CN112926258B - 一种基于bp神经网络模型预测半导体器件结温的方法 - Google Patents

一种基于bp神经网络模型预测半导体器件结温的方法 Download PDF

Info

Publication number
CN112926258B
CN112926258B CN202110159123.XA CN202110159123A CN112926258B CN 112926258 B CN112926258 B CN 112926258B CN 202110159123 A CN202110159123 A CN 202110159123A CN 112926258 B CN112926258 B CN 112926258B
Authority
CN
China
Prior art keywords
neural network
semiconductor device
training
network model
junction temperature
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
CN202110159123.XA
Other languages
English (en)
Other versions
CN112926258A (zh
Inventor
吕红亮
戚军军
严思璐
程林
张玉明
张义门
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202110159123.XA priority Critical patent/CN112926258B/zh
Publication of CN112926258A publication Critical patent/CN112926258A/zh
Application granted granted Critical
Publication of CN112926258B publication Critical patent/CN112926258B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Testing Of Individual Semiconductor Devices (AREA)

Abstract

本发明公开了一种基于BP神经网络模型预测半导体器件结温的方法，包括：确定半导体器件的环境温度和功耗；将所确定的环境温度和功耗输入至预先训练完成的BP神经网络模型，以使该BP神经网络模型输出所述半导体器件的结温；其中，所述BP神经网络模型是基于预先构建的数据集所训练获得的；所述数据集包括：通过有限元分析法所获得的、在多种仿真条件下器件模型的结温；所述器件模型为所述半导体器件的仿真模型，每种所述仿真条件对应一种预设的环境温度和一种预设的功耗。本发明能够简单、高效、快速以及精确地预测半导体器件结温。

Description

一种基于BP神经网络模型预测半导体器件结温的方法
技术领域
本发明属于集成电路分析技术领域，具体涉及一种基于BP(back propagation，反向传播)神经网络模型预测半导体器件结温的方法。
背景技术
随着微电子制造工艺的飞速发展，半导体器件的尺寸不断缩小，功率密度成倍增加。然而，高功率密度容易导致器件及电路的工作温度显著升高。升高的器件结温不仅会影响器件的电学性能，还会使器件自热效应严重增大，缩短器件寿命，影响器件可靠性。因此，在芯片设计阶段，电路设计者就需要对器件结温及温度特性进行准确评估，以便通过散热结构设计及合理布局布线，实现芯片版图布局的优化，确保器件及电路的电热可靠性，从而提高芯片及系统工作的稳定性。
为了准确对半导体器件结温进行分析，现有技术有使用红外热成像方式测量器件结温的方法，也有使用函数拟合的特征函数法拟合器件结温方法；其中，对于红外测量结温而言，由于半导体器件裸片尺寸在微米级别，裸片的测试需要结合探针台进行，对热成像设备、测试环境、红外热成像仪的分辨率都提出很高要求，稍有偏差便容易得到误差大的测量结果；另外，由于成品电路中的器件数量庞大，采用红外测量的方式难以保证器件的测量覆盖率；因此，在高标准的测试要求以及较低的器件覆盖率两方面的限制下，使得红外测量器件结温这种分析方式的在实际开发周期中难以切实施展；而对于函数拟合的方式而言，需要根据实际实验数据，使用一次函数、幂指数函数等进行函数拟合，以此来表达器件参数与器件结温的关系；但是，器件结温与器件参数的关系并不会严格遵守某一数学函数关系，故而这种方式在拟合精度上存在一定的误差。
因此，有必要寻求一种能够简单、高效、快速以及精确地预测半导体器件结温的方案。
发明内容
为了能够简单、高效、快速以及精确地预测半导体器件结温，本发明提供了一种基于BP神经网络模型预测半导体器件结温的方法，包括：
确定半导体器件的环境温度和功耗；
将所确定的环境温度和功耗输入至预先训练完成的BP神经网络模型，以使该BP神经网络模型输出所述半导体器件的结温；
其中，所述BP神经网络模型是基于预先构建的数据集所训练获得的；所述数据集包括：通过有限元分析法所获得的、在多种仿真条件下的器件模型的结温；所述器件模型为所述半导体器件的仿真模型，每种所述仿真条件对应一种预设的环境温度和一种预设的功耗。
可选地，所述数据集的构建方式包括：
获取所述半导体器件的工艺库文件；
基于所述工艺库文件中的结构尺寸参数和材料属性参数，利用COMSOL有限元分析软件构建所述半导体器件的物理模型；
在所述COMSOL有限元分析软件中，根据所述半导体器件的功耗范围和环境温度范围，分别为所述物理模型加载多种所述仿真条件，以得到各种所述仿真条件下的所述器件模型，并通过稳态热分析得到每种所述仿真条件下的所述器件模型的结温；
将每种所述仿真条件对应的环境温度和功耗均作为一个数据样本，并将在该种仿真条件下得到的结温作为该数据样本的真实结温，得到构建完成的所述数据集。
可选地，所述BP神经网络模型的训练过程包括：
将所述数据集划分为训练集和测试集；其中，所述训练集中的数据样本为训练样本；所述测试集中的数据样本为测试样本；所述训练样本比所述测试样本多；
从所述训练集中获取训练样本输入至训练中的所述BP神经网络模型，以使该BP神经网络模型输出所预测的结温；
基于训练中的所述BP神经网络模型所预测的结温和对应的真实结温之间的相对误差计算模型误差；
当计算的所述模型误差不小于预设的目标误差时，调整模型参数，返回所述从所述训练集中获取训练样本输入至训练中的所述BP神经网络模型的步骤，继续训练；
当计算的所述模型误差小于所述目标误差时，得到待测试的所述BP神经网络模型；
从所述测试集中获取测试样本测试所述BP神经网络模型；
当测试通过时，得到训练完成的所述BP神经网络模型；
当测试不通过时，返回所述从所述训练集中获取训练样本输入至训练中的所述BP神经网络模型的步骤，继续训练。
可选地，所述BP神经网络模型包括：输入层、隐藏层以及输出层；其中，
所述输入层用于接收所述数据样本，并将所述数据样本传递至所述隐藏层；
所述隐藏层包括第一子隐藏层和第二子隐藏层；；
所述第一子隐藏层中的每个神经元，用于分别给所述数据样本中的环境温度和功耗乘以对应的权值；将赋以权值后的环境温度和功耗与所述第一子隐藏层的阈值相加，得到第一求和结果；将所述第一求和结果送入tansig函数得到该神经元的输出；
所述第二子隐藏层中的每个神经元，用于将所述第一子隐藏层的各个神经元的输出乘以对应的权值，并将得到的各个乘积结果与所述第二子隐藏层的阈值相加，得到第二求和结果；将所述第二求和结果送入tansig函数得到该神经元的输出；
所述输出层与所述第二子隐藏层中的各个神经元的输出相连，用于根据所述第二子隐藏层中的各个神经元的输出相连，利用purelin函数计算得到所述结温。
可选地，所述半导体器件包括：半导体芯片或半导体功率器件。
可选地，所述确定半导体器件的环境温度和功耗，包括：
通过所述半导体器件所在电路中的温度传感器，确定半导体器件的环境温度；或者，获取半导体器件实际工作环境的环境温度；
根据所述半导体器件的输入电压、输入电流以及效率，确定所述半导体器件的功耗。
本发明提供的基于BP神经网络模型预测半导体器件结温的方法中，预先通过有限元分析方法构建了数据集，且预先利用该数据集训练好BP神经网络模型；由此，在实际预测半导体器件结温时，只需确定半导体器件的功耗和环境温度，即可准确地预测出半导体器件的结温；与现有的热成像测试获取器件结温的方法相比，本发明的预测结果不受外部测试环境的干扰，预测的结温更准确，预测方式也更便捷；与现有的函数拟合的方式相比，BP神经网络模型预测的结温更贴近于半导体器件的结温与器件参数的真实关系，准确性更高。
并且，本发明中，将需要占用大量计算机资源和耗费大量时间的有限元分析过程前置；这样，通过有限元分析得到数据集并训练BP神经网络模型后，便无需再占用任何计算机资源，将半导体器件的环境温度和功耗输入到训练好的BP神经网络模型中，便可以立刻得到预测的结温，提高了结温的分析速度和效率。
以下将结合附图及对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种基于BP神经网络模型预测半导体器件结温的方法的流程图；
图2是本发明实施例中构建数据集以及训练BP神经网络模型的过程示意图；
图3为本发明实施例中所使用的BP神经网络模型的拓扑结构图；
图4为采用本发明实施例提供的方法所得的结温随环境温度和功耗变化的BP神经网络的训练误差；
图5为本发明实施例中预测的结温与真实结温随环境温度和功耗变化散点图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
为了能够简单、高效、快速以及精确地预测半导体器件结温，本发明实施例提供了一种基于BP神经网络模型预测半导体器件结温的方法，参见图1所示，该方法包括：
S1：确定半导体器件的环境温度和功耗。
这里，半导体器件可以包括：半导体芯片和半导体功率器件；通常来说，这两种半导体器件对于结温的分析需求较高。当然，在具有分析需求的情况下，其他类型的半导体器件也可以按照本发明实施例提供的方法来预测结温。
在实际应用中，半导体器件所属的电路系统或者硬件设备中通常集成有温度传感器，故可以通过温度传感器来确定半导体器件的环境温度；或者，也可以由电路开发人员根据电路实际工作环境来输入环境温度，即该步骤中也可以直接获取电路实际工作环境的温度。另外，根据半导体器件的输入电压、输入电流以及效率，便可以直接计算半导体器件的功耗。
S2：将所确定的环境温度和功耗输入至预先训练完成的BP神经网络模型，以使该BP神经网络模型输出所述半导体器件的结温。
其中，该BP神经网络模型是基于预先构建的数据集所训练获得的；该数据集包括：通过有限元分析法所获得的、在多种仿真条件下的器件模型的结温；该器件模型为半导体器件的仿真模型，每种仿真条件对应一种预设的环境温度和一种预设的功耗。
本发明提供的基于BP神经网络模型预测半导体器件结温的方法中，预先通过有限元分析方法构建了数据集，且预先利用该数据集训练好BP神经网络模型；由此，在实际预测半导体器件结温时，只需确定半导体器件的功耗和环境温度，即可准确地预测出半导体器件的结温；与现有的热成像测试获取器件结温的方法相比，本发明的预测结果不受外部测试环境的干扰，预测的结温更准确，分析方式也更便捷；与现有的函数拟合的方式相比，BP神经网络模型预测的结温更贴近于半导体器件的结温与器件参数的真实关系，准确性更高。
并且，本发明中，将需要占用大量计算机资源和耗费大量时间的有限元分析过程前置；这样，通过有限元分析得到数据集并训练BP神经网络模型后，便无需再占用任何计算机资源，将半导体器件的环境温度和功耗输入到训练好的BP神经网络模型中，便可以立刻得到预测的结温，提高了结温的分析速度和效率。
本发明实施例中，构建数据集以及训练BP神经网络模型的过程可以参见图2所示，包括：
S201：获取半导体器件的工艺库文件。
可以理解的是，半导体器件的工艺库文件中包括了半导体器件的多种参数，如结构尺寸参数和材料属性参数等等。其中，材料属性参数中包含有与材料的热性能相关的多种参数，如导热系数、恒压热容等。
S202：基于工艺库文件中的结构尺寸参数和材料属性参数，利用COMSOL有限元分析软件构建半导体器件的物理模型。
其中，COMSOL有限元分析软件是指COMSOL Multiphysics，它是一款大型的高级数值仿真软件，能够模拟科学和工程领域的各种物理过程。
S203：在COMSOL有限元分析软件中，根据半导体器件的功耗范围和环境温度范围，分别为几何模型加载多种仿真条件，以得到各种仿真条件下的器件模型，并通过稳态热分析得到每种仿真条件下的器件模型的结温。
具体的，根据半导体器件的功耗范围和环境温度范围，可以划分出多种仿真条件。在每种仿真条件下，均可以在COMSOL有限元分析软件中，为步骤S202中构建的物理模型加载功耗和边界条件；其中，加载功耗即是给物理模型加载热源，加载边界条件即是给物理模型加载环境温度；实际中加载环境温度方式，可以是设定承接半导体器件的衬底的背面温度为环境温度，且给半导体器件的其他表面设定为绝热。
然后，使用COMSOL有限元分析软件中的自由剖分四面体选项，对物理模型进行网格划分，并设置功耗的求解范围以及环境温度的求解范围，以此来进行稳态热分析仿真，从而获得物理模型的温度分布情况。
参照上述过程，依次变换仿真条件，即加载不同的功耗和边界条件，即可获得各种环境温度、各种功耗下的器件模型的结温。
在实际应用中，为了能够训练出预测准确度较高的BP神经网络模型，该步骤S203中，可以适当的加大仿真次数，即加大仿真条件的数量。优选地，仿真条件的数量可以位于300～500之间。
S204：将每种仿真条件对应的环境温度和功耗组成的二维向量均作为一个数据样本，并将在该种仿真条件下得到的结温作为该数据样本的真实结温，得到构建完成的数据集。
可以理解的是，数据样本的真实结温即是数据样本的标注信息。
在实际应用中，可以用每种仿真条件对应的环境温度和功耗来构建二维矩阵，从而将该二维矩阵作为数据样本。
S205：基于构建完成的数据集训练BP神经网络模型。
图3示出了该BP神经网络模型的拓扑结构，包括：输入层、隐藏层以及输出层。
其中，输入层用于接收数据样本，并将数据样本传递至隐藏层。
隐藏层包括第一子隐藏层和第二子隐藏层。
其中，第一子隐藏层中的每个神经元，用于分别给数据样本中的环境温度和功耗乘以对应的权值；将赋以权值后的环境温度和功耗与第一子隐藏层的阈值相加，得到第一求和结果；将第一求和结果送入tansig函数得到该神经元的输出。
第二子隐藏层中的每个神经元，用于将第一子隐藏层的各个神经元的输出乘以对应的权值，并将得到的各个乘积结果与第二子隐藏层的阈值相加，得到第二求和结果；将第二求和结果送入tansig函数该神经元的输出。
输出层与第二子隐藏层中的各个神经元的输出相连，用于根据第二子隐藏层中的各个神经元的输出相连，利用purelin函数计算得到结温。
另外，在创建该BP神经网络模型时，可以采用newff函数，在训练该BP神经网络模型时，训练函数可以采用trainlm函数。
步骤S205中，训练BP神经网络模型的过程可以具体包括：
(1)将数据集划分为训练集和测试集；其中，训练集中的数据样本为训练样本；测试集中的数据样本为测试样本；训练样本比测试样本多。
优选地，训练集中数据样本的数量占整个数据集的70％以上，剩余的数据样本构成测试集。
(2)从训练集中获取训练样本输入至训练中的BP神经网络模型，以使该BP神经网络模型输出所预测的结温。
这里，BP神经网络模型具体可以通过调用Matlab软件中的BP神经网络函数来实现。
(3)基于训练中的BP神经网络模型所预测的结温和对应的真实结温计算模型误差。
可以理解的是，将每个训练样本输入到BP神经网络模型中，BP神经网络模型均会输出一个预测的结温，根据每个训练样本真实结温和对应预测的结温可以分别计算出一个相对误差；对已经计算出的所有相对误差求取平均值，即可得到模型误差。
(4)当计算的模型误差不小于预设的目标误差时，调整模型参数，返回步骤(2)继续训练。
(5)当计算的模型误差小于目标误差时，得到待测试的BP神经网络模型。
(6)从测试集中获取测试样本测试BP神经网络模型。
这里，测试BP神经网络模型即是将多个测试样本分别输入到BP神经网络模型中后，检测BP神经网络模型输出的结温与测试样本的真实结温在可接受的精度范围内是否一致，如果一致，则测试通过；否则，测试不通过。
(7)当测试通过时，得到训练完成的BP神经网络模型。
(8)当测试不通过时，返回步骤(2)继续训练。
这里，如果测试不通过，则在返回步骤(2)时，应尽量获取未参与过训练的训练样本，以增加训练样本的覆盖率，提升BP神经网络模型的学习能力。
下面通过实验数据对本发明实施例的有益效果进行详细说明。
图4示出了本发明实施例提供的方法所得的结温随环境温度和功耗变化的BP神经网络的训练误差。从图4中可以看到，本发明实施例中，BP神经网络模型的误差在0.01％以内甚至更小，预测精度较高。
图5示出了本发明实施例中BP神经网络模型预测的结温与真实结温随环境温度和功耗变化散点图。其中，X坐标与Y坐标分别为半导体器件所处的环境温度和工作时的功耗，Z坐标为半导体器件的结温，黑色球体表示真实结温，五边形表示采用本发明实施例提出的方法所预测的结温。
从图5中可以看出，在不同的采样点处，采用本发明所提出的半导体结温预测方法得到的预测结果与真实值非常接近。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (4)

1.一种基于BP神经网络模型预测半导体器件结温的方法，其特征在于，包括：
确定半导体器件的环境温度和功耗；
将所确定的环境温度和功耗输入至预先训练完成的BP神经网络模型，以使该BP神经网络模型输出所述半导体器件的结温；
其中，所述BP神经网络模型是基于预先构建的数据集所训练获得的；所述数据集包括：通过有限元分析法所获得的、在多种仿真条件下的器件模型的结温；所述器件模型为所述半导体器件的仿真模型，每种所述仿真条件对应一种预设的环境温度和一种预设的功耗；
所述数据集的构建方式包括：
获取所述半导体器件的工艺库文件；
基于所述工艺库文件中的结构尺寸参数和材料属性参数，利用COMSOL有限元分析软件构建所述半导体器件的物理模型；
在所述COMSOL有限元分析软件中，根据所述半导体器件的功耗范围和环境温度范围，分别为所述物理模型加载多种所述仿真条件，以得到各种所述仿真条件下的所述器件模型，并通过稳态热分析得到每种所述仿真条件下的所述器件模型的结温；
将每种所述仿真条件对应的环境温度和功耗组成的二维向量均作为一个数据样本，并将在该种仿真条件下得到的结温作为该数据样本的真实结温，得到构建完成的所述数据集；
所述确定半导体器件的环境温度和功耗，包括：
通过所述半导体器件所在电路中的温度传感器，确定半导体器件的环境温度；或者，获取半导体器件实际工作环境的环境温度；
根据所述半导体器件的输入电压、输入电流以及效率，确定所述半导体器件的功耗。
2.根据权利要求1所述的方法，其特征在于，所述BP神经网络模型的训练过程包括：
将所述数据集划分为训练集和测试集；其中，所述训练集中的数据样本为训练样本；所述测试集中的数据样本为测试样本；所述训练样本比所述测试样本多；
从所述训练集中获取训练样本输入至训练中的所述BP神经网络模型，以使该BP神经网络模型输出所预测的结温；
基于训练中的所述BP神经网络模型所预测的结温和对应的真实结温之间的相对误差计算模型误差；
当计算的所述模型误差不小于预设的目标误差时，调整模型参数，返回所述从所述训练集中获取训练样本输入至训练中的所述BP神经网络模型的步骤，继续训练；
当计算的所述模型误差小于所述目标误差时，得到待测试的所述BP神经网络模型；
从所述测试集中获取测试样本测试所述BP神经网络模型；
当测试通过时，得到训练完成的所述BP神经网络模型；
当测试不通过时，返回所述从所述训练集中获取训练样本输入至训练中的所述BP神经网络模型的步骤，继续训练。
3.根据权利要求1所述的方法，其特征在于，所述BP神经网络模型包括：输入层、隐藏层以及输出层；其中，
所述输入层用于接收所述数据样本，并将所述数据样本传递至所述隐藏层；
所述隐藏层包括第一子隐藏层和第二子隐藏层；
所述第一子隐藏层中的每个神经元，用于分别给所述数据样本中的环境温度和功耗乘以对应的权值；将赋以权值后的环境温度和功耗与所述第一子隐藏层的阈值相加，得到第一求和结果；将所述第一求和结果送入tansig函数得到该神经元的输出；
所述第二子隐藏层中的每个神经元，用于将所述第一子隐藏层的各个神经元的输出乘以对应的权值，并将得到的各个乘积结果与所述第二子隐藏层的阈值相加，得到第二求和结果；将所述第二求和结果送入tansig函数得到该神经元的输出；
所述输出层与所述第二子隐藏层中的各个神经元的输出相连，用于根据所述第二子隐藏层中的各个神经元的输出相连，利用purelin函数计算得到所述结温。
4.根据权利要求1所述的方法，其特征在于，所述半导体器件包括：半导体芯片或半导体功率器件。
CN202110159123.XA 2021-02-05 2021-02-05 一种基于bp神经网络模型预测半导体器件结温的方法 Active CN112926258B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110159123.XA CN112926258B (zh) 2021-02-05 2021-02-05 一种基于bp神经网络模型预测半导体器件结温的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110159123.XA CN112926258B (zh) 2021-02-05 2021-02-05 一种基于bp神经网络模型预测半导体器件结温的方法

Publications (2)

Publication Number Publication Date
CN112926258A CN112926258A (zh) 2021-06-08
CN112926258B true CN112926258B (zh) 2024-02-20

Family

ID=76170695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110159123.XA Active CN112926258B (zh) 2021-02-05 2021-02-05 一种基于bp神经网络模型预测半导体器件结温的方法

Country Status (1)

Country Link
CN (1) CN112926258B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114036822B (zh) * 2021-10-25 2023-07-04 中国电子科技集团公司第二十九研究所 一种基于神经网络的快速热模型构建方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN105095962A (zh) * 2015-07-27 2015-11-25 中国汽车工程研究院股份有限公司 一种基于bp人工神经网络的材料动态力学性能预测方法
CN111460617A (zh) * 2020-03-03 2020-07-28 华中科技大学 一种基于神经网络的igbt结温预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN105095962A (zh) * 2015-07-27 2015-11-25 中国汽车工程研究院股份有限公司 一种基于bp人工神经网络的材料动态力学性能预测方法
CN111460617A (zh) * 2020-03-03 2020-07-28 华中科技大学 一种基于神经网络的igbt结温预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于伴随负载的IGBT结温测量方法及预测模型;禹健;郭天星;高超;;自动化技术与应用(04);全文 *

Also Published As

Publication number Publication date
CN112926258A (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
CN112926259B (zh) 一种基于rbf神经网络模型预测半导体器件结温的方法
TWI796494B (zh) 高效積體電路模擬及測試
US8286120B2 (en) Non-invasive leakage power device characterization of integrated circuits using device grouping and compressive sensing
US8176454B2 (en) Non-invasive timing characterization of integrated circuits using sensitizable signal paths and sparse equations
US20130298101A1 (en) Method and apparatus for improved integrated circuit temperature evaluation and ic design
CN110795887A (zh) 多应力加速寿命试验分析方法和装置
CN102646146A (zh) 一种基于田口方法的散热器优化设计方法
US20220121799A1 (en) Transistor- level defect coverage and defect simulation
CN112926258B (zh) 一种基于bp神经网络模型预测半导体器件结温的方法
CN113177290B (zh) 基于深度代理模型归一化的卫星组件温度场预测方法
JP2005537566A (ja) 集積回路においてフィルターされたインターコネクションに関する配線寄生を抽出する方法
Ye et al. A new class of multi-stress acceleration models with interaction effects and its extension to accelerated degradation modelling
Yuan et al. A Bayesian approach to degradation-based burn-in optimization for display products exhibiting two-phase degradation patterns
Tannous et al. Model-based temperature estimation of power electronics systems
Liu et al. Misspecification analysis of two‐phase gamma‐Wiener degradation models
Tae-Jin Comparative study on the performance attributes of NHPP software reliability model based on Weibull family distribution
CN112560328B (zh) 基于表面微应变信号的igbt键合引线故障诊断方法
CN117350244A (zh) 基于拉丁超立方抽样的bga封装电迁移可靠性评估方法
CN109766518A (zh) 考虑样本个体差异的不确定加速退化建模和分析方法
Xiong et al. Neural network and physical enable one sensor to estimate the temperature for all cells in the battery pack
Knox et al. Machine learning and simulation based temperature prediction on high-performance processors
US8232809B2 (en) Determining critical current density for interconnect
Singh et al. Power estimation and validation of embedded multiplier based on ANN and regression technique
US10830800B1 (en) Subcircuit physical level power monitoring technology for real-time hardware systems and simulators
Chen et al. Fast full-chip parametric thermal analysis based on enhanced physics enforced neural networks

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