述权值的初始值预测所述费米能级Ef,预测所述费米能级Ef与真实的所述费米能级Ef存在损失,通过训练将损失降低至最小化,以得到最终的权值,进而确定所述费米能级的人工神经网络。训练所述费米能级Ef与所述栅极与二维电子气间的电容Cox、所述外部偏置电压的中间量Vgox及所述工作温度T的关系的方法包括但不限于贝叶斯人工神经网络优方法及基于最速下降的后向传播优化方法,任意人工神经网路的训练方法均适用于本实施例,在此不一一赘述。
步骤S13:根据人工神经网络表征的所述费米能级Ef及所述半导体器件的载流子运输方式推导沟道电流和电荷的表达式,获得所述半导体器件的模型。
具体地,在本实施例中,所述长沟道的氮化镓基高速场效应管1的载流子输运方式为漂移和扩散运输。结合人工神经网络表征的所述费米能级Ef及所述长沟道的氮化镓基高速场效应管1的载流子输运方式得到所述长沟道的氮化镓基高速场效应管1的表面势的解析,其中,源端表面势的解析表达式满足如下关系:漏端表面势的解析表达式满足如下关系:Vds为漏源电压。定义中间量则可推导出沟道电流满足如下关系式:
其中,μ为载流子迁移率,W为沟道宽度,L为沟道长度。
栅极电荷表达满足如下关系式:
漏极电荷表达满足如下关系式:
源极电荷表达满足如下关系式:
Qs=-Qg-Qd
至此,所述长沟道的氮化镓基高速场效应管1的核心集约模型构建完毕。
需要说明的是,所述沟道电流的模型并未考虑载流子饱和效应及漏致势垒(DrainInduced Barrier Lowering,DIBL)效应,可基于现有成熟理论对所述载流子饱和效应或所述漏致势垒效应进行优化,在此不一一赘述。
实施例二
如图1所示,本实施例提供一种半导体器件建模方法,所述半导体器件建模方法包括:
步骤S11:提供一半导体器件,列出所述半导体器件的费米能级非线性方程组,扫描所述费米能级非线性方程组中的若干参数,建立费米能级Ef与各参数的关系。
具体地,步骤S111:在本实施例中,所述半导体器件为短沟道的氮化镓基高速场效应管,其结构与长沟道的氮化镓基高速场效应管基本相同,仅在于沟道长度的变化,因此,其对应的费米能级非线性方程组也与长沟道的氮化镓基高速场效应管相同,在此不一一赘述。
具体地,步骤S112:在本实施例中,选取所述栅极与二维电子气间的电容Cox、所述外部偏置电压的中间量Vgox及所述工作温度T进行扫描。
具体地,步骤S113:使用仿真软件仿真出所述费米能级Ef与所述栅极与二维电子气间的电容Cox、所述外部偏置电压的中间量Vgox及所述工作温度T的关系。仿真软件获取相应的方程及参数,即可仿真出对应关系,所述仿真软件包括但不限于Silvaco TCAD,Sentaurus,在此不一一赘述。
步骤S12:利用人工神经网络拟合所述费米能级Ef与各参数的关系。
具体地,基于仿真结果获得所述费米能级Ef与所述栅极与二维电子气间的电容Cox、所述外部偏置电压的中间量Vgox及所述工作温度T的数值映射关系,然后利用人工神经网络对所述费米能级Ef与各参数的关系进行训练。训练所述费米能级Ef与所述栅极与二维电子气间的电容Cox、所述外部偏置电压的中间量Vgox及所述工作温度T的关系的方法与实施例一相同,在此不一一赘述。
步骤S13:根据人工神经网络表征的所述费米能级Ef及所述半导体器件的载流子运输方式推导沟道电流和电荷的表达式,获得所述半导体器件的模型。
具体地,在本实施例中,所述短沟道的氮化镓基高速场效应管的载流子输运方式为弹道输运,结合人工神经网络表征的所述费米能级Ef及所述短沟道的氮化镓基高速场效应管的载流子输运方式得到所述短沟道的氮化镓基高速场效应管的表面势的解析,其中,源端表面势的解析表达式满足如下关系:沟道靠近源端的电荷密度满足如下关系式:
则可推导出沟道电流满足如下关系式:
其中meff为载流子有效质量,A为根据经验设定的参数。
栅极电荷表达满足如下关系式:
Qg=q·W·L·nss,
漏极电荷表达满足如下关系式:
源极电荷表达满足如下关系式:
至此,所述短沟道的氮化镓基高速场效应管的核心集约模型构建完毕。
需要说明的是,根据沟道长度的不同,晶体管的载流子输运方式有多种,包括但不限于长沟道的载流子输运方式为漂移和扩散运输,短沟道的载流子输运方式为弹道输运,可根据实际载流子输运方式推导沟道电流表达式和电荷表达式,以获得所述半导体器件的模型,不以发明的实施例为限。
实施例三
如图1及图4所示,本实施例提供一种半导体器件建模方法,所述半导体器件建模方法包括:
步骤S11:提供一半导体器件,列出所述半导体器件的费米能级非线性方程组,扫描所述表面势非线性方程中的若干参数,建立表面势与各参数的关系。
具体地,步骤S111:在本实施例中,所述半导体器件为长沟道的Ⅲ-Ⅴ族沟道双栅场效应管2(DGFET),如图4所示,所述长沟道的Ⅲ-Ⅴ族沟道双栅场效应2管包括Ⅲ-Ⅴ族沟道21,形成于所述Ⅲ-Ⅴ族沟道21上下层的氧化物层22,形成于所述氧化物层22上的栅极结构G,形成于所述Ⅲ-Ⅴ族沟道21左右两侧的源极结构S及漏极结构D。根据所述长沟道的Ⅲ-Ⅴ族沟道双栅场效应管2的物理参数得到相应的费米能级非线性方程组,相较于实施例一,双栅器件主要的区别在于近似相同的空间内可以有两条沟道,因此,总沟道电荷是单栅的两倍,满足如下关系式:
其中,C0为第一修正常数,C1为第二修正常数。
具体地,步骤S112:选取所述栅极与二维电子气间的电容Cox、所述外部偏置电压的中间量Vgox及所述工作温度T进行扫描。
具体地,步骤S113:利用数值方法解所述费米能级非线性方程组,获得所述费米能级Ef与所述栅极与二维电子气间的电容Cox、所述外部偏置电压的中间量Vgox及所述工作温度T的关系。
步骤S12:利用人工神经网络拟合所述费米能级Ef与各参数的关系。
具体地,基于所述费米能级线性方程组的解获得所述费米能级Ef与所述栅极与二维电子气间的电容Cox、所述外部偏置电压的中间量Vgox及所述工作温度T的数值映射关系,然后利用人工神经网络对所述费米能级Ef与各参数的关系进行训练。
更具体地,在本实施例中,所述人工神经网络的拓扑结构的维度比较大,可进行降维操作,以降低网络空间复杂度,减小网络训练时过拟合的风险。首先,基于所述费米能级Ef与所述栅极与二维电子气间的电容Cox、所述外部偏置电压的中间量Vgox及所述工作温度T的数值映射关系建立所述费米能级Ef的人工神经网络表达式,将所述费米能级Ef的人工神经网络表示为 Ef(p,q),其中,p为高度非线性或数据量充足的维度,q为近似线性或者数据量相对较少的维度,对其中近似线性或者数据量相对较少的维度q进行高阶泰勒展开,则,
其中,q0为静态展开点,为在静态展开点处的雅克比,HEf(p,q)q=q0为静态展开点的海森矩阵,满足如下关系式:
降维前全连接前向神经网络Ef(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Ef(p,q0)、及HEf(p,q)q=q0均由N维神经网络来表征。在实际应用中,可根据应用需求设定需要进行泰勒展开的维度,在此不一一赘述。
步骤S13:根据人工神经网络表征的所述费米能级Ef及所述半导体器件的载流子运输方式推导沟道电流和电荷的表达式,获得所述半导体器件的模型。
具体地,在本实施例中,所述长沟道的Ⅲ-Ⅴ族沟道双栅场效应管2的载流子输运方式为漂移和扩散运输。结合人工神经网络表征的所述费米能级Ef及所述长沟道的Ⅲ-Ⅴ族沟道双栅场效应管2的载流子输运方式得到所述长沟道的Ⅲ-Ⅴ族沟道双栅场效应管2的表面势的解析,其中,源端表面势的解析表达式满足如下关系:漏端表面势的解析表达式满足如下关系:由此得到沟道电流、栅极电荷、漏极电荷、源极电荷表达式,具体方法与实施例一相同,在此不一一赘述。
至此,所述长沟道的Ⅲ-Ⅴ族沟道双栅场效应管2的核心集约模型构建完毕。
实施例四
如图5~图7所示,本实施例提供一种半导体器件建模方法,所述半导体器件建模方法包括:
步骤S21:提供一半导体器件,列出所述半导体器件的表面势非线性方程,扫描所述表面势非线性方程中的若干参数,建立表面势与各参数的关系。
具体地,步骤S211:在本实施例中,提供一长沟道的硅基金属-氧化物半导体场效应管3,如图6所示,所述长沟道的硅基金属-氧化物半导体场效应管3包括P型掺杂的硅基底31,形成于所述硅基底31上的氧化物层32,形成于所述氧化物层32上的栅极结构G,形成于所述栅极结构G两侧的源极结构S及漏极结构D。根据所述长沟道的硅基金属-氧化物半导体场效应管3的物理参数得到相应的表面势非线性方程,满足如下关系式:
其中,
φFXB=2φF+VXB,
VGBF=VGB-VFB,
φF为掺杂硅衬底的费米能级与硅本征费米能级之差;VXB为沟道x处和Bulk之间的电压,沟道靠近源端时VXB=VSB,沟道靠近漏端时VXB=VDB;VGB为栅极与体区之间的电压;VFB为平带电势,由工艺决定的常数;εs为体硅的介电常数;NA为体硅的掺杂浓度;ni为硅本征载流子浓度,满足:NC为硅导带的状态密度,NV为价带的状态密度,Eg为硅的禁带宽度,均为常数。
需要说明的是,可根据实际器件的类型或建模需要选择建立表面势非线性方程或费米能级非线性方程组,不以本实施例为限。
具体地,步骤S212:选取所述表面势非线性方程中的若干参数进行扫描,在本实施例中,选取平带电压修正后的栅压VGBF、衬底效应系数γ、热电压φt及经过沟道位置修正后的强反型电势φFXB进行扫描,这四个参数全面地反映了所述长沟道的硅基金属-氧化物半导体场效应管 3中各材料层的材料成分、各材料层的厚度、栅氧层厚度、介电常数等信息,能精简与所述表面势的关系,能有效解决产生的映射数据量太大、不利于神经网络的训练的问题;同时满足大部分场合的应用。
具体地,步骤S213:利用数值方法解所述表面势非线性方程,获得所述表面势与所述平带电压修正后的栅压VGBF、所述衬底效应系数γ、所述热电压φt及所述经过沟道位置修正后的强反型电势φFXB的关系。
步骤S22:利用人工神经网络拟合所述表面势与各参数的关系。
具体地,基于所述表面势非线性方程的解获得所述表面势与所述平带电压修正后的栅压VGBF、所述衬底效应系数γ、所述热电压φt及所述经过沟道位置修正后的强反型电势φFXB的数值映射关系,然后利用人工神经网络对所述表面势与各参数的关系进行训练。
更具体地,如图7所示,所述人工神经网络的拓扑结构包括输入层、隐藏层及输出层,所述输入层包括四个输入端,分别为VGBF、γ、热电压φt及φFXB;所述隐藏层包括多个中间量 (所述中间量根据所述表面势非线性方程设定,在此不一一赘述);所述输出层包括一个输出端,为所述表面势。然后采用任意人工神经网路的训练方法对所述表面势与各参数的关系进行训练,在此不一一赘述。
步骤S23:根据人工神经网络表征的所述表面势及所述半导体器件的载流子运输方式推导沟道电流和电荷的表达式,获得所述半导体器件的模型。
具体地,经过训练后得到所述表面势的解析式,满足如下关系:
其中,只有φFXB这个变量和够到位置有关,则对于源端,存在:φFXB=2φF+VSB,VSB为源极与体区的电压;对于漏端,存在:φFXB=2φF+VDB,VDB为漏极与体区的电压;因此,源端的表面势及漏端的表面势表示为:
对于长沟道的MOSFET器件,沟道位置x处的载流子浓度QIx和体区的耗尽层电荷QBx满足如下关系式:
沟道的载流子浓度分布已知,根据漂移和扩散输运理论,很容易推导出电流的表达式,满足如下关系:
Ids=Ids1+Ids2,
载流子浓度QIx和体区的耗尽层电荷QBx随沟道位置x已知,则总的沟道和耗尽层电荷可以通过载流子浓度QIx和体区的耗尽层电荷QBx对位置x进行积分得到,具体过程较为繁杂,且为业界熟知,可参见“Tsividis,Yannis,and Colin McAndrew.Operation andModeling of the MOS Transistor.Oxford Univ.Press,2011.”,在此不一一赘述。
至此,所述长沟道的硅基金属-氧化物半导体场效应管3核心集约模型已经构建完毕。
综上所述,本发明提供一种半导体器件建模方法,包括:提供一半导体器件,列出所述半导体器件的表面势非线性方程或费米能级非线性方程组;扫描所述表面势非线性方程或费米能级非线性方程组中的若干参数,建立表面势或费米能级与各参数的关系,利用人工神经网络拟合所述表面势或费米能级与各参数的关系;根据人工神经网络表征的所述表面势或费米能级及所述半导体器件的载流子运输方式推导沟道电流表达式和电荷表达式,获得所述半导体器件的模型。本发明的半导体器件建模方法使用神经网络代替非线性方程组的经验解,从根本上解决了半导体器件物理集约模型开发的难点,相比于传统物理模型,具有开发速度快,精度更高等优点,相比于其他的经验或者纯神经网络模型,具有物理工艺缩放的功能,既能为芯片设计提供支持,同时可为半导体工艺开发提供方向。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (12)
1.一种半导体器件建模方法,其特征在于,所述半导体器件建模方法至少包括:
提供一半导体器件,列出所述半导体器件的表面势非线性方程,扫描所述表面势非线性方程中的若干参数,建立表面势与各参数的关系;
利用人工神经网络拟合所述表面势与各参数的关系;
根据人工神经网络表征的所述表面势及所述半导体器件的载流子运输方式推导沟道电流表达式和电荷表达式,获得所述半导体器件的模型。
2.根据权利要求1所述的半导体器件建模方法,其特征在于:所述参数包括工艺参数、器件偏压、工作温度、环境电场、磁场、辐射环境、光照或器件所受压力信息中的一种或几种组合。
3.根据权利要求1所述的半导体器件建模方法,其特征在于:利用数值方法解所述表面势非线性方程,以建立所述表面势与各参数的关系。
4.根据权利要求3所述的半导体器件建模方法,其特征在于:解所述表面势非线性方程的方法包括牛顿法、牛顿法变形、割线法、布朗方法、拟牛顿法、最优化方法或连续法。
5.根据权利要求1所述的半导体器件建模方法,其特征在于:使用仿真软件仿真出所述表面势与各参数的关系,进而建立所述表面势与各参数的关系。
6.根据权利要求1所述的半导体器件建模方法,其特征在于:利用人工神经网络拟合所述表面势与各参数的关系的方法包括:基于所述表面势非线性方程的解获得所述表面势与各参数的数值映射关系,然后利用人工神经网络对所述表面势与各参数的关系进行训练。
7.根据权利要求6所述的半导体器件建模方法,其特征在于:采用贝叶斯人工神经网络优方法或基于最速下降的后向传播优化方法来训练所述表面势与各参数的关系。
8.根据权利要求6所述的半导体器件建模方法,其特征在于:在训练所述表面势与各参数的关系之前,对所述人工神经网络进行降维,以减小训练过程中的过拟合。
9.根据权利要求1所述的半导体器件建模方法,其特征在于:获得所述沟道电流表达式和所述电荷表达式后,对所述沟道电流表达式和所述电荷表达式进行载流子饱和效应或漏致势垒效应的优化。
10.根据权利要求1~9任意一项所述的半导体器件建模方法,其特征在于:采用所述半导体器件的费米能级非线性方程组代替所述半导体器件的表面势非线性方程,利用人工神经网络拟合费米能级与各参数的关系,再基于人工神经网络表征的所述费米能级获得人工神经网络表征的表面势,进而推导出所述沟道电流表达式和所述电荷表达式,获得所述半导体器件的模型。
11.根据权利要求10所述的半导体器件建模方法,其特征在于:所述参数包括栅极电容、外部偏压中间量及工作温度,所述外部偏压中间量满足如下关系式:
Vgox=Vg-Vx-Voff,
其中,Vgox为外部偏压中间量;Vg为栅极偏压;Vx为沟道电压;Voff为直流偏置电压。
12.根据权利要求1所述的半导体器件建模方法,其特征在于:所述参数包括平带电压修正后的栅压、衬底效应系数、热电压及经过沟道位置修正后的强反型电势,满足如下关系式:
VGBF=VGB-VFB,
φFXB=2φF+VXB,
其中,VGBF为平带电压修正后的栅压;VGB为栅极与体区之间的电压;VFB为平带电势;γ为衬底效应系数(body effect coefficient);q为单个电子电荷量;εs为体硅的介电常数;NA为体硅的掺杂浓度;Cox为栅极电容;φt为热电压;K为玻尔兹曼常数;T为工作温度;φFXB为经过沟道位置修正后的强反型电势;φF为掺杂硅衬底的费米能级与硅本征费米能级之差;VXB为沟道x处与体区之间的电压;ni为硅本征载流子浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810398592.5A CN110414024A (zh) | 2018-04-28 | 2018-04-28 | 半导体器件建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810398592.5A CN110414024A (zh) | 2018-04-28 | 2018-04-28 | 半导体器件建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110414024A true CN110414024A (zh) | 2019-11-05 |
Family
ID=68356960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810398592.5A Pending CN110414024A (zh) | 2018-04-28 | 2018-04-28 | 半导体器件建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414024A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022267749A1 (zh) * | 2021-06-25 | 2022-12-29 | 湖南大学 | 一种基于神经网络的多子带玻尔兹曼输运方程求解方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0646885B1 (de) * | 1993-10-01 | 2001-05-23 | Infineon Technologies AG | Simulationsverfahren für MOS-Schaltkreise |
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 |
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 |
CN107748809A (zh) * | 2017-09-20 | 2018-03-02 | 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 |
-
2018
- 2018-04-28 CN CN201810398592.5A patent/CN110414024A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0646885B1 (de) * | 1993-10-01 | 2001-05-23 | Infineon Technologies AG | Simulationsverfahren für MOS-Schaltkreise |
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 |
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 |
CN107748809A (zh) * | 2017-09-20 | 2018-03-02 | 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 |
Non-Patent Citations (1)
Title |
---|
汪洁等: "基于表面势的GaN HEMT集约内核模型", 《微波学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022267749A1 (zh) * | 2021-06-25 | 2022-12-29 | 湖南大学 | 一种基于神经网络的多子带玻尔兹曼输运方程求解方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | An analytic potential model for symmetric and asymmetric DG MOSFETs | |
Marani et al. | A simulation study of analogue and logic circuits with CNTFETs | |
Maiti | Introducing Technology Computer-Aided Design (TCAD): Fundamentals, Simulations, and Applications | |
Yu et al. | Analytic charge model for surrounding-gate MOSFETs | |
Pezzimenti et al. | Current-voltage analytical model and multiobjective optimization of design of a short channel gate-all-around-junctionless MOSFET | |
Yeager et al. | Circuit simulation models for the high electron mobility transistor | |
Beohar et al. | Performance enhancement of asymmetrical underlap 3D‐cylindrical GAA‐TFET with low spacer width | |
Kumar et al. | In2O5Sn based transparent gate recessed channel MOSFET: RF small-signal model for microwave applications | |
Gowthaman et al. | Capacitive modeling of cylindrical surrounding double-gate MOSFETs for hybrid RF applications | |
He et al. | BSIM5: An advanced charge-based MOSFET model for nanoscale VLSI circuit simulation | |
CN110414024A (zh) | 半导体器件建模方法 | |
Panda et al. | Effects of trap density on drain current LFN and its model development for E-mode GaN MOS-HEMT | |
Xie et al. | TCAD simulation of a double L‐shaped gate tunnel field‐effect transistor with a covered source–channel | |
Loan et al. | High‐performance charge plasma based normally OFF GaN MOSFET | |
Mitra et al. | Physics‐based capacitance model of Gate‐on‐Source/Channel SOI TFET | |
Dubey et al. | Analytical modelling and device design optimisation of epitaxial layer‐based III–V tunnel FET | |
Venkata Chandan et al. | Approach on electrically doped TFET for suppression of ambipolar and improving RF performance | |
Biswas et al. | Effect of varying Indium concentration of InGaAs channel on device and circuit performance of nanoscale double gate heterostructure MOSFET | |
Mohtaram et al. | A novel SOI MESFET to spread the potential contours towards the drain | |
Ma et al. | A novel L-gate InGaAs/GaAsSb TFET with improved performance and suppressed ambipolar effect | |
Sharma et al. | A Hybridized Fuzzy-Neural Predictive Intelligent (HFNPI) Modelling Approach-based Underlap FinFET Model | |
Pathak et al. | Assessment of interface traps in In0. 53Ga0. 47As FinFET with gate‐to‐source/drain underlap for sub‐14 nm technology node to impede short channel effect | |
Lee et al. | Improvement of AlGaN/GaN HEMTs linearity using etched-fin gate structure for Ka band applications | |
He et al. | Design of 30 nm multi-finger gate GaN HEMT for high frequency device | |
Rjoub et al. | Accurate leakage current models for MOSFET nanoscale devices |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191105 |