CN111428422A - 一种基于器件性能的resurf功率器件结构自动优化方法 - Google Patents

一种基于器件性能的resurf功率器件结构自动优化方法 Download PDF

Info

Publication number
CN111428422A
CN111428422A CN202010248744.0A CN202010248744A CN111428422A CN 111428422 A CN111428422 A CN 111428422A CN 202010248744 A CN202010248744 A CN 202010248744A CN 111428422 A CN111428422 A CN 111428422A
Authority
CN
China
Prior art keywords
performance
resurf
optimization
device structure
objective function
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.)
Granted
Application number
CN202010248744.0A
Other languages
English (en)
Other versions
CN111428422B (zh
Inventor
郭宇锋
陈静
张茂林
杨可萌
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202010248744.0A priority Critical patent/CN111428422B/zh
Publication of CN111428422A publication Critical patent/CN111428422A/zh
Application granted granted Critical
Publication of CN111428422B publication Critical patent/CN111428422B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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

  • Insulated Gate Type Field-Effect Transistor (AREA)
  • Thin Film Transistor (AREA)

Abstract

本发明公开了一种基于器件性能的RESURF功率器件结构自动优化方法，包括：S1：设定结构参数范围，获取不同结构预测器件性能的数据集，训练由器件结构预测器件性能的神经网络模型；S2：设定目标函数为器件理想性能与预测性能之间的误差函数；S3：在选取器件结构参数范围内，初始化结构选取，预测选取结构的性能，计算目标函数值并将其反馈给结构优化选取模型，优化选取结构的模型，重复优化选取结构过程直至给出满足预期性能指标的器件结构。本发明利用贝叶斯优化，强化学习等方法，使用器件性能指标，能够精确、简单快速的进行器件结构的自动优化，并且降低了成本。本发明优化的器件结构，其性能指标相对于实际理想值偏差均值在5％左右，精确度较高。

Description

一种基于器件性能的RESURF功率器件结构自动优化方法
技术领域
本发明涉及半导体集成电路领域的器件结构设计优化方法，尤其涉及一种使用器件性能对降低表面电场(Reduced SURface Field，简称RESURF)功率器件结构进行自动优化的方法。
背景技术
自上世纪80年代，VLSI技术和微细加工技术不断发展，功率器件亦得到广泛的发展与应用。RESURF功率器件作为功率器件的典型代表，因其击穿电压高，性能优而得到了广泛的关注与应用。至今，其已经广泛用于功率电源、汽车电子，智能家居等各个领域。
RESURF功率器件结构设计具有重要的实践意义。目前，为实现预期的性能指标，进行结构优化的方法主要包括器件仿真和实验测试。同时，也存在利用机器学习实现从结构到性能快速预测的方法。但这些方法都需要耗费很多人力工作和工程，在结构设计上具有复杂性。并且，当有多个性能指标需要满足时，指标之间还需要进行权衡，这使得结构的设计过程将更困难并且更耗时。而据我们所知，目前所有功率器件的优化都依赖于此类人工设计方法。在实际运用环境中，人们通常先根据应用场景获得所需求的性能指标而不是器件的结构，此类人工设计方法具有复杂性且耗时，因此迫切需要一种快速简单且精准度高的工具实现结构的设计。
发明内容
发明目的：为了解决现有技术存在的问题，本发明的目的是提供一种成本低、环境要求低、优化速度快且结果准确度高的RESURF功率器件结构实现自动优化方法。
技术方案:一种基于器件性能的RESURF功率器件结构自动优化方法，其包括如下步骤：
步骤1：设定器件结构参数范围，获取不同结构参数预测器件性能的数据集，训练由器件结构预测器件性能的深度神经网络模型；
步骤2：设定目标函数为器件理想性能与预测性能之间的误差函数；
步骤3：在所选取器件结构参数范围内，初始化结构选取，优选采取步骤1建立的神经网络模型预测选取结构的性能，计算目标函数值并将其反馈给结构优化选取模型，优化选取结构的模型，重复优化选取结构过程直至给出满足预期性能指标的器件结构。
优选的，采取针对器件性能建立的性能分析模型、器件仿真或者实验方法预测选取结构的性能。所述结构优化选取模型为贝叶斯优化或者强化学习方法。
进一步的，所述步骤1具体包括如下内容：
步骤11：根据器件结构设计需要，设定合理的器件结构范围，通过仿真或者实验获得不同结构参数预测器件性能的数据集；
步骤12：利用获取的数据集，使用深度神经网络，训练建立由器件结构实现器件性能预测的深度神经网络模型。
进一步的，所述步骤2中，采用公式(1)确定所述目标函数：
Figure BDA0002433041160000021
其中，Dt i为RESURF功率器件一种预期理想的性能指标，Dm i(x)为RESURF功率器件一种预测的性能指标，i为不同类型的器件性能指标，N为器件性能指标总个数，x选自于器件结构设计需要所设定的参数范围。
进一步的，所述步骤3具体包括以下内容：
步骤31：根据器件结构设计要求，选定器件结构的参数范围；
步骤32：在选定范围内，设定RESURF功率器件结构的初始值；
步骤33：根据设定的结构，利用步骤1中的神经网络模型预测器件性能；
步骤34：根据公式(1)，计算预测的器件性能与理想性能之间的误差值，即目标函数值；
步骤35：将计算的误差值反馈给结构优化选取模型，优化模型并选取出新的器件结构；
步骤36：判断所述误差值是否满足截止条件，满足则返回RESURF功率器件的结构，否则对给出的新的器件结构性能进行预测，即重复步骤33-步骤36。
一种实施所述RESURF功率器件结构自动优化方法的RESURF功率器件，包括SOILDMOS、体硅LDMOS、横向功率二极管、体硅LIGBT、SOI LIGBT。
和现有技术相比，本发明具有如下显著优点：
1、本发明利用贝叶斯优化，强化学习等方法，给定所需的器件性能指标，使用这些器件性能指标，能够精确、简单快速的进行器件结构的自动优化，并且能够显著降低成本。
2、本发明优化的器件结构通过器件仿真测试的性能指标相对于实际理想值偏差均值在5％左右，精确度较高。
3、本发明适用于各种RESURF功率器件，包括SOI LDMOS，横向功率二极管和LIGBT等。
附图说明
图1为本发明实施例RESURF功率器件结构自动优化方法流程图；
图2为本发明所测SOI LDMOS三维结构示意图；
图3为本发明所测SOI LDMOS优化的结构所测性能指标与理想性能指标对比图；
图4为本发明所测SOI LDMOS结构优化过程中误差值随迭代次数变化图。
具体实施方式
下面给出结合附图说明的使用器件性能，包括击穿电压和导通电阻，对RESURF功率器件典型实例即绝缘衬底上的硅(silicon-on-insulator，简写SOI)横向双扩散金属氧化物半导体场效应管(lateral double-diffused metal oxide semiconductor，简写LDMOS)器件结构，包括漂移区浓度，顶层硅厚度，漂移区长度，埋氧层厚度等结构参数进行自动优化的方法，其中结构优化选取模型采取贝叶斯优化方法。
SOI LDMOS是RESURF功率器件的一种类型，得到了广泛的关注与应用。在实际制造应用过程中，最为常见的就是三维环形布局结构。图2给出了SOI LDMOS的三维结构，1为具有第二导电类型的重掺杂区，2为位于绝缘埋层上具有第二导电类型的顶层硅漂移区，3为位于绝缘埋层上具有第一导电类型的沟道区，4为位于沟道区内具有第二导电类型的重掺杂区，5为位于沟道区内具有第一导电类型的重掺杂区，6为位于绝缘埋层上具有第一导电类型的沟道区，7为位于支撑衬底上的绝缘埋层，8为支撑衬底。
结合图1，给出优化详细过程及具体实施例：
步骤1.首先，根据器件结构设计需要，设定合理的器件结构范围，在仿真或者实验中获得不同结构参数，包括漂移区浓度，顶层硅厚度，漂移区长度，埋氧层厚度等预测静态特性的数据集。
步骤2.利用获取的数据集，使用深度神经网络，训练并建立由结构可实现击穿电压和导通电阻快速精确预测的神经网络模型。
步骤3.根据所需应用的环境，设定理想的击穿电压和导通电阻值。
步骤4.确定目标函数为预测静态性能与理想静态性能之间的误差函数
Figure BDA0002433041160000041
其中BVt为理想设定的击穿电压，BVm(x)为预测的击穿电压，Ron t为理想设定的导通电阻，Ron m(x)为预测的导通电阻，x为结构参数且选自于所器件结构设计需要所设定的参数范围。
步骤5.根据器件结构设计需要，选定器件结构的参数范围；
步骤6.在所选取范围内，设定器件结构初始值x0，利用训练好的神经网络模型预测此结构的静态特性的数值，包括击穿电压和导通电阻；
步骤7.根据通过神经网络预测的静态特性值，利用目标函数计算其与理想静态性能之间的误差值，并将其加入训练集；
步骤8.利用训练集，训练高斯过程的超参数，选择高斯函数表征误差函数，其中核函数选择径向基函数(radial basis function，简称RBF)
Figure BDA0002433041160000042
其中超参数α是控制函数平滑度的信号方差，σ1引导径向作用的范围。
步骤9.根据设定的采集函数(acquisition function，简称AC函数)选取下一组结构参数x*，本发明中的AC函数采用上限置信区间函数(upper confidence bound，简称UCB)UCB＝μ(x)+βσ(x)，其中μ(x)代表先验的均值，σ(x)为预测的不确定性，β控制着开发(表示根据后验分布在可能具有全局最优解的区域中选取采样点)和探索(表示在未采样但有希望的区域中获取采样点)之间的平衡。
步骤10.通过神经网络模型，获取选取结构点x*的预测静态特性值；
步骤11.继续根据目标函数计算结构点x*的预测静态特性值与理想静态特性的误差函数值；
步骤12.判断获得的误差值是否满足截止条件，满足则结束自动的结构优化过程并返回优化的SOI LDMOS器件结构；否则将x*加入训练集，保存训练集中的最优解，重复步骤8-12直至误差满足截止条件。
本发明通过贝叶斯优化方法，给定静态性能指标，就可直接快速的优化器件结构并给出满足性能指标的SOI LDMOS结构。此方法将提高设计效率，为设计者提供更好的指导。
将上述方式运用到实例中，给出结果对本发明进一步说明。即已知静态特性，包括击穿电压和导通电阻，给出优化的SOI LDMOS结构为实例。
(1)通过器件仿真或实验等途径，获得关于实际结构与静态性能对应的相关数据集。利用获取的数据，建立实现器件性能快速精准预测的深度神经网络的模型。此模型既可用于已知结构参数的击穿性能的预测，又可用于器件结构的自动优化。
(2)给定三组已知的静态特性预测为例，其中1)击穿电压为242.25V，导通电阻为34.98mΩ·cm2；2)击穿电压为108.04V，导通电阻为157.5mΩ·cm2，3)击穿电压为70.72V，导通电阻为209.7mΩ·cm2。
(3)设定优化结构的数据范围，实行贝叶斯优化，给出所需优化的结构参数，包括漂移区浓度，顶层硅厚度，漂移区长度，埋氧层厚度。表1给出根据三组已知的静态特性指标，运用贝叶斯优化所给出的相应结构，以及通过器件仿真得到静态性能与理想性能之间的误差。
表1不同静态特性下优化的SOI LDMOS结构以及预测偏差
Figure BDA0002433041160000051
(4)图3进一步给出了多组SOI LDMOS预测结果与理想数据对比图。圆点代表给出的理想性能指标，菱形点代表通过此方法给出的结构通过器件仿真测得的结果。从图中可得到它们比较好的吻合。
(5)图4给出在结构优化过程中，误差值即目标函数值随迭代次数的关系变化。虽然在此过程中存在波动，但是优化的过程会最终趋于收敛。波动的原因是优化算法在探索新的区域的结构参数。
综上，本发明的RESURF功率器件结构自动优化方法，对于RESURF功率器件结构，首先根据所需的环境，决定所需的器件性能指标。然后使用需求的器件性能指标，利用贝叶斯优化或强化学习等方法，可简单快速的进行器件结构的优化，从而给出符合器件性能指标的器件结构。

Claims (8)

1.一种基于器件性能的RESURF功率器件结构自动优化方法，其特征在于，其包括如下步骤：
步骤1：设定器件结构参数范围，获取不同结构参数预测器件性能的数据集，训练由器件结构预测器件性能的深度神经网络模型；
步骤2：设定目标函数为器件理想性能与预测性能之间的误差函数；
步骤3：在选取器件结构参数范围内，初始化结构选取，预测选取结构的性能，计算目标函数值并将其反馈给结构优化选取模型，优化选取结构的模型，重复优化选取结构过程直至给出满足预期性能指标的器件结构。
2.根据权利要求1所述的基于器件性能的RESURF功率器件结构自动优化方法，其特征在于，所述步骤1具体包括如下内容：
步骤11：根据器件结构设计需要，设定合理的器件结构范围，通过仿真或者实验获得不同结构参数预测器件性能的数据集；
步骤12：利用获取的数据集，使用深度神经网络，训练建立由器件结构实现器件性能预测的深度神经网络模型。
3.根据权利要求1所述的基于器件性能的RESURF功率器件结构自动优化方法，其特征在于，所述步骤2中，采用公式(1)确定所述目标函数：
Figure FDA0002433041150000011
其中，Dt i为RESURF功率器件一种预期理想的性能指标，Dm i(x)为RESURF功率器件一种预测的性能指标，i为不同类型的器件性能指标，N为器件性能指标总个数，x选自于器件结构设计需要所设定的参数范围。
4.根据权利要求3所述的基于器件性能的RESURF功率器件结构自动优化方法，其特征在于，所述步骤3具体包括以下内容：
步骤31：根据器件结构设计要求，选定器件结构的参数范围；
步骤32：在选定范围内，设定RESURF功率器件结构的初始值；
步骤33：根据设定的结构，利用步骤1中的神经网络模型预测器件性能；
步骤34：根据公式(1)，计算预测的器件性能与理想性能之间的误差值，即目标函数值；
步骤35：将计算的误差值反馈给结构优化选取模型，优化模型并选取出新的器件结构；
步骤36：判断所述误差值是否满足截止条件，满足则返回RESURF功率器件的结构，否则对给出的新的器件结构性能进行预测，即重复步骤33-步骤36。
5.根据权利要求1所述的基于器件性能的RESURF功率器件结构自动优化方法，其特征在于，所述步骤3中，采取步骤1建立的神经网络模型预测选取结构的性能。
6.根据权利要求1所述的基于器件性能的RESURF功率器件结构自动优化方法，其特征在于，所述步骤3中，采取针对器件性能建立的性能分析模型、器件仿真或者实验方法预测选取结构的性能。
7.根据权利要求1所述的基于器件性能的RESURF功率器件结构自动优化方法，其特征在于，步骤3中，所述结构优化选取模型为贝叶斯优化或者强化学习方法。
8.一种实施如权利要求1-7任一所述RESURF功率器件结构自动优化方法的RESURF功率器件，其特征在于：所述RESURF功率器件包括SOI LDMOS、体硅LDMOS、横向功率二极管、体硅LIGBT、SOI LIGBT。
CN202010248744.0A 2020-03-31 2020-03-31 一种基于器件性能的resurf功率器件结构自动优化方法 Active CN111428422B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010248744.0A CN111428422B (zh) 2020-03-31 2020-03-31 一种基于器件性能的resurf功率器件结构自动优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010248744.0A CN111428422B (zh) 2020-03-31 2020-03-31 一种基于器件性能的resurf功率器件结构自动优化方法

Publications (2)

Publication Number Publication Date
CN111428422A true CN111428422A (zh) 2020-07-17
CN111428422B CN111428422B (zh) 2022-08-26

Family

ID=71557356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010248744.0A Active CN111428422B (zh) 2020-03-31 2020-03-31 一种基于器件性能的resurf功率器件结构自动优化方法

Country Status (1)

Country Link
CN (1) CN111428422B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378388A (zh) * 2021-06-11 2021-09-10 华中科技大学 基于异步强化学习的非对称光偏振器件结构及其设计方法
CN113505564A (zh) * 2021-06-30 2021-10-15 南京邮电大学 一种基于深度学习的resurf横向功率器件最优漂移区浓度设计方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245413A (zh) * 2019-06-11 2019-09-17 西北工业大学 一种基于神经网络的超材料吸波结构的设计方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245413A (zh) * 2019-06-11 2019-09-17 西北工业大学 一种基于神经网络的超材料吸波结构的设计方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378388A (zh) * 2021-06-11 2021-09-10 华中科技大学 基于异步强化学习的非对称光偏振器件结构及其设计方法
CN113505564A (zh) * 2021-06-30 2021-10-15 南京邮电大学 一种基于深度学习的resurf横向功率器件最优漂移区浓度设计方法

Also Published As

Publication number Publication date
CN111428422B (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN109255160B (zh) 基于神经网络的单元延时预测方法和单元延时灵敏度计算方法
CN111428422B (zh) 一种基于器件性能的resurf功率器件结构自动优化方法
Chen et al. Powernet: SOI lateral power device breakdown prediction with deep neural networks
KR20080010305A (ko) 반도체디바이스의 특성과 회로설계에 이용하는시뮬레이션장치, 시뮬레이션방법, 및 반도체장치의제조방법
US6772035B2 (en) Synthesizing semiconductor process flow models
KR20050083556A (ko) 반도체 회로 장치의 시뮬레이션 방법 및 반도체 회로장치의 시뮬레이터
CN111279209B (zh) 用于改进定位模型的指纹数据预处理方法
Chen et al. Automatic selection of structure parameters of silicon on insulator lateral power device using Bayesian optimization
CN114970341B (zh) 基于机器学习的低轨卫星轨道预报精度提升模型建立方法
KR20130010518A (ko) 비정질 산화물 반도체 박막 트랜지스터의 커패시턴스 모델링 방법 및 그 장치
JP5131846B2 (ja) 薄膜トランジスタのソース−ドレイン電流モデリング方法及び装置
CN117113515B (zh) 一种路面设计方法、装置、设备及存储介质
GB2351156A (en) Modelling electrical characteristics of thin film transistors
CN116205190B (zh) 一种igbt物理模型参数获取方法及装置
CN116307151A (zh) 充电站充电负荷预测方法、存储介质以及电子设备
Ma et al. Numerical modeling of FS-trench IGBTs by TCAD and its parameter extraction method
US20220180039A1 (en) Design support method, design support system, and non-transitory computer-readable storage medium
CN114722581A (zh) 基于曼哈顿距离的移动状态监测方法、装置、计算机设备
CN116562173B (zh) 基于模拟退火算法的半导体器件结终端几何参数设计方法
KR102546528B1 (ko) 반도체 제조 파라미터 설정 방법 및 이를 수행하기 위한 컴퓨팅 장치
CN117766422B (zh) 一种用于蚀刻薄层的方法和设备
US20230083184A1 (en) Optimization of processes for manufacturing amorphous silicon
Ditsworth Modeling and Experimental Verification of Aging Process in Wide Bandgap Devices
Xu et al. An Ultra-Fast and Precise Automatic Design Framework for Predicting and Constructing High-Performance Shallow-Trench-Isolation LDMOS Device
JP2000114507A (ja) 半導体素子のシミュレーション方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 210003 Gulou District, Jiangsu, Nanjing new model road, No. 66

Applicant after: NANJING University OF POSTS AND TELECOMMUNICATIONS

Address before: Yuen Road Qixia District of Nanjing City, Jiangsu Province, No. 9 210046

Applicant before: NANJING University OF POSTS AND TELECOMMUNICATIONS

GR01 Patent grant
GR01 Patent grant