CN113947008B - 一种基于bp神经网络模型的半导体器件温度分布预测方法 - Google Patents

Abstract

本发明公开了一种基于BP神经网络模型的半导体器件温度分布预测方法，所述方法包括：基于目标半导体器件对应的参数，建立半导体器件模型；获取所述半导体器件模型在多个预设环境下的多个数据集；基于所述训练数据集对BP神经网络模型进行训练，以得到初始温度分布预测模型基于所述训练数据集对BP神经网络模型进行训练，以得到初始温度分布预测模型；基于所述测试数据集对所述初始温度分布预测模型进行验证，并根据验证结果对所述初始温度分布预测模型进行调整，以得到目标温度分布预测模型。本发明能够快速、高效、精准地得到目标温度分布预测模型，从而可以基于所述目标温度分布预测模型进行半导体器件的温度分布预测。

Description

一种基于BP神经网络模型的半导体器件温度分布预测方法

技术领域

本发明属于集成电路技术领域，具体涉及一种基于BP神经网络模型的半导体器件温度分布预测方法。

背景技术

随着微电子技术的发展，半导体器件的尺寸不断减小，集成电路及系统的功率密度成倍增加，使得集成电路自热效应不断加剧，其中，自热效应会影响器件自身特性，还会导致器件之间发生电磁热耦合效应，电磁热耦合效应会导致该器件对周围器件的性能造成严重影响。

因此，在大规模集成电路设计时，需要电路设计者在电路设计初期对半导体器件的温度特性进行预测，评估其温度分布对集成电路性能可能带来的影响，从而在设计初期就进行合理的布局布线优化，对保证和提升集成电路性能具有重要意义。

现有技术中，为了准确预测半导体器件温度分布数据，主要采用两种方法：一种是有限元分析方法，但该方法中有限元单次仿真计算成本较高，耗时较长；另一种是基于器件温度分布结果，通过数据间的表现关系，选择合适的数学函数进行表征，以得到器件的温度分布结果，这种方法虽然简便但拟合精度特别依赖于分析者拟合函数数据的选择和特征函数的选取，对于有些应用领域的数学关系并非简单的函数关系，因此导致该方法的拟合精度误差较大。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于BP神经网络模型的半导体器件温度分布预测方法。本发明要解决的技术问题通过以下技术方案实现：

一种基于BP神经网络模型的半导体器件温度分布预测方法，包括：步骤1：基于目标半导体器件对应的参数，建立半导体器件模型；步骤2：获取所述半导体器件模型在多个预设环境下的多个数据集；其中，所述多个数据集中包括一个测试数据集和多个训练数据集，所述数据集中包括环境温度数据、功耗数据、距热源的距离数据和温度分布数据；步骤3：基于所述训练数据集对BP神经网络模型进行训练，以得到初始温度分布预测模型；步骤4：测试数据集基于所述测试数据集对所述初始温度分布预测模型进行验证，并根据验证结果对所述初始温度分布预测模型进行调整，以得到目标温度分布预测模型。

在本发明的一个实施例中，所述目标半导体器件对应的参数包括结构参数和物理参数。

在本发明的一个实施例中，所述步骤2包括：步骤2-1：对多个预设环境下的半导体器件模型，进行有限元网格划分；步骤2-2：对有限元网格划分后的半导体器件模型进行稳态求解，以得到目标半导体器件的温度分布数据；步骤2-3：将一个预设环境对应的环境温度数据、功耗数据、距热源的距离数据，和基于该预设环境求解得到的温度分布数据，确定为一个数据集，以得到多个数据集。

本发明的有益效果：

本发明基于BP神经网络模型得到初始温度分布预测模型，BP神经网络是一种多层前馈型神经网络，神经元的传递函数是S型函数，可以实现从输入到输出的任意非线性映射。本发明的数据集包括环境温度数据、功耗数据、距热源的距离数据，能够精确表征器件温度分布特征。

本发明能够避免有限元分析方法占用计算机资源较大及分析耗时的问题。另外，一方面相比特征函数法，本发明基于BP神经网络模型得到的预测结果的精度更高，能够准确表征器件的温度分布信息，另一方面，相较于RBF神经网络模型，本发明使用的BP神经网络模型具有更高的拟合精度。

以下将结合附图及实施例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基于BP神经网络模型的半导体器件温度分布预测方法流程示意图；

图2是本发明实施例提供的一种BP神经网络模型的拓扑结构示意图；

图3是基于本发明所述方法得到的器件结温随环境温度和功耗变化的BP神经网络训练误差示意图；

图4是基于本发明所述方法得到的器件结温预测值与真实值随环境温度和功耗变化散点示意图。

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。

实施例

请参见图1，图1是本发明实施例提供的一种基于BP神经网络模型的半导体器件温度分布预测方法，所述方法包括：

步骤1：基于目标半导体器件对应的参数，建立半导体器件模型。

可选的，所述目标半导体器件对应的参数包括结构参数和物理参数。

本发明预先根据半导体器件的工艺信息，获取半导体器件的结构参数与物理参数。本发明对所述半导体器件不做限制，所述半导体器件如InP HBT器件，本发明根据InPHBT工艺库文件，获取电路中器件的信息，包括器件的结构参数(有源区，衬底尺寸等)及物理参数(器件材料属性参数，掺杂等)。器件材料及尺寸如表1所示，器件中各材料使用温度相关的热导率：

表1InP HBT器件结构及材料参数

本发明对建立所述半导体器件的方法不做具体限制，示例如，

使用COMSOL有限元分析软件构建半导体器件模型，对建立的实体模型施加热源、设置边界条件(设定衬底背面温度为环境温度，芯片其它面绝热)，并对建立的三维几何半导体器件模型进行网格划分。设置有源器件的功耗以及所处的环境温度求解范围，进行稳态热分析，获得温度随距离变化的分布情况。

步骤2：获取所述半导体器件模型在多个预设环境下的多个数据集；其中，所述多个数据集中包括一个测试数据集和多个训练数据集，所述数据集中包括环境温度数据、功耗数据、距热源的距离数据和温度分布数据。

本发明能够改变半导体器件功耗(热源)以及所处的环境温度(边界条件)，进行稳态热分析，从而获得不同环境温度、不同功耗下的半导体器件温度分布结果，并获取器件表层温度随距离的变化分布曲线，以生成BP神经网络训练所需数据集。

所述环境温度数据如300K、320K、340K、360K、380K，所述功耗如5至15mW。所述训练数据集如300K、320K、340K、360K对应的功耗数据、距热源的距离数据和温度分布数据；所述测试数据集如380K对应的功耗数据、距热源的距离数据和温度分布数据，测试数据集主要用于对BP神经网络模型的预测和泛化能力进行评估。

可选的，所述步骤2包括：

步骤2-1：对多个预设环境下的半导体器件模型，进行有限元网格划分；

步骤2-2：对有限元网格划分后的半导体器件模型进行稳态求解，以得到目标半导体器件的温度分布数据；

步骤2-3：将一个预设环境对应的环境温度数据、功耗数据、距热源的距离数据，和基于该预设环境求解得到的温度分布数据，确定为一个数据集，以得到多个数据集。

步骤3：基于所述训练数据集对BP神经网络模型进行训练，以得到初始温度分布预测模型。

本发明能够在MATLAB软件中使用BP(back propagation，反向传播)神经网络模型对数据集进行训练。参见图2是本发明实施例提供的一种BP神经网络模型的拓扑结构示意图。

可选的，将所述环境温度数据、功耗数据、距热源的距离数据确定为所述BP神经网络模型的输入数据；将所述温度分布数据确定为所述BP神经网络模型的输出数据。

可选的，本发明所述BP网络模型中隐藏层神经元的传递函数采用tansig函数，输出层采用purelin函数，训练函数采用trainlm函数。

步骤4：基于所述测试数据集对所述初始温度分布预测模型进行验证，并根据验证结果对所述初始温度分布预测模型进行调整，以得到目标温度分布预测模型。

如：本发明将训练集导入到BP神经网络模型中对数据进行归一化处理，对数据集中环境温度为300K、320K、340K、360K下的数据进行基于BP神经网络模型的训练学习，并对环境温度为380K下的数据进行后续仿真预测。

可选的，所述步骤4包括：

步骤4-1：将所述测试数据集中的环境温度数据、功耗数据、距热源的距离数据输入至所述初始温度分布模型，以得到测试温度分布数据；

步骤4-2：将所述测试温度分布数据与所述测试数据集中温度分布数据进行对比；

步骤4-3：当测试温度分布数据与测试数据集中温度分布数据之间的误差小于预设阈值时，则将所述初始温度分布模型确定为目标温度分布预测模型。

可选的，所述步骤4-2之后，所述方法还包括：

步骤S1：当测试温度分布数据与测试数据集中温度分布数据之间的误差大于预设阈值时，则调整所述BP神经网络模型中的隐藏层参数，其中，所述隐藏层参数包括隐藏层个数、隐藏层神经元个数；

步骤S2：基于调整后的所述BP神经网络模型，重复执行步骤3，以得到更新后的初始温度分布预测模型；

步骤S3：基于更新后的初始温度分布预测模型，执行步骤4，直到测试温度分布数据与测试数据集中温度分布数据之间的误差小于预设阈值时，则将所述更新后的初始温度分布模型确定为目标温度分布预测模型。

本发明能够基于目标温度分布预测模型预测得出距离器件热源不同位置处半导体器件的温度值，实现温度分布预测。

图3基于本发明所述方法得到的器件结温随环境温度和功耗变化的BP神经网络训练误差示意图，其中，X坐标为距半导体器件热源的位置，Y坐标为半导体器件温度，蓝色的曲线表示有限元仿真的真实值，红色圆圈连接的曲线表示采用本发明提出的方法所得到的预测值，从图中可以看出，在不同的采样点处，采用本发明所提出的半导体温度分布预测方法得到的预测结果与真实值非常接近，从图4基于本发明所述方法得到的器件结温预测值与真实值随环境温度和功耗变化散点示意图中可以看出，误差在0.3％以内甚至更小，预测精度较高。

神经网络是由大量简单的神经元相互连接而成的自适应非线性动态系统，非常擅长识别单个/多个输入和输出之间的线性和非线性关系，还具有高泛化能力，需要最少的数据存储。在从初始化输入及其关系学习之后，它也可以推断出从未知数据之间的未知关系，从而使得模型能够推广并且预测未知数据。并且与许多其他预测技术不同，ANN(Artificial Neutral Network，人工神经网络)不会对输入变量施加任何限制(例如：如何分布)，所述ANN包括BP神经网络，并因为ANN具有学习数据中隐藏关系的能力，而不在数据中强加任何固定关系，可以更好地模拟异方差性。

综上，本发明基于BP神经网络模型得到初始温度分布预测模型，BP神经网络是一种多层前馈型神经网络，神经元的传递函数是S型函数，可以实现从输入到输出的任意非线性映射。本发明的数据集包括环境温度数据、功耗数据、距热源的距离数据，能够精确表征器件温度分布特征。

本发明能够避免有限元分析方法占用计算机资源较大及分析耗时的问题。另外，一方面相比特征函数法，本发明基于BP神经网络模型得到的预测结果的精度更高，能够准确表征器件的温度分布信息，另一方面，相较于RBF(Radial Basis Function，径向基函数)神经网络模型，本发明使用的BP神经网络模型具有更高的拟合精度。

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神经网络模型的半导体器件温度分布预测方法，其特征在于，所述方法包括：

步骤1：基于目标半导体器件对应的参数，建立半导体器件模型；

步骤2：获取所述半导体器件模型在多个预设环境下的多个数据集；其中，所述多个数据集中包括一个测试数据集和多个训练数据集，所述数据集中包括环境温度数据、功耗数据、距热源的距离数据和温度分布数据；

步骤3：基于所述训练数据集对BP神经网络模型进行训练，以得到初始温度分布预测模型

基于所述训练数据集对BP神经网络模型进行训练，以得到初始温度分布预测模型；

步骤4：测试数据集基于所述测试数据集对所述初始温度分布预测模型进行验证，并根据验证结果对所述初始温度分布预测模型进行调整，以得到目标温度分布预测模型；

所述步骤2包括：

步骤2-1：对多个预设环境下的半导体器件模型，进行有限元网格划分；

步骤2-2：对有限元网格划分后的半导体器件模型进行稳态求解，以得到目标半导体器件的温度分布数据；

步骤2-3：将一个预设环境对应的环境温度数据、功耗数据、距热源的距离数据，和基于该预设环境求解得到的温度分布数据，确定为一个数据集，以得到多个数据集；

所述步骤4包括：

步骤4-1：将所述测试数据集中的环境温度数据、功耗数据、距热源的距离数据输入至所述初始温度分布模型，以得到测试温度分布数据；

步骤4-2：将所述测试温度分布数据与所述测试数据集中温度分布数据进行对比；

步骤4-3：当测试温度分布数据与测试数据集中温度分布数据之间的误差小于预设阈值时，则将所述初始温度分布模型确定为目标温度分布预测模型。

2.根据权利要求1所述的方法，其特征在于，所述目标半导体器件对应的参数包括结构参数和物理参数。

3.根据权利要求1所述的方法，其特征在于，将所述环境温度数据、功耗数据、距热源的距离数据确定为所述BP神经网络模型的输入数据；将所述温度分布数据确定为所述BP神经网络模型的输出数据。

4.根据权利要求3所述的方法，其特征在于，所述步骤4-2之后，所述方法还包括：

步骤S1：当测试温度分布数据与测试数据集中温度分布数据之间的误差大于预设阈值时，则调整所述BP神经网络模型中的隐藏层参数，其中，所述隐藏层参数包括隐藏层个数、隐藏层神经元个数；

步骤S2：基于调整后的所述BP神经网络模型，重复执行步骤3，以得到更新后的初始温度分布预测模型；

步骤S3：基于更新后的初始温度分布预测模型，执行步骤4，直到测试温度分布数据与测试数据集中温度分布数据之间的误差小于预设阈值时，则将所述更新后的初始温度分布模型确定为目标温度分布预测模型。