CN113343630B - 建模方法及建模装置、电子设备及存储介质 - Google Patents

Abstract

一种建模方法及建模装置、电子设备及存储介质，该建模方法包括：获取模型库，模型库包括多个初始模型，每个初始模型包括一组模型参数和对应的经过仿真生成的一组仿真物理参数；获取多组测试数据；根据多组测试数据、模型库中的多个初始模型以及多个初始模型的模型参数和仿真物理参数，基于统计分布计算，得到目标模型。该建模方法可以解决人工迭代过程复杂繁琐及效率较低的问题，可以实现针对模型的二次开发的自动化流程，能够处理大量的测试数据，处理效率高，处理速度快，准确性高，并且可以基于特定范围需求及测试数据完成模型的定制化二次开发。

Description

建模方法及建模装置、电子设备及存储介质

技术领域

本公开的实施例涉及一种建模方法及建模装置、电子设备及存储介质。

背景技术

集成电路性能分析电路模拟程序(Simulation Program With IntegratedCircuits Emphasis，SPICE)是一种用于电路描述与仿真的语言仿真器软件，可用于检测电路的连接和功能的完整性，以及用于预测电路的行为。SPICE是目前器件设计行业中应用最为普遍的电路级模拟程序，主要用于模拟电路和混合信号电路的仿真。

发明内容

本公开至少一个实施例提供一种建模方法，包括：获取模型库，其中，所述模型库包括多个初始模型，每个初始模型包括一组模型参数和对应的经过仿真生成的一组仿真物理参数；获取多组测试数据；根据所述多组测试数据、所述模型库中的多个初始模型以及所述多个初始模型的模型参数和仿真物理参数，基于统计分布计算，得到目标模型。

例如，在本公开一实施例提供的建模方法中，每个初始模型所包括的一组模型参数包括拟合参数和候选参数，根据所述多组测试数据、所述模型库中的多个初始模型以及所述多个初始模型的模型参数和仿真物理参数，基于统计分布计算，得到所述目标模型，包括：基于所述多组测试数据中每组测试数据从所述模型库的多个初始模型中选择得到多个拟合模型，其中，每组测试数据对应于多个拟合模型，每组测试数据对应的拟合模型所包括的仿真物理参数满足第一条件；对于每组测试数据，对该组测试数据对应的拟合模型的模型参数中的拟合参数进行统计分布计算，得到最大概率值对应的拟合参数以作为备选拟合参数；对所述多组测试数据分别对应的备选拟合参数进行统计分布计算，得到最大概率值对应的备选拟合参数以作为目标拟合参数；根据目标物理参数和所述目标拟合参数，从所述模型库的多个初始模型中选择得到备选模型，并将所述备选模型的模型参数中的候选参数作为目标候选参数，从而得到所述目标模型；其中，所述备选模型的仿真物理参数和模型参数中的拟合参数满足第二条件，所述目标模型的模型参数包括所述目标拟合参数和所述目标候选参数。

例如，在本公开一实施例提供的建模方法中，每组测试数据包括多个测试物理参数，所述第一条件包括：所述拟合模型所包括的仿真物理参数中每个仿真物理参数与所述拟合模型对应的测试数据中相对应的每个测试物理参数分别相等，或者，所述拟合模型所包括的仿真物理参数中每个仿真物理参数与所述拟合模型对应的测试数据中相对应的每个测试物理参数的差值的和小于第一阈值。

例如，在本公开一实施例提供的建模方法中，所述第二条件包括：所述备选模型的仿真物理参数与所述目标物理参数相等，且所述备选模型的模型参数中的拟合参数与所述目标拟合参数相等，或者，所述备选模型的仿真物理参数和模型参数中的拟合参数中的每个参数与所述目标物理参数和所述目标拟合参数中的每个对应的参数的差值的和小于第二阈值。

例如，在本公开一实施例提供的建模方法中，根据所述多组测试数据、所述模型库中的多个初始模型以及所述多个初始模型的模型参数和仿真物理参数，基于统计分布计算，得到所述目标模型，还包括：对所述目标拟合参数进行优化，以更新所述目标拟合参数。

例如，在本公开一实施例提供的建模方法中，对所述目标拟合参数进行优化，以更新所述目标拟合参数，包括：基于所述目标拟合参数，进行仿真得到比对物理参数；判断所述比对物理参数与所述多组测试数据的相似度是否大于相似度阈值；若所述相似度大于所述相似度阈值，则补充测试数据，并根据补充的测试数据重新计算所述目标拟合参数，以更新所述目标拟合参数。

例如，在本公开一实施例提供的建模方法中，获取所述模型库包括：定义原始模型的模型参数的取值，并基于所述取值得到多个取值组合；基于所述多个取值组合对所述原始模型进行仿真，得到多组仿真物理参数，以得到包括所述多个初始模型的模型库；其中，所述多个取值组合分别作为所述多个初始模型的模型参数。

例如，在本公开一实施例提供的建模方法中，基于所述多个取值组合对所述原始模型进行仿真，得到所述多组仿真物理参数，以得到包括所述多个初始模型的模型库，包括：基于所述多个取值组合，利用脚本文件对所述原始模型进行仿真，得到所述多组仿真物理参数，以得到包括所述多个初始模型的模型库。

例如，在本公开一实施例提供的建模方法中，所述一组模型参数至少包括迁移率修正参数、源漏沟道电流修正参数和阈值电压漂移参数，所述一组仿真物理参数至少包括阈值电压、有效驱动电流和漏电流。

例如，在本公开一实施例提供的建模方法中，所述迁移率修正参数、所述源漏沟道电流修正参数、所述阈值电压漂移参数中的两个作为所述拟合参数，所述迁移率修正参数、所述源漏沟道电流修正参数、所述阈值电压漂移参数中的另外一个作为所述候选参数。

例如，在本公开一实施例提供的建模方法中，所述多组测试数据基于晶圆可接受度测试或晶圆筛选测试得到。

例如，在本公开一实施例提供的建模方法中，所述建模方法用于基于产品实测特性对SPICE模型进行二次开发。

本公开至少一个实施例还提供一种建模装置，包括：第一获取单元，配置为获取模型库，其中，所述模型库包括多个初始模型，每个初始模型包括一组模型参数和对应的经过仿真生成的一组仿真物理参数；第二获取单元，配置为获取多组测试数据；计算单元，配置为根据所述多组测试数据、所述模型库中的多个初始模型以及所述多个初始模型的模型参数和仿真物理参数，基于统计分布计算，得到目标模型。

例如，在本公开一实施例提供的建模装置中，每个初始模型所包括的一组模型参数包括拟合参数和候选参数；所述计算单元包括拟合模型确定单元、第一统计分布计算单元、第二统计分布计算单元和目标模型确定单元；所述拟合模型确定单元配置为基于所述多组测试数据中每组测试数据从所述模型库的多个初始模型中选择得到多个拟合模型，其中，每组测试数据对应于多个拟合模型，每组测试数据对应的拟合模型所包括的仿真物理参数满足第一条件；所述第一统计分布计算单元配置为，对于每组测试数据，对该组测试数据对应的拟合模型的模型参数中的拟合参数进行统计分布计算，得到最大概率值对应的拟合参数以作为备选拟合参数；所述第二统计分布计算单元配置为对所述多组测试数据分别对应的备选拟合参数进行统计分布计算，得到最大概率值对应的备选拟合参数以作为目标拟合参数；所述目标模型确定单元配置为根据目标物理参数和所述目标拟合参数，从所述模型库的多个初始模型中选择得到备选模型，并将所述备选模型的模型参数中的候选参数作为目标候选参数，从而得到所述目标模型；其中，所述备选模型的仿真物理参数和模型参数中的拟合参数满足第二条件，所述目标模型的模型参数包括所述目标拟合参数和所述目标候选参数。

例如，在本公开一实施例提供的建模装置中，每组测试数据包括多个测试物理参数，所述第一条件包括：所述拟合模型所包括的仿真物理参数中每个仿真物理参数与所述拟合模型对应的测试数据中相对应的每个测试物理参数分别相等，或者，所述拟合模型所包括的仿真物理参数中每个仿真物理参数与所述拟合模型对应的测试数据中相对应的每个测试物理参数的差值的和小于第一阈值。

例如，在本公开一实施例提供的建模装置中，所述第二条件包括：所述备选模型的仿真物理参数与所述目标物理参数相等，且所述备选模型的模型参数中的拟合参数与所述目标拟合参数相等，或者，所述备选模型的仿真物理参数和模型参数中的拟合参数中的每个参数与所述目标物理参数和所述目标拟合参数中的每个对应的参数的差值的和小于第二阈值。

例如，在本公开一实施例提供的建模装置中，所述计算单元还包括优化单元；所述优化单元配置为对所述目标拟合参数进行优化，以更新所述目标拟合参数。

例如，在本公开一实施例提供的建模装置中，所述优化单元包括第一子单元、第二子单元和第三子单元；所述第一子单元配置为基于所述目标拟合参数，进行仿真得到比对物理参数；所述第二子单元配置为判断所述比对物理参数与所述多组测试数据的相似度是否大于相似度阈值；所述第三子单元配置为，若所述相似度大于所述相似度阈值，则补充测试数据，并根据补充的测试数据重新计算所述目标拟合参数，以更新所述目标拟合参数。

本公开至少一个实施例还提供一种电子设备，包括本公开任一实施例提供的建模装置。

本公开至少一个实施例还提供一种电子设备，包括：处理器；存储器，包括一个或多个计算机程序模块；其中，所述一个或多个计算机程序模块被存储在所述存储器中并被配置为由所述处理器执行，所述一个或多个计算机程序模块包括用于实现本公开任一实施例提供的建模方法的指令。

本公开至少一个实施例还提供一种存储介质，用于存储非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行时可以实现本公开任一实施例提供的建模方法。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本公开的一些实施例，而非对本公开的限制。

图1为一种SPICE模型二次开发的流程图；

图2为本公开一些实施例提供的一种建模方法的流程示意图；

图3为图2中步骤S10的流程示意图；

图4为图2中步骤S30的流程示意图；

图5A为本公开一些实施例提供的建模方法中进行统计分布计算的示意图之一；

图5B为本公开一些实施例提供的建模方法中进行统计分布计算的示意图之二；

图6为本公开一些实施例提供的一种建模方法的逻辑示意图；

图7为本公开一些实施例提供的另一种建模方法的流程示意图；

图8为图7中步骤S35的流程示意图；

图9为本公开一些实施例提供的一种建模方法的流程示意图；

图10为本公开一些实施例提供的建模方法所得到的SPICE模型与原始SPICE模型及测试数据的比较示意图；

图11为本公开一些实施例提供的一种建模装置的示意框图；

图12为本公开一些实施例提供的一种电子设备的示意框图；

图13为本公开一些实施例提供的另一种电子设备的示意框图；

图14为本公开一些实施例提供的另一种电子设备的示意框图；以及

图15为本公开一些实施例提供的一种存储介质的示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。

除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

通常，在设计阶段，需要针对晶体管等器件建立SPICE模型，然后通过仿真实现设计。在实际流片生产过程中，由于晶圆厂工艺的迭代可能会发生实际生产的产品特性和其提供的SPICE模型出现偏差的情况。通过晶圆厂进行的SPICE模型升版更新等操作存在周期长、困难多等问题，从而影响项目进度及新产品上市周期。因此，需要基于已量产产品的实际特性进行SPICE模型的二次开发，使得二次开发后得到的SPICE模型与实际的产品特性匹配，这对失效分析、新产品设计等具有重大实际意义和作用。

图1为一种SPICE模型二次开发的流程图。如图1所示，目前SPICE模型的二次开发一般采用正向拟合的方法。也即是，首先人工修改SPICE模型参数，然后通过仿真器生成物理参数。将仿真生成的物理参数与实测数据进行比较。若仿真生成的物理参数与实测数据的差异较大，不满足要求，则再次人工修改SPICE模型参数，然后仿真得到物理参数，将仿真得到的物理参数与实测数据进行比较。此时，通常基于设计人员的经验及理论判断来修改模型参数。若仿真生成的物理参数与实测数据的差异不大，满足要求，则当前的SPICE模型为与实际的产品特性匹配的模型，由此完成了SPICE模型的二次开发。采用上述方法，基于经验和理论判断不断修正模型参数，从而迭代生成较优的模型参数以完成SPICE模型的二次开发。

然而，进行SPICE模型的二次开发时，通过人工修改模型参数并进行迭代的正向拟合方式，会耗费较多时间，并且对设计人员的要求较高，模型的二次开发难度较大。而且，在拟合大量实测数据时，会产生精度不够等问题，会影响所得到的SPICE模型的准确性。

本公开至少一个实施例提供一种建模方法及建模装置、电子设备及存储介质。该建模方法可以解决人工迭代过程复杂繁琐及效率较低的问题，可以实现针对模型的二次开发的自动化流程，能够处理大量的测试数据，处理效率高，处理速度快，准确性高，并且可以基于特定范围需求及测试数据完成模型的定制化二次开发。

下面，将参考附图详细地说明本公开的实施例。应当注意的是，不同的附图中相同的附图标记将用于指代已描述的相同的元件。

本公开至少一个实施例提供一种建模方法。该建模方法包括：获取模型库，模型库包括多个初始模型，每个初始模型包括一组模型参数和对应的经过仿真生成的一组仿真物理参数；获取多组测试数据；根据多组测试数据、模型库中的多个初始模型以及多个初始模型的模型参数和仿真物理参数，基于统计分布计算，得到目标模型。

图2为本公开一些实施例提供的一种建模方法的流程示意图。如图2所示，在一些实施例中，该建模方法包括如下操作。

步骤S10：获取模型库，模型库包括多个初始模型，每个初始模型包括一组模型参数和对应的经过仿真生成的一组仿真物理参数；

步骤S20：获取多组测试数据；

步骤S30：根据多组测试数据、模型库中的多个初始模型以及多个初始模型的模型参数和仿真物理参数，基于统计分布计算，得到目标模型。

例如，在步骤S10中，可以获取已经建立并存储的模型库，也可以在该步骤中直接建立模型库。例如，以晶体管为例，为了准确描述晶体管的各项参数，可以采用伯克利短沟道绝缘栅场效应晶体管模型(Berkeley Short-channel IGFET Model，BSIM)来组成模型库。BSIM模型是一种常用的SPICE模型，可以较为准确地模拟晶体管性能并计算各种参数。

例如，该模型库包括多个初始模型，初始模型为BSIM模型。每个初始模型包括一组模型参数和对应的经过仿真生成的一组仿真物理参数。例如，在一些示例中，一组模型参数可以包括至少三个模型参数，分别为迁移率修正参数、源漏沟道电流修正参数和阈值电压漂移参数。基于这些模型参数，通过对模型进行仿真可以得到一组对应的仿真物理参数。一组仿真物理参数可以至少包括三个仿真物理参数，分别为阈值电压、有效驱动电流和漏电流。例如，在一些示例中，A表示迁移率修正参数，B表示源漏沟道电流修正参数，C表示阈值电压漂移参数，x表示阈值电压，y表示有效驱动电流，z表示漏电流。A、B、C的数值决定了模型的特性，通过对模型进行仿真可以得到反映模型特性的参数x、y、z。例如，A、B、C的不同数值对应于不同的初始模型。在模型库中，不同的初始模型的模型参数A、B、C不会完全相同，以区分不同的初始模型。不同的初始模型的仿真物理参数x、y、z则可能完全不同，也可能部分相同，还可能完全相同。

需要说明的是，本公开的实施例中，SPICE模型的建模对象不限于为晶体管，可以为集成电路、芯片等中的任意器件，虽然本公开以晶体管为例进行说明，但这并不构成对本公开实施例的限制。相应地，模型参数不限于为迁移率修正参数、源漏沟道电流修正参数和阈值电压漂移参数，仿真物理参数不限于为阈值电压、有效驱动电流和漏电流，模型参数和仿真物理参数的具体类别可以根据实际需求以及所采用的模型类型而定，本公开的实施例对此不作限制。一组模型参数的数量不限于为3个，还可以为2个、4个、5个等任意数量，同样地，一组仿真物理参数的数量也不限于为3个，还可以为2个、4个、5个等任意数量，本公开的实施例对此不作限制。模型库中的初始模型不限于为BSIM模型，还可以为其他类型的模型，这可以根据实际需求而定，本公开的实施例对此不作限制。

例如，在一些示例中，如图3所示，上述步骤S10可以进一步包括如下操作。

步骤S11：定义原始模型的模型参数的取值，并基于取值得到多个取值组合；

步骤S12：基于多个取值组合对原始模型进行仿真，得到多组仿真物理参数，以得到包括多个初始模型的模型库。

例如，在步骤S11中，原始模型可以采用BSIM模型，也即伯克利短沟道绝缘栅场效应晶体管SPICE模型，模型参数可以为迁移率修正参数、源漏沟道电流修正参数和阈值电压漂移参数，也即是，上文中描述的A、B、C(迁移率修正参数以A表示、源漏沟道电流修正参数以B表示，阈值电压漂移参数以C表示)。定义A、B、C各自的取值，由此得到多个取值组合，也即是，得到多组A、B、C。例如，A、B、C的取值决定了模型特性，因此多组A、B、C对应于多个不同的模型。例如，不同组A、B、C的取值不完全相同，从而使得多个模型彼此不同。

例如，可以在A的取值范围内以一定步长均匀取值，由此得到多个A的取值。类似地，B和C也可以在各自的取值范围内以一定步长均匀取值，从而得到多个B的取值和多个C的取值。将多个A的取值、多个B的取值、多个C的取值进行排列组合，从而可以得到多组A、B、C。例如，在一些示例中，A的取值范围可以为0～1或0.7～1.2，B的取值范围可以为0～1或0.7～1.2，C的取值范围可以为-1～+1，A、B、C各自取值的步长可以为0.01或0.001。需要说明的是，上述取值范围和步长是示例性的，而非限制性的，取值范围和步长可以根据实际需求而设置。

例如，在一些示例中，假设得到N1个A的取值，得到N2个B的取值，得到N3个C的取值，则可以得到的A、B、C的取值组合的数量为：N1*N2*N3，这里，N1、N2、N3均为正整数。

例如，在步骤S12中，基于多个取值组合对原始模型进行仿真，也即是，将上述多组A、B、C分别写入原始模型中进行仿真，由此得到多组仿真物理参数。例如，仿真物理参数包括阈值电压、有效驱动电流和漏电流，也即上文描述的x、y、z(阈值电压以x表示、有效驱动电流以y表示，漏电流以z表示)。多组模型参数与多组仿真物理参数一一对应，也即是，多组A、B、C与多组x、y、z一一对应。一组A、B、C对应于一个模型，由此仿真得到对应的一组x、y、z。

例如，在一些示例中，可以基于多个取值组合，利用脚本文件对原始模型进行仿真，从而得到多组仿真物理参数，以得到包括多个初始模型的模型库。例如，脚本文件可以采用任意适用的语言编写，也可以采用任意适用的执行顺序和方式，本公开的实施例对此不作限制。通过利用脚本文件对原始模型进行仿真，可以高效、快速地遍历所有取值组合，而无需人工操作执行多次仿真，由此提高了仿真效率。

将多组A、B、C分别对应的模型作为初始模型，由此得到包括多个初始模型的模型库。多个取值组合(也即多组A、B、C)分别作为多个初始模型的模型参数，每个初始模型对应于一组模型参数A、B、C，每个初始模型还对应于一组经过仿真生成的仿真物理参数x、y、z。

例如，如图2所示，在步骤S20中，获取多组测试数据。例如，测试数据可以通过对实际产品进行测试而得到，也即，测试数据为实测数据。在模型库中的初始模型所包含的一组仿真物理参数为阈值电压、有效驱动电流和漏电流的情形下，一组测试数据为对实际产品进行测试而得到的阈值电压、有效驱动电流和漏电流。例如，测试数据的参数类别与仿真物理参数的参数类别相同，由此便于进行后续的分析和计算。需要说明的是，当仿真物理参数为其他类别的参数时，测试数据的类型也相应调整，只要测试数据的参数类别与仿真物理参数的参数类别相同即可。

例如，多组测试数据可以基于晶圆可接受度测试(Wafer Acceptance Test，WAT)或晶圆筛选测试(Wafer Sort，WS)得到。当然，本公开的实施例不限于此，也可以采用其他方法得到测试数据，这可以根据实际需求而定。

例如，在步骤S30中，根据多组测试数据、模型库中的多个初始模型以及多个初始模型的模型参数和仿真物理参数，基于统计分布计算，以得到目标模型。例如，目标模型为基于产品实测特性进行二次开发所得到的SPICE模型，上述步骤S10至S30可以实现二次开发。

例如，在一些示例中，如图4所示，上述步骤S30可以进一步包括如下操作。

步骤S31：基于多组测试数据中每组测试数据从模型库的多个初始模型中选择得到多个拟合模型，每组测试数据对应于多个拟合模型，每组测试数据对应的拟合模型所包括的仿真物理参数满足第一条件；

步骤S32：对于每组测试数据，对该组测试数据对应的拟合模型的模型参数中的拟合参数进行统计分布计算，得到最大概率值对应的拟合参数以作为备选拟合参数；

步骤S33：对多组测试数据分别对应的备选拟合参数进行统计分布计算，得到最大概率值对应的备选拟合参数以作为目标拟合参数；

步骤S34：根据目标物理参数和目标拟合参数，从模型库的多个初始模型中选择得到备选模型，并将备选模型的模型参数中的候选参数作为目标候选参数，从而得到目标模型。

例如，在步骤S31中，基于每组测试数据从模型库的多个初始模型中选择得到多个拟合模型，每组测试数据对应于多个拟合模型。这里，将被选择的初始模型称为拟合模型。例如，可以遍历模型库中的初始模型，根据初始模型所包括的仿真物理参数是否满足第一条件而进行选择。若满足第一条件，则选择该初始模型以作为拟合模型；若不满足第一条件，则不选择该初始模型。通过遍历模型库中所有的初始模型，可以选择得到与每组测试数据对应的多个拟合模型。

例如，每组测试数据包括多个测试物理参数，多个测试物理参数分别为测试得到的阈值电压、有效驱动电流和漏电流。例如，x’表示测试得到的阈值电压，y’表示测试得到的有效驱动电流，z’表示测试得到的漏电流。

例如，在一些示例中，上述第一条件可以为：拟合模型所包括的仿真物理参数中每个仿真物理参数与拟合模型对应的测试数据中相对应的每个测试物理参数分别相等。也即是，对于一组测试数据x’、y’、z’，若某个初始模型的x、y、z与x’、y’、z’分别相等，即x＝x’，y＝y’，z＝z’，则选择该初始模型作为与该组测试数据x’、y’、z’对应的拟合模型。由于测试数据与仿真物理参数完全相等，因此通过这种方式得到的拟合模型的匹配度高，有利于提高后续的计算精度和准确度。

例如，在另一些示例中，上述第一条件也可以为：拟合模型所包括的仿真物理参数中每个仿真物理参数与拟合模型对应的测试数据中相对应的每个测试物理参数的差值的和小于第一阈值。也即是，对于一组测试数据x’、y’、z’，若某个初始模型的x、y、z与x’、y’、z’的差值的和小于第一阈值，即(x-x’)+(y-y’)+(z-z’)<K1，则选择该初始模型作为与该组测试数据x’、y’、z’对应的拟合模型。这里，K1表示第一阈值，第一阈值可以根据实际需求设置，可以设置为任意的数值。由于测试数据与仿真物理参数较为接近，因此通过这种方式可以得到数量较多的拟合模型，有利于增大后续计算的样本数量，更易于通过统计分布计算得到结果。

例如，每个初始模型(以及拟合模型)的一组模型参数包括拟合参数和候选参数。例如，当一组模型参数包括迁移率修正参数、源漏沟道电流修正参数、阈值电压漂移参数时，迁移率修正参数、源漏沟道电流修正参数、阈值电压漂移参数中的两个作为拟合参数，迁移率修正参数、源漏沟道电流修正参数、阈值电压漂移参数中的另外一个作为候选参数。例如，在一些示例中，一组模型参数中的拟合参数为A、B(也即迁移率修正参数和源漏沟道电流修正参数)，候选参数为C(也即阈值电压漂移参数)。

例如，在步骤S32中，对于每组测试数据，对该组测试数据对应的拟合模型的模型参数中的拟合参数进行统计分布计算，得到最大概率值对应的拟合参数以作为备选拟合参数。例如，该步骤执行建模方法中的第一次统计分布计算，最大概率值对应的拟合参数可以指分布比重最高的拟合参数。例如，一组测试数据对应多个拟合模型，对这些拟合模型的模型参数中的拟合参数A、B进行统计分布计算，从而得到最大概率值对应的拟合参数A、B，将其称为备选拟合参数。这里，拟合参数A、B作为一个二维数组进行计算。例如，可以对多组拟合参数A、B进行正态分布计算，从而得到最大概率值对应的一组拟合参数A、B以作为备选拟合参数。例如，针对每一组测试数据分别进行计算，可以得到与每一组测试数据分别对应的备选拟合参数，由此得到多组备选拟合参数。

以一组测试数据x’、y’、z’为例，首先从模型库中选择得到与该组测试数据x’、y’、z’对应的拟合模型。例如，以第一条件为拟合模型所包括的仿真物理参数中每个仿真物理参数与拟合模型对应的测试数据中相对应的每个测试物理参数分别相等为例，可以直接选择满足条件x＝x’，y＝y’，z＝z’的初始模型作为拟合模型，并得到拟合模型的模型参数A、B、C。

当然，选择得到拟合模型的方式不限于上文描述的这一种方式，也可以采用如下方式。如图5A所示，当x＝x’时，选择该初始模型，遍历模型库中的所有模型，由此得到n1个初始模型，以得到n1组A、B、C；当y＝y’时，选择该初始模型，遍历模型库中的所有模型，由此得到n2个初始模型，以得到n2组A、B、C；当z＝z’时，选择该初始模型，遍历模型库中的所有模型，由此得到n3个初始模型，以得到n3组A、B、C。然后，选择n1组、n2组、n3组均包含的A、B、C，该A、B、C对应的初始模型即为拟合模型。例如，图5A示出了两个拟合模型，即拟合模型-1和拟合模型-2。

如图5A所示，得到拟合模型以及拟合模型的模型参数A、B、C之后，对拟合模型的模型参数A、B、C中的拟合参数A、B进行统计分布计算。例如，一组拟合参数为A2、B2，另一组拟合参数为A3、B7，当然，还有其他拟合参数，图5A中未示出。进行统计分布计算后，可以得到最大概率值对应的拟合参数，将其称为备选拟合参数。在图5A所示的示例中，备选拟合参数为A2、B2。

例如，如图4所示，在步骤S33中，对多组测试数据分别对应的备选拟合参数进行统计分布计算，从而得到最大概率值对应的备选拟合参数以作为目标拟合参数。例如，该步骤执行建模方法中的第二次统计分布计算，最大概率值对应的备选拟合参数可以指分布比重最高的备选拟合参数。由于在步骤S32中针对每一组测试数据计算得到了其对应的备选拟合参数，因此针对多组测试数据可以得到多组备选拟合参数。对多组备选拟合参数进行统计分布计算，从而可以得到最大概率值对应的备选拟合参数，将其称为目标拟合参数。这里，备选拟合参数A、B作为一个二维数组进行计算。例如，可以对多组备选拟合参数A、B进行正态分布计算，从而得到最大概率值对应的一组备选拟合参数A’、B’以作为目标拟合参数。通过计算，最终可以得到一组A’、B’，即为目标拟合参数。

例如，如图5B所示，在一些示例中，通过对N组测试数据(例如测试数据_1至测试数据_N)分别计算得到对应的备选拟合参数后，对这些备选拟合参数再次进行统计分布计算。例如，N为正整数。例如，测试数据_1对应的备选拟合参数为A2、B2，测试数据_2对应的备选拟合参数为A3、B2，测试数据_N-1对应的备选拟合参数为A2、B2，测试数据_N对应的备选拟合参数为A6、B6，其他测试数据对应的备选拟合参数在图5B中未示出。通过统计分布计算，可以得到最大概率值对应的备选拟合参数，将其称为目标拟合参数。这里，备选拟合参数A、B作为一个二维数组进行计算。例如，可以对多组备选拟合参数进行正态分布计算，从而得到最大概率值对应的一组备选拟合参数以作为目标拟合参数。

例如，通过执行步骤S32和S33，经过两次统计分布计算后，可以得到一组目标拟合参数，也即，得到唯一的一组A’、B’。

例如，如图4所示，在步骤S34中，根据目标物理参数和目标拟合参数，从模型库的多个初始模型中选择得到备选模型，并将备选模型的模型参数中的候选参数作为目标候选参数，从而得到目标模型。例如，目标物理参数也包括阈值电压、有效驱动电流和漏电流，目标物理参数中各个参数的数值为预设的值，这可以根据实际需求而定，例如根据需要达到或满足的产品要求而定，本公开的实施例对此不作限制。例如，x”表示目标物理参数中的阈值电压，y”表示目标物理参数中的有效驱动电流，z”表示目标物理参数中的漏电流。例如，目标拟合参数为上述步骤S33中得到的一组A’、B’。

这里，将被选择的初始模型称为备选模型。例如，可以遍历模型库中的初始模型，根据初始模型所包括的仿真物理参数和模型参数中的拟合参数是否满足第二条件而进行选择，也即是，根据x、y、z、A、B的数值是否满足第二条件而进行选择。若满足第二条件，则选择该初始模型以作为备选模型；若不满足第二条件，则不选择该初始模型。

例如，在一些示例中，上述第二条件可以为：备选模型的仿真物理参数与目标物理参数相等，且备选模型的模型参数中的拟合参数与目标拟合参数相等。也即是，若某个初始模型的x、y、z与x”、y”、z”分别相等，且该初始模型的A、B与A’、B’分别相等，即x＝x”，y＝y”，z＝z”，A＝A’，B＝B’，则选择该初始模型作为备选模型。由于上述各个对应的参数彼此相等，因此通过这种方式得到的备选模型的匹配度高，有利于得到更加准确的结果。

例如，在另一些示例中，上述第二条件也可以为：备选模型的仿真物理参数和模型参数中的拟合参数中的每个参数与目标物理参数和目标拟合参数中的每个对应的参数的差值的和小于第二阈值。也即是，若某个初始模型的x、y、z、A、B与x”、y”、z”、A’、B’的差值的和小于第二阈值，即(x-x”)+(y-y”)+(z-z”)+(A-A’)+(B-B’)<K2，则选择该初始模型作为备选模型。这里，K2表示第二阈值，第二阈值可以根据实际需求设置，可以设置为任意的数值。由于上述各个对应的参数彼此较为接近，因此通过这种方式可以更容易得到备选模型，有利于得到最终的结果。

例如，通过上述方式可以直接得到备选模型。或者，在一些示例中，还可以对步骤S33所得到的目标拟合参数进行优化，根据优化后的目标拟合参数得到备选模型，关于目标拟合参数的优化，将在后文描述，此处不再赘述。

例如，在得到备选模型后，可以得到备选模型的模型参数中的候选参数，例如备选模型的模型参数中的阈值电压漂移参数，将其作为目标候选参数，用C’表示。由此，将前述的目标拟合参数A’、B’和这里得到的目标候选参数C’作为一组模型参数，该组模型参数A’、B’、C’对应的模型即为目标模型。目标模型的模型参数包括目标拟合参数A’、B’和目标候选参数C’。

通过上述方式，可以得到模型参数为A’、B’、C’的目标模型，该目标模型为基于产品实测特性对SPICE模型进行二次开发所得到的模型，由此完成了SPICE模型的二次开发。该目标模型与实际的产品特性匹配，有助于进行失效分析、新产品设计。

本公开实施例提供的建模方法用于基于产品实测特性对SPICE模型进行二次开发，可以解决人工迭代过程复杂繁琐及效率较低的问题，可以实现针对模型的二次开发的自动化流程，整个过程可以自动计算，无需人工干预，也无需基于设计人员的经验与判断。该建模方法能够处理大量的测试数据，处理效率高，处理速度快，准确性高。并且，通过限定测试数据的范围，可以基于特定范围需求及测试数据完成模型的定制化二次开发，使得得到的模型能够很好地反映限定的测试数据范围内的产品特性。

该建模方法融合了神经网络的思想。不同于传统的人工迭代方法，该建模方法将模型库作为神经网络的样本集，采用仿真遍历并结合神经网络加强学习的方法，形成了自动化流程，将SPICE模型问题转换成神经网络问题，由此提高了建模效率和准确性。如图6所示，通过建立模型参数层(也即前述的A、B、C)、仿真层(也即仿真器)、物理层(也即前述的x、y、z)等多层结构，采用多组测试数据x’、y’、z’进行训练，由此可以得到目标模型，完成SPICE模型的二次开发。

图7为本公开一些实施例提供的另一种建模方法的流程示意图。例如，在一些实施例中，如图7所示，该建模方法还可以进一步包括步骤S35，该建模方法中的步骤S31-S34与图4所示的步骤S31-S34基本相同，此处不再赘述。

步骤S35：对目标拟合参数进行优化，以更新目标拟合参数。

例如，在步骤S35中，对目标拟合参数进行优化，并将更新后的目标拟合参数用于后续步骤S34中选择备选模型的操作。

例如，如图8所示，在一些示例中，上述步骤S35可以进一步包括如下操作。

步骤S351：基于目标拟合参数，进行仿真得到比对物理参数；

步骤S352：判断比对物理参数与多组测试数据的相似度是否大于相似度阈值；

步骤S353：若相似度大于相似度阈值，则补充测试数据，并根据补充的测试数据重新计算目标拟合参数，以更新目标拟合参数。

例如，在步骤S351中，根据目标拟合参数(前述的A’、B’)，采用仿真器进行仿真得到比对物理参数，比对物理参数例如包括阈值电压(用x”’表示)、有效驱动电流(用y”’表示)和漏电流(用z”’表示)。在仿真时，模型参数中的C是不确定的，因此可以采用多个C的取值分别与目标拟合参数A’、B’进行组合，从而针对各个C的取值分别进行仿真，由此得到多组比对物理参数。

例如，在步骤S352中，判断比对物理参数与多组测试数据的相似度是否大于相似度阈值。例如，比对物理参数为多组，分别对应于不同的C值。针对不同的C值，判断该组比对物理参数与在相同C值下测试得到的测试数据是否相同或相近，由此判断比对物理参数在C的取值范围区间内与多组测试数据整体上的相似度是否大于相似度阈值。例如，相似度阈值可以根据实际需求设置，例如根据所需要达到的相似性而定，本公开的实施例对此不作限制。

例如，比对物理参数与多组测试数据的相似度可以采用多种方式来定义。例如，在一些示例中，可以对比对物理参数进行拟合以得到第一拟合曲线，对多组测试数据进行拟合以得到第二拟合曲线，然后判断第一拟合曲线与第二拟合曲线在预设范围内的差值的和或者差值的方差，将差值的和或者差值的方差作为相似度。例如，在另一些示例中，可以分别计算多组比对物理参数与多组测试数据之间的差值的和，然后将该差值的和作为相似度。在上述两种相似度定义方式中，相似度的数值越大，说明比对物理参数与测试数据的差异越大，而相似度的数值越小，说明比对物理参数与测试数据的差异越小。

需要说明的是，关于比对物理参数与测试数据的相似度的定义方式，可以根据数据类型和实际需求而定，只要能够反映比对物理参数与测试数据的相似性即可，本公开的实施例对此不作限制。根据不同的定义方式，相似度的数值和比对物理参数与测试数据的差异可以呈正相关，也可以呈负相关，这由相似度的定义方式而确定。

例如，在步骤S353中，若相似度大于相似度阈值，则补充测试数据，并根据补充的测试数据重新计算目标拟合参数，以更新目标拟合参数。例如，当相似度大于相似度阈值时，说明比对物理参数与测试数据的差异较大，因此需要对目标拟合参数A’、B’进行优化。例如，可以补充测试数据，也即，增大测试数据的样本量，然后采用步骤S32和S33的方式，通过两次统计分布计算，重新计算得到目标拟合参数，由此更新目标拟合参数。例如，得到更新后的目标拟合参数后，可以直接执行步骤S34，也即，直接利用更新后的目标拟合参数来选择备选模型。例如，也可以基于更新后的目标拟合参数，再次执行步骤S351和S352，若相似度不满足要求，则继续补充测试数据，再次更新目标拟合参数，直至相似度满足要求才停止更新目标拟合参数。

通过上述方式，可以利用反馈方式得到更加准确的目标拟合参数，从而提升计算的准确性，便于后续得到更加准确的目标模型。

图9为本公开一些实施例提供的一种建模方法的流程示意图。在一些示例中，如图9所示，该建模方法的具体执行流程如下。首先，对模型参数中的迁移率修正参数、源漏沟道电流修正参数、阈值电压漂移参数(例如前述的A、B、C)进行参数定义，并准备原始模型(例如BSIM模型)。然后，仿真遍历(也即，针对多个A、B、C的取值组合依次进行仿真)，以生成模型库。接着，获取WAT或WS测试数据(例如前述的x’、y’、z’)，作为训练样本取值。然后，进行第一次统计分布计算，也即，执行前述的步骤S32，得到与每组测试数据分别对应的多组备选拟合参数。接着，进行第二次统计分布计算，也即，执行前述的步骤S33，得到一组目标拟合参数(例如前述的A’、B’)。

然后，基于目标拟合参数，进行写入参数验证，也即是，判断根据目标拟合参数所得到的比对物理参数与多组测试数据的相似度是否满足要求。若不满足要求，则继续补充WAT或WS测试数据，然后再次计算得到更新后的目标拟合参数。若满足要求，则基于目标拟合参数，并结合目标物理参数，在模型库中选择得到备选模型，由此得到备选模型的模型参数中的候选参数以作为目标候选参数(例如前述的C’)。最后，目标拟合参数和目标候选参数共同组成一组新的模型参数A’、B’、C’，该组模型参数对应的模型即为目标模型，也即是，二次开发得到的SPICE模型，将该SPICE模型输出即可。

图10为本公开一些实施例提供的建模方法所得到的SPICE模型与原始SPICE模型及测试数据的比较示意图。如图10所示，原始SPICE模型例如是基于理论设计得到的，其性能与产品的实际测试数据有较大偏差。利用本公开实施例提供的建模方法得到的SPICE模型为二次开发得到的SPICE模型，可见，该模型与测试数据的吻合度较高，能够较为准确地反映实际产品的特性。

需要说明的是，本公开实施例提供的建模方法不限于上文中描述的步骤，还可以包括更多的步骤。各个步骤的执行顺序不受限制，虽然上文中以特定顺序描述了各个步骤，但这并不构成对本公开实施例的限制。

本公开至少一个实施例还提供一种建模装置。该建模装置可以解决人工迭代过程复杂繁琐及效率较低的问题，可以实现针对模型的二次开发的自动化流程，能够处理大量的测试数据，处理效率高，处理速度快，准确性高，并且可以基于特定范围需求及测试数据完成模型的定制化二次开发。

图11为本公开一些实施例提供的一种建模装置的示意框图。如图11所示，该建模装置100包括第一获取单元110、第二获取单元120、计算单元130。该建模装置100可以用于基于产品实测特性对SPICE模型进行二次开发。

第一获取单元110配置为获取模型库。模型库包括多个初始模型，每个初始模型包括一组模型参数和对应的经过仿真生成的一组仿真物理参数。例如，第一获取单元110可以执行如图2所示的建模方法的步骤S10。第二获取单元120配置为获取多组测试数据。例如，第二获取单元120可以执行如图2所示的建模方法的步骤S20。计算单元130配置为根据多组测试数据、模型库中的多个初始模型以及多个初始模型的模型参数和仿真物理参数，基于统计分布计算，得到目标模型。例如，计算单元130可以执行如图2所示的建模方法的步骤S30。

例如，第一获取单元110、第二获取单元120、计算单元130可以为硬件、软件、固件以及它们的任意可行的组合。例如，第一获取单元110、第二获取单元120、计算单元130可以为专用或通用的电路、芯片或装置等，也可以为处理器和存储器的结合。关于第一获取单元110、第二获取单元120、计算单元130的具体实现形式，本公开的实施例对此不作限制。

需要说明的是，本公开的实施例中，建模装置100的各个单元与前述的建模方法的各个步骤对应，关于该建模装置100的具体功能可以参考上文中建模方法的相关描述，此处不再赘述。图11所示的建模装置100的组件和结构只是示例性的，而非限制性的，根据需要，该建模装置100还可以包括其他组件和结构。

例如，每个初始模型所包括的一组模型参数包括拟合参数和候选参数。

例如，计算单元130包括拟合模型确定单元、第一统计分布计算单元、第二统计分布计算单元、目标模型确定单元。

拟合模型确定单元配置为基于多组测试数据中每组测试数据从模型库的多个初始模型中选择得到多个拟合模型。每组测试数据对应于多个拟合模型，每组测试数据对应的拟合模型所包括的仿真物理参数满足第一条件。例如，每组测试数据包括多个测试物理参数。

第一条件包括：拟合模型所包括的仿真物理参数中每个仿真物理参数与拟合模型对应的测试数据中相对应的每个测试物理参数分别相等，或者，拟合模型所包括的仿真物理参数中每个仿真物理参数与拟合模型对应的测试数据中相对应的每个测试物理参数的差值的和小于第一阈值。

第一统计分布计算单元配置为，对于每组测试数据，对该组测试数据对应的拟合模型的模型参数中的拟合参数进行统计分布计算，得到最大概率值对应的拟合参数以作为备选拟合参数。

第二统计分布计算单元配置为对多组测试数据分别对应的备选拟合参数进行统计分布计算，得到最大概率值对应的备选拟合参数以作为目标拟合参数。

目标模型确定单元配置为根据目标物理参数和目标拟合参数，从模型库的多个初始模型中选择得到备选模型，并将备选模型的模型参数中的候选参数作为目标候选参数，从而得到目标模型。例如，备选模型的仿真物理参数和模型参数中的拟合参数满足第二条件，目标模型的模型参数包括目标拟合参数和目标候选参数。

第二条件包括：备选模型的仿真物理参数与目标物理参数相等，且备选模型的模型参数中的拟合参数与目标拟合参数相等，或者，备选模型的仿真物理参数和模型参数中的拟合参数中的每个参数与目标物理参数和目标拟合参数中的每个对应的参数的差值的和小于第二阈值。

例如，上述统计分布计算包括正态分布计算。

例如，计算单元130还包括优化单元。优化单元配置为对目标拟合参数进行优化，以更新目标拟合参数。例如，优化单元进一步包括第一子单元、第二子单元和第三子单元。第一子单元配置为基于目标拟合参数，进行仿真得到比对物理参数。第二子单元配置为判断比对物理参数与多组测试数据的相似度是否大于相似度阈值。第三子单元配置为响应于相似度大于相似度阈值，补充测试数据，并根据补充的测试数据重新计算目标拟合参数，以更新目标拟合参数。

例如，第一获取单元110包括定义单元和仿真单元。定义单元配置为定义原始模型的模型参数的取值，并基于取值得到多个取值组合。仿真单元配置为基于多个取值组合对原始模型进行仿真，得到多组仿真物理参数，以得到包括多个初始模型的模型库。例如，多个取值组合分别作为多个初始模型的模型参数。在一些示例中，仿真单元还配置为基于多个取值组合，利用脚本文件对原始模型进行仿真，得到多组仿真物理参数，以得到包括多个初始模型的模型库。

例如，原始模型包括伯克利短沟道绝缘栅场效应晶体管SPICE模型，也即BSIM模型。一组模型参数至少包括迁移率修正参数、源漏沟道电流修正参数和阈值电压漂移参数，一组仿真物理参数至少包括阈值电压、有效驱动电流和漏电流。迁移率修正参数、源漏沟道电流修正参数、阈值电压漂移参数中的两个作为拟合参数，迁移率修正参数、源漏沟道电流修正参数、阈值电压漂移参数中的另外一个作为候选参数。例如，多组测试数据基于晶圆可接受度测试或晶圆筛选测试得到。

本公开至少一个实施例还提供一种电子设备。该电子设备可以解决人工迭代过程复杂繁琐及效率较低的问题，可以实现针对模型的二次开发的自动化流程，能够处理大量的测试数据，处理效率高，处理速度快，准确性高，并且可以基于特定范围需求及测试数据完成模型的定制化二次开发。

图12为本公开一些实施例提供的一种电子设备的示意框图。如图12所示，该电子设备200包括建模装置210。例如，建模装置210可以为图11所示的建模装置100。关于该电子设备200的相关说明可参考上文中关于建模装置100的描述，此处不再赘述。

本公开至少一个实施例还提供一种电子设备，该电子设备包括处理器和存储器，一个或多个计算机程序模块被存储在该存储器中并被配置为由该处理器执行，一个或多个计算机程序模块包括用于实现本公开任一实施例提供的建模方法。该电子设备可以解决人工迭代过程复杂繁琐及效率较低的问题，可以实现针对模型的二次开发的自动化流程，能够处理大量的测试数据，处理效率高，处理速度快，准确性高，并且可以基于特定范围需求及测试数据完成模型的定制化二次开发。

图13为本公开一些实施例提供的另一种电子设备的示意框图。如图13所示，该电子设备300包括处理器310和存储器320。存储器320用于存储非暂时性计算机可读指令(例如一个或多个计算机程序模块)。处理器310用于运行非暂时性计算机可读指令，非暂时性计算机可读指令被处理器310运行时可以执行上文所述的建模方法中的一个或多个步骤。存储器320和处理器310可以通过总线系统和/或其它形式的连接机构(未示出)互连。

例如，处理器310可以是中央处理单元(CPU)、图形处理单元(GPU)、数字信号处理器(DSP)或者具有数据处理能力和/或程序执行能力的其它形式的处理单元，例如现场可编程门阵列(FPGA)等；例如，中央处理单元(CPU)可以为X86或ARM架构等。处理器310可以为通用处理器或专用处理器，可以控制电子设备300中的其它组件以执行期望的功能。

例如，存储器320可以包括一个或多个计算机程序产品的任意组合，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序模块，处理器310可以运行一个或多个计算机程序模块，以实现电子设备300的各种功能。在计算机可读存储介质中还可以存储各种应用程序和各种数据以及应用程序使用和/或产生的各种数据等。

需要说明的是，本公开的实施例中，电子设备300的具体功能和技术效果可以参考上文中关于建模方法的描述，此处不再赘述。

图14为本公开一些实施例提供的另一种电子设备的示意框图。如图14所示，该电子设备400例如适于用来实施本公开实施例提供的建模方法。电子设备400可以是终端设备或服务器等。需要注意的是，图14示出的电子设备400仅仅是一个示例，其不会对本公开实施例的功能和使用范围带来任何限制。

如图14所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)41，其可以根据存储在只读存储器(ROM)42中的程序或者从存储装置48加载到随机访问存储器(RAM)43中的程序而执行各种适当的动作和处理。在RAM 43中，还存储有电子设备400操作所需的各种程序和数据。处理装置41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。

通常，以下装置可以连接至I/O接口45：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置46；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置47；包括例如磁带、硬盘等的存储装置48；以及通信装置49。通信装置49可以允许电子设备400与其他电子设备进行无线或有线通信以交换数据。虽然图14示出了具有各种装置的电子设备400，但应理解的是，并不要求实施或具备所有示出的装置，电子设备400可以替代地实施或具备更多或更少的装置。

例如，根据本公开的实施例，图2所示的建模方法可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包括用于执行上述建模方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置49从网络上被下载和安装，或者从存储装置48安装，或者从ROM 42安装。在该计算机程序被处理装置41执行时，可以实现本公开实施例提供的建模方法中限定的功能。

本公开至少一个实施例还提供一种存储介质，用于存储非暂时性计算机可读指令，当该非暂时性计算机可读指令由计算机执行时可以实现本公开任一实施例提供的建模方法。利用该存储介质，可以解决人工迭代过程复杂繁琐及效率较低的问题，可以实现针对模型的二次开发的自动化流程，能够处理大量的测试数据，处理效率高，处理速度快，准确性高，并且可以基于特定范围需求及测试数据完成模型的定制化二次开发。

图15为本公开一些实施例提供的一种存储介质的示意图。如图15所示，存储介质500用于存储非暂时性计算机可读指令510。例如，当非暂时性计算机可读指令510由计算机执行时可以执行根据上文所述的建模方法中的一个或多个步骤。

例如，该存储介质500可以应用于上述电子设备中。例如，存储介质500可以为图13所示的电子设备300中的存储器320。例如，关于存储介质500的相关说明可以参考图13所示的电子设备300中的存储器320的相应描述，此处不再赘述。

有以下几点需要说明：

(1)本公开实施例附图只涉及到本公开实施例涉及到的结构，其他结构可参考通常设计。

(2)在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合以得到新的实施例。

以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，本公开的保护范围应以所述权利要求的保护范围为准。

Claims (19)

1.一种建模方法，包括：

获取模型库，其中，所述模型库包括多个初始模型，每个初始模型包括一组模型参数和对应的经过仿真生成的一组仿真物理参数；

获取多组测试数据；

根据所述多组测试数据、所述模型库中的多个初始模型以及所述多个初始模型的模型参数和仿真物理参数，基于统计分布计算，得到目标模型，

其中，每个初始模型所包括的一组模型参数包括拟合参数和候选参数，

根据所述多组测试数据、所述模型库中的多个初始模型以及所述多个初始模型的模型参数和仿真物理参数，基于统计分布计算，得到所述目标模型，包括：

基于所述多组测试数据中每组测试数据从所述模型库的多个初始模型中选择得到多个拟合模型，其中，每组测试数据对应于多个拟合模型，每组测试数据对应的拟合模型所包括的仿真物理参数满足第一条件；

对于每组测试数据，对该组测试数据对应的拟合模型的模型参数中的拟合参数进行统计分布计算，得到最大概率值对应的拟合参数以作为备选拟合参数；

对所述多组测试数据分别对应的备选拟合参数进行统计分布计算，得到最大概率值对应的备选拟合参数以作为目标拟合参数；

根据目标物理参数和所述目标拟合参数，从所述模型库的多个初始模型中选择得到备选模型，并将所述备选模型的模型参数中的候选参数作为目标候选参数，从而得到所述目标模型；

其中，所述备选模型的仿真物理参数和模型参数中的拟合参数满足第二条件，所述目标模型的模型参数包括所述目标拟合参数和所述目标候选参数。

2.根据权利要求1所述的建模方法，其中，每组测试数据包括多个测试物理参数，

所述第一条件包括：

所述拟合模型所包括的仿真物理参数中每个仿真物理参数与所述拟合模型对应的测试数据中相对应的每个测试物理参数分别相等，或者

所述拟合模型所包括的仿真物理参数中每个仿真物理参数与所述拟合模型对应的测试数据中相对应的每个测试物理参数的差值的和小于第一阈值。

3.根据权利要求1所述的建模方法，其中，所述第二条件包括：

所述备选模型的仿真物理参数与所述目标物理参数相等，且所述备选模型的模型参数中的拟合参数与所述目标拟合参数相等，或者

所述备选模型的仿真物理参数和模型参数中的拟合参数中的每个参数与所述目标物理参数和所述目标拟合参数中的每个对应的参数的差值的和小于第二阈值。

4.根据权利要求1所述的建模方法，其中，根据所述多组测试数据、所述模型库中的多个初始模型以及所述多个初始模型的模型参数和仿真物理参数，基于统计分布计算，得到所述目标模型，还包括：

对所述目标拟合参数进行优化，以更新所述目标拟合参数。

5.根据权利要求4所述的建模方法，其中，对所述目标拟合参数进行优化，以更新所述目标拟合参数，包括：

基于所述目标拟合参数，进行仿真得到比对物理参数；

判断所述比对物理参数与所述多组测试数据的相似度是否大于相似度阈值；

若所述相似度大于所述相似度阈值，则补充测试数据，并根据补充的测试数据重新计算所述目标拟合参数，以更新所述目标拟合参数。

6.根据权利要求1所述的建模方法，其中，获取所述模型库包括：

定义原始模型的模型参数的取值，并基于所述取值得到多个取值组合；

基于所述多个取值组合对所述原始模型进行仿真，得到多组仿真物理参数，以得到包括所述多个初始模型的模型库；

其中，所述多个取值组合分别作为所述多个初始模型的模型参数。

7.根据权利要求6所述的建模方法，其中，基于所述多个取值组合对所述原始模型进行仿真，得到所述多组仿真物理参数，以得到包括所述多个初始模型的模型库，包括：

基于所述多个取值组合，利用脚本文件对所述原始模型进行仿真，得到所述多组仿真物理参数，以得到包括所述多个初始模型的模型库。

8.根据权利要求1-5任一所述的建模方法，其中，所述一组模型参数至少包括迁移率修正参数、源漏沟道电流修正参数和阈值电压漂移参数，所述一组仿真物理参数至少包括阈值电压、有效驱动电流和漏电流。

9.根据权利要求8所述的建模方法，其中，所述迁移率修正参数、所述源漏沟道电流修正参数、所述阈值电压漂移参数中的两个作为所述拟合参数，

所述迁移率修正参数、所述源漏沟道电流修正参数、所述阈值电压漂移参数中的另外一个作为所述候选参数。

10.根据权利要求1-7任一所述的建模方法，其中，所述多组测试数据基于晶圆可接受度测试或晶圆筛选测试得到。

11.根据权利要求1-7任一所述的建模方法，其中，所述建模方法用于基于产品实测特性对SPICE模型进行二次开发。

12.一种建模装置，包括：

第一获取单元，配置为获取模型库，其中，所述模型库包括多个初始模型，每个初始模型包括一组模型参数和对应的经过仿真生成的一组仿真物理参数；

第二获取单元，配置为获取多组测试数据；

计算单元，配置为根据所述多组测试数据、所述模型库中的多个初始模型以及所述多个初始模型的模型参数和仿真物理参数，基于统计分布计算，得到目标模型；

其中，每个初始模型所包括的一组模型参数包括拟合参数和候选参数；

所述计算单元包括拟合模型确定单元、第一统计分布计算单元、第二统计分布计算单元和目标模型确定单元；

所述拟合模型确定单元配置为基于所述多组测试数据中每组测试数据从所述模型库的多个初始模型中选择得到多个拟合模型，其中，每组测试数据对应于多个拟合模型，每组测试数据对应的拟合模型所包括的仿真物理参数满足第一条件；

所述第一统计分布计算单元配置为，对于每组测试数据，对该组测试数据对应的拟合模型的模型参数中的拟合参数进行统计分布计算，得到最大概率值对应的拟合参数以作为备选拟合参数；

所述第二统计分布计算单元配置为对所述多组测试数据分别对应的备选拟合参数进行统计分布计算，得到最大概率值对应的备选拟合参数以作为目标拟合参数；

所述目标模型确定单元配置为根据目标物理参数和所述目标拟合参数，从所述模型库的多个初始模型中选择得到备选模型，并将所述备选模型的模型参数中的候选参数作为目标候选参数，从而得到所述目标模型；

其中，所述备选模型的仿真物理参数和模型参数中的拟合参数满足第二条件，所述目标模型的模型参数包括所述目标拟合参数和所述目标候选参数。

13.根据权利要求12所述的建模装置，其中，每组测试数据包括多个测试物理参数，

所述第一条件包括：

所述拟合模型所包括的仿真物理参数中每个仿真物理参数与所述拟合模型对应的测试数据中相对应的每个测试物理参数分别相等，或者

所述拟合模型所包括的仿真物理参数中每个仿真物理参数与所述拟合模型对应的测试数据中相对应的每个测试物理参数的差值的和小于第一阈值。

14.根据权利要求12所述的建模装置，其中，所述第二条件包括：

所述备选模型的仿真物理参数与所述目标物理参数相等，且所述备选模型的模型参数中的拟合参数与所述目标拟合参数相等，或者

所述备选模型的仿真物理参数和模型参数中的拟合参数中的每个参数与所述目标物理参数和所述目标拟合参数中的每个对应的参数的差值的和小于第二阈值。

15.根据权利要求12所述的建模装置，其中，所述计算单元还包括优化单元；

所述优化单元配置为对所述目标拟合参数进行优化，以更新所述目标拟合参数。

16.根据权利要求15所述的建模装置，其中，所述优化单元包括第一子单元、第二子单元和第三子单元；

所述第一子单元配置为基于所述目标拟合参数，进行仿真得到比对物理参数；

所述第二子单元配置为判断所述比对物理参数与所述多组测试数据的相似度是否大于相似度阈值；

所述第三子单元配置为，若所述相似度大于所述相似度阈值，则补充测试数据，并根据补充的测试数据重新计算所述目标拟合参数，以更新所述目标拟合参数。

17.一种电子设备，包括如权利要求12-16任一所述的建模装置。

18.一种电子设备，包括：

处理器；

存储器，包括一个或多个计算机程序模块；

其中，所述一个或多个计算机程序模块被存储在所述存储器中并被配置为由所述处理器执行，所述一个或多个计算机程序模块包括用于实现权利要求1-11任一所述的建模方法的指令。

19.一种存储介质，用于存储非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行时可以实现权利要求1-11任一所述的建模方法。