CN112560380A - 一种使用基于知识的神经网络的mos晶体管的射频参数退化模型 - Google Patents

Abstract

本发明公开了一种使用基于知识的神经网络的MOS晶体管的射频参数退化模型，该模型可以拟合所测试的直流参数的退化情况和所测试的射频参数的退化情况之间的对应关系。该过程主要分为三步：第一步，对建模所用的MOS管进行HCI退化实验，得到不同直流应力下的直流参数和射频参数的HCI退化情况；第二步，建立一个基于知识的神经网络的结构作为初始模型；第三步，将测试结果作为训练和测试数据，通过训练神经网络不断调整、优化模型结构，得到最优的模型。

Description

一种使用基于知识的神经网络的MOS晶体管的射频参数退化 模型

技术领域

本发明涉及MOS管可靠性建模领域，尤其涉及一种使用基于知识的神经网络的MOS晶体管的射频参数退化模型。

背景技术

MOS管具有输入阻抗高、噪声低、热稳定性好和制造工艺简单等特点，因而通常被用于放大电路或开关电路中，成为构成超大规模集成电路的基础。然而由于CMOS工艺水平的不断提高，器件的沟道长度不断缩短，栅氧化层不断减薄，MOS管的可靠性问题尤其是热载流子效应越来越成为影响其性能与寿命的重要问题。超大规模集成电路的迅速发展，使得对整个电路系统以及单个器件的性能和可靠性的要求越来越高，因此研究MOS管的可靠性问题对于电路设计至关重要。而基于知识的神经网络作为一种重要的计算机辅助设计技术(Computer-Aided Design，CAD)在器件建模领域有着广泛的应用，不仅可以帮助我们快速建立精度高、性能好的模型，也对后续的设计工作具有指导意义。

目前，研究MOS管可靠性所面临的主要技术难点在于三个方面。

一，射频参数的测试过程较为繁琐；

二，器件退化往往是多种效应综合影响的结果，仅根据已有的模型、公式等进行理论分析难以准确描述其HCI退化性能；

三，对MOS管可靠性的建模耗时较长，且精度不高。

基于上述技术难点，有必要提出一种模型，使MOS管不同应力下的射频参数更容易获得，其可靠性问题更容易研究。

发明内容

本发明提出了一种使用基于知识的神经网络的MOS晶体管的射频参数退化模型，其目的主要有以下三点：1、研究不同直流应力下MOS管的直流参数和射频参数受HCI影响的退化情况；2、在不同直流应力下，拟合所测试的直流参数的HCI退化情况和所测试的射频参数的HCI退化情况之间的对应关系，从而根据直流参数的退化情况预测射频参数的退化情况，缩小建模所用的数据集，简化测试过程；3、使用基于知识的神经网络进行建模，根据先验知识的指导，进一步缩小建模所使用的的数据集，提高建模速度与模型精度。

为实现本发明的目的，本发明提供了一种使用基于知识的神经网络的MOS晶体管的射频参数退化模型，

所述模型的结构包括如下：

1、输入层：包括对MOS管施加的直流应力以及对应的直流参数的HCI退化测量结果；

2、先验知识：将MOS管的交流小信号模型和射频参数的表达式(1)-(3)作为先验知识；

3、精确模型：将对MOS管施加应力后对应的射频参数的HCI退化测量结果作为精确模型；

4、输出层：对施加应力后的MOS管射频参数的HCI退化情况的拟合结果，是整个模型的最终输出；

5、多层感知器MLP(multilayer perceptron)，即一个神经网络结构，通过不断调整MLP的内部结构，即隐藏层数、隐藏层神经元数、各个连接权值，使整个模型的最终输出逼近期望输出，这就是该神经网络的工作机制；

对该模型进行训练和测试，选取测试精确度较高的作为最终模型。

与现有技术相比，本发明的有益效果为，

一，不同于复杂的公式等已有的模型，该发明只需要确定输入、输出数据集就可以快速建立一个相对准确的模型；

二，由于射频参数的测试过程较为繁琐，用直流参数预测射频参数可以简化测试过程、降低时间成本；

三，基于知识的神经网络中的先验知识的存在，对训练过程中拟合关系的形成有指导意义，使建模速度更快、模型最终输出更加准确。

附图说明

图1是本发明模型的方案图；

图2是本发明建模的流程图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用属于“包含”和/或“包括”时，其指明存在特征、步骤、操作、部件或者模块、组件和/或它们的组合。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

对建模所用的MOS管进行HCI退化实验，在源极和漏极施加不同的直流应力，测得其直流参数和射频参数的HCI退化情况。MOS管重要的直流参数包括Id-Vd曲线、跨导、输出电导、阈值电压，重要的射频参数包括S参数、噪声系数、最大工作频率、最大振荡频率。

建立模型的方案图如图1所示。

在本发明中，该模型的结构具体说明如下：

1、输入层：包括对MOS管施加的直流应力以及对应的直流参数的HCI退化测量结果；

2、先验知识：可以是已经存在的模型，这个模型可能是不准确的。本发明中将MOS管的交流小信号模型和射频参数的表达式(1)-(3)作为先验知识；

3、精确模型：精确模型是较为准确的数据或结果。本发明中将对MOS管施加应力后对应的射频参数的HCI退化测量结果作为精确模型；精确模型的输出可以作为整个模型的期望输出；

4、输出层：对施加应力后的MOS管射频参数的HCI退化情况的拟合结果，是整个模型的最终输出；

5、多层感知器MLP(multilayer perceptron)，即一个简单的神经网络结构。通过不断调整MLP的内部结构，即隐藏层数、隐藏层神经元数、各个连接权值，使整个模型的最终输出逼近期望输出，这就是该神经网络的工作机制。

对该模型进行训练和测试，选取测试精确度较高的作为最终模型。

如图2所示，本发明使用基于知识的神经网络对直流应力下的MOS管性能的HCI退化情况进行建模，该模型可以拟合所测试的直流参数的退化情况和所测试的射频参数的退化情况之间的对应关系。该过程主要分为三步：第一步，对建模所用的MOS管进行HCI退化实验，得到不同直流应力下的直流参数和射频参数的HCI退化情况；第二步，建立一个基于知识的神经网络的结构作为初始模型；第三步，将测试结果作为训练和测试数据，通过训练神经网络不断调整、优化模型结构，得到最优的模型。

以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种使用基于知识的神经网络的MOS晶体管的射频参数退化模型，其特征在于，

所述模型的结构包括如下：

1、输入层：包括对MOS管施加的直流应力以及对应的直流参数的HCI退化测量结果；

2、先验知识：将MOS管的交流小信号模型和射频参数的表达式(1)-(3)作为先验知识；

3、精确模型：将对MOS管施加应力后对应的射频参数的HCI退化测量结果作为精确模型；

4、输出层：对施加应力后的MOS管射频参数的HCI退化情况的拟合结果，是整个模型的最终输出；

5、多层感知器MLP(multilayer perceptron)，即一个神经网络结构，通过不断调整MLP的内部结构，即隐藏层数、隐藏层神经元数、各个连接权值，使整个模型的最终输出逼近期望输出，这就是该神经网络的工作机制；

对该模型进行训练和测试，选取测试精确度较高的作为最终模型。

Images