CN114997092A - 基于机器学习和模型的半导体器件电学特性仿真方法 - Google Patents

Abstract

本发明公开了基于机器学习和模型的半导体器件电学特性仿真方法，包括步骤1、确定仿真模型；步骤2、确定结构参数或工艺参数；步骤3、获取数据集；步骤4、建立机器学习回归模型；步骤5、预测输入模型参数；步骤6、电学特性仿真。本发明利用机器学习和确定的仿真模型，实现了半导体器件从结构参数与工艺参数到电学特性的仿真，具有仿真速度快，收敛性好，节约计算资源等优点。同时该发明中构建的回归模型能实现从工艺参数到模型参数、工艺参数到结构参数、结构参数到模型参数的预测，能提高设计人员的设计效率，节省设计时间。

Description

基于机器学习和模型的半导体器件电学特性仿真方法

技术领域

本发明涉及半导体器件电学特性仿真领域，特别是一种基于机器学习和模型的半导体器件电学特性仿真方法。

背景技术

21世纪，半导体器件领域飞速发展，其中，半导体器件的电学特性是设计人员对器件结构参数，工艺设计参数设计的重要依据。设计者期望在设计初期获得半导体器件的电学特性，从而调整结构参数和工艺参数使器件达到设计目标。

半导体器件电学特性的仿真具有重要意义。半导体器件电学特性的仿真依赖于计算机辅助设计工具(Technology Computer Aided Design，简称TCAD)，但其存在仿真时间过长，收敛性差，电路仿真困难等问题。半导体器件模型可以较为简单地描述器件的工作特性，并在电路仿真软件中调用，仿真速度更快，收敛性较好且能进行大规模电路仿真，但模型参数提取往往极为复杂。例如IGBT的Hefner模型静态参数：大注入过剩载流子寿命τ_hl，发射区饱和电子电流I_sne，MOSFET饱和区跨导K_p，阈值电压V_t，线性区跨导与饱和区跨导的经验比例因子K_f和横向场跨导因子θ。例如GaN HEMT的ASM与静态相关的模型参数：截止电压V_off，亚阈值摆幅NFACTOR，低场迁移率μ₀，迁移率退化因子μ_a，沟道长度调制因子λ，饱和速度V_sat，源区接触电阻R_sc，漏区接触电阻R_dc。传统的方法需要先由器件结构仿真或实验获得不同栅压下的输出特性曲线，关断特性曲线，电容电压特性曲线，再从中提取参数，尽管提取参数过程可以由程序以及IC-CAP等工具实现，但每条半导体器件的相关特性曲线的TCAD仿真仍需数分钟，且有不收敛的情况发生。

另外，也存在利用机器学习技术建立机器学习模型直接预测器件电学特性的方法，其参数提取较为简单，然而，还存在着如下不足，有待进行改进：

1、对于结构复杂的器件，采用ANN的方法时，神经网络庞大，因而仿真计算量大，速度慢，且在偏置电压不断迭代时会导致不收敛问题，限制也影响了仿真的准确度。

2、采用ANN直接建模的方式属于黑盒式的建模，输入输出间关系表征不明确，缺乏半导体物理解释，不利于设计人员根据仿真结果调整器件结构。

因此，迫切需要一种快速简单且准确的半导体器件电学特性仿真方法。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，而提供一种基于机器学习和模型的半导体器件电学特性仿真方法，该基于机器学习和模型的半导体器件电学特性仿真方法具有速度快收敛性好等优势，且能够建立器件工艺参数、结构参数与模型参数之间的相互关系，有利于设计者分析器件特性，减少设计周期。

为解决上述技术问题，本发明采用的技术方案是：

一种基于机器学习和模型的半导体器件电学特性仿真方法，包括如下步骤。

步骤1、确定仿真模型：根据半导体器件的类型，确定用于其电路仿真的仿真模型，并确定仿真模型的输入模型参数。

步骤2、确定结构参数或工艺参数：确定对步骤1中输入模型参数具有影响的半导体器件的结构参数或工艺参数。

步骤3、获取数据集：通过仿真或实验的方法，获取从结构参数到输入模型参数或从工艺参数到输入模型参数的数据集。

步骤4、建立机器学习回归模型：根据步骤3获取的数据集，建立机器学习回归模型；机器学习回归模型能根据半导体器件的结构参数或工艺参数，进行步骤1中输入模型参数的预测。

步骤5、预测输入模型参数：将待仿真半导体器件的结构参数或工艺参数，输入步骤4中建立的机器学习回归模型中，预测得到待仿真半导体器件对应的输入模型参数。

步骤6、电学特性仿真：将步骤5预测得到的输入模型参数，代入步骤1确定的仿真模型中，并采用仿真模型对待仿真半导体器件进行电学特性的仿真。

步骤1中，仿真模型为基本电学性能模型或多物理场耦合模型；半导体器件为场效应晶体管、晶闸管、IGBT或二极管。

当半导体器件为IGBT时，仿真模型为Hefner模型；当半导体器件为场效应晶体管且为GaN HEMT时，仿真模型为ASM模型。

对于IGBT的Hefner模型，输入模型参数包括大注入过剩载流子寿命、发射区饱和电子电流、MOSFET饱和区跨导K_p、阈值电压V_t、线性区跨导与饱和区跨导的经验比例因子K_f和横向场跨导因子θ；对于GaN HEMT的ASM模型，输入模型参数包括与静态特性相关的截止电压V_off、亚阈值摆幅NFACTOR、低场迁移率μ₀、迁移率退化因子μ_a、沟道长度调制因子λ、饱和速度V_sat、源区接触电阻R_sc和漏区接触电阻R_dc。

步骤3中，数据集为从结构参数到输入模型参数的数据集；对于IGBT，结构参数包括冶金基区宽度、冶金基区掺杂浓度、沟道长度、沟道掺杂浓度和阳极区掺杂浓度；对于GaNHEMT，结构参数包括栅漏长度、栅源长度、栅长和AlGaN势垒层厚度。

步骤3中，数据集为从工艺参数到结构参数的数据集或从工艺参数到输入模型参数的数据集；

其中，对于IGBT，工艺参数为离子注入工艺参数、氧化扩散工艺参数、光刻工艺参数、腐蚀工艺参数和金属化工艺参数中的一种或组合；对于GaN HEMT，工艺参数为PECVD参数、刻蚀参数、光刻参数、电子束蒸发参数和溅射参数中的一种或组合。

步骤3中，通过仿真或实验获取数据集的方法，包括如下步骤：

步骤31、确定半导体器件结构参数或工艺参数的变化范围。

步骤32、确定结构参数：通过工艺仿真或实验实现不同工艺参数情况下的半导体器件，并提取步骤2中确定的结构参数。

步骤33、获取电学特性曲线：通过仿真或实验获得具有不同结构参数或工艺参数的半导体器件的电学特性曲线。

步骤34、提取输入模型参数：按照模型参数提取方法或使用参数提取工具，从步骤33中获得的电学特性曲线中提取半导体器件对应的输入模型参数。

步骤35、形成数据集，具体为：

A、将步骤32中每个半导体器件的工艺参数与结构参数一一对应，形成工艺参数到结构参数的数据集。

B、将步骤32中每个半导体器件的工艺参数与步骤34提取的输入模型参数一一对应，形成工艺参数到输入模型参数的数据集。

C、将步骤32中每个半导体器件的结构参数与步骤34提取的输入模型参数一一对应，形成结构参数到输入模型参数的数据集。

步骤4中，机器学习回归模型的建立方法为深度神经网络、高斯过程回归、支持向量机、线性回归、逻辑回归、Lasso回归和CART回归树中的一种或组合。

步骤4中，机器学习回归模型建立的具体方法，包括如下步骤：

步骤41、数据集分类：将步骤3所获取的数据集按照设定比例分为训练集、验证集与测试集；其中，训练集用于训练机器学习模型；验证集用于调整训练过程中的权重值；测试集用于测试机器学习模型。

步骤42、数据处理：将训练集、验证集与测试集中的数据均进行标准化或归一化处理。

步骤43、建立机器学习回归模型：选择并建立机器学习回归模型；机器学习回归模型的输出参数为半导体器件仿真模型的输入模型参数；机器学习回归模型的输入参数为半导体器件的工艺参数或结构参数。

步骤44、模型训练：采用步骤42中训练集中的数据对步骤43建立的机器学习回归模型，进行训练，得到机器学习回归模型的权重值。

步骤45、模型验证与测试：采用步骤42中验证集或测试集中的数据，对步骤44完成训练后的机器学习回归模型进行验证或测试。

步骤5中，半导体器件的输入模型参数预测方法。

步骤51、数据处理：将待仿真半导体器件的结构参数或工艺参数标准化或归一化处理。

步骤52、预测：将步骤51数据处理后的待仿真半导体器件的结构参数或工艺参数，输入步骤4中建立的机器学习回归模型中，预测得到待仿真半导体器件对应的输入模型参数。

步骤53、反向数据处理：将步骤52预测得到的输入模型参数反标准化或反归一化，进而得到仿真模型的输入模型参数。

本发明具有如下有益效果：

1、本发明利用机器学习回归模型和可靠的仿真模型能够实现根据半导体器件的结构参数或工艺参数对半导体器件电学特性仿真，相比较TCAD仿真工具收敛性更好，速度更快且可进行大规模的电路仿真。

2、本发明利用机器学习回归模型与仿真模型相结合的方法与常见的机器学习模型建模相比，由于基于已被业界广泛认可的模型，可靠性更高，预测的输入模型参数具有物理意义，仿真速度与机器学习模型的复杂度并不相关，降低了因机器学习模型复杂导致的不收敛和仿真时间过长现象。

3、本发明的方法可适用于各种半导体器件，可以直接从半导体器件的结构参数与工艺参数仿真器件的电学特性。

4、本发明的方法还可用于表征半导体器件工艺参数与结构参数、工艺参数与模型参数、结构参数与模型参数间的非线性关系，帮助设计师快速分析和优化器件工艺与结构参数。

附图说明

图1为本发明基于机器学习和模型的半导体器件电学特性仿真方法流程图。

图2为本发明实施例中绝缘栅双极型晶体管(Insulated Gate BipolarTransistor，简称IGBT)的结构示意图。

图3为本发明实施例中氮化镓高电子迁移率晶体管(GaN High electronmobility transistor,，简称GaN HEMT)的结构示意图。

图4为本发明实施例IGBT开态电流特性仿真中三种预测Hefner模型参数方案的机器学习模型结构示意图，使用机器学习中的神经网络模型进行模型参数的预测，三种方案分别为多输入多输出方案，多输入单输出方案，分阶段多输出单输入方案。

图5为本发明实施例GaN HEMT开态电流特性仿真中预测ASM模型参数方案的机器学习模型结构示意图，使用机器学习中的神经网络模型进行模型参数的预测。

图6为本发明实施例IGBT开态电流特性仿真结果与TCAD仿真结果的对比图。

图7为本发明实施例GaN HEMT开态电流特性仿真结果与TCAD仿真结果的对比图。

具体实施方式

下面结合附图和具体较佳实施方式对本发明作进一步详细的说明。

本发明的描述中，需要理解的是，术语“左侧”、“右侧”、“上部”、“下部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，“第一”、“第二”等并不表示零部件的重要程度，因此不能理解为对本发明的限制。本实施例中采用的具体尺寸只是为了举例说明技术方案，并不限制本发明的保护范围。

如图1所示，一种基于机器学习和模型的半导体器件电学特性仿真方法，包括如下步骤。

步骤1、建立仿真模型：根据半导体器件的类型，建立用于其电路仿真的仿真模型，并确定仿真模型的输入模型参数。

上述仿真模型优选为基本电学性能模型或多物理场耦合模型等。

上述半导体器件优选为场效应晶体管，晶闸管，绝缘栅双极型晶体管，二极管等。

本发明以IGBT和GaN HEMT两种半导体器件为例，进行详细说明。

实施例1

半导体器件为IGBT，对应仿真模型为Hefner模型。

如图2所示，IGBT包括从下至上依次布设的阳极Anode、阳极掺杂区P⁺、N型掺杂漂移区N-drift、P型掺杂漂移区P-well、重掺杂P型区域P⁺、重掺杂N型漂移区N⁺、以及均设置在顶层的栅极Gate和阴极Cathode。

实施例2

半导体器件为场效应晶体管中的GaN HEMT，对应仿真模型为ASM模型。

如图3所示，GaN HEMT包括从下至上依次布设的衬底、GaN缓冲层、GaN沟道层、AlGaN势垒层，以及均设置在顶层的栅极G、源极S和漏极D。

步骤2、确定结构参数或工艺参数：确定对步骤1中输入模型参数具有影响的半导体器件的结构参数或工艺参数。

实施例1IGBT-Hefner模型

Hefner模型的输入模型参数优选包括六项，分别为：大注入过剩载流子寿命、发射区饱和电子电流、MOSFET饱和区跨导K_p、阈值电压V_t、线性区跨导与饱和区跨导的经验比例因子K_f和横向场跨导因子θ。

对上述Hefner模型的输入模型参数具有影响的半导体器件的结构参数，优选包括五项，分别为：冶金基区宽度、冶金基区掺杂浓度、沟道长度、沟道掺杂浓度和阳极区掺杂浓度。

上述IGBT工艺参数，可以为离子注入工艺参数、氧化扩散工艺参数、光刻工艺参数、腐蚀工艺参数和金属化工艺参数等中的一种或组合。

当工艺参数为离子注入工艺参数时，对上述Hefner模型的输入模型参数具有影响的半导体器件的离子注入工艺参数优选为：杂质种类、剂量、能量和射程等。

当工艺参数为氧化扩散工艺参数时，对上述Hefner模型的输入模型参数具有影响的半导体器件的氧化工艺参数优选为：扩散温度，扩散时间、阱注入剂量、氧化层厚度和结深等。

当工艺参数为光刻工艺参数时，对上述Hefner模型的输入模型参数具有影响的半导体器件的光刻工艺参数优选为：光刻胶类型、厚度、曝光时间、显影液类型、显影时间、前烘与后烘温度、前烘与后烘时间等。

当工艺参数为腐蚀工艺参数时，对上述Hefner模型的输入模型参数具有影响的半导体器件的腐蚀工艺参数优选为：腐蚀液类型和腐蚀时间等

当工艺参数为金属化工艺参数时，对上述Hefner模型的输入模型参数具有影响的半导体器件的金属化工艺参数优选为：金属类型和淀积厚度等。

实施例2GaN HEMT-ASM模型

ASM模型的与静态特性相关的与静态特性相关的输入模型参数优选包括八项，分别为：截止电压V_off，亚阈值摆幅NFACTOR，低场迁移率μ₀，迁移率退化因子μ_a，沟道长度调制因子λ，饱和速度V_sat，源区接触电阻R_sc，漏区接触电阻R_dc。

对上述ASM模型的输入模型参数具有影响的半导体器件的结构参数，优选包括四项，分别为：栅漏长度，栅源长度，栅长，AlGaN势垒层厚度。

上述GaN HEMT工艺参数，可以为等离子体增强化学的气相沉积法工艺(PlasmaEnhanced Chemical Vapor Deposition，简称PECVD)参数、刻蚀工艺参数、光刻工艺参数、电子束蒸发工艺参数和溅射工艺参数中的一种或组合。

当工艺参数为PECVD工艺参数时，对上述ASM模型的输入模型参数具有影响的半导体器件的PECVD工艺参数优选为：工艺温度、腔体压强、气氛比。

当工艺参数为刻蚀工艺参数时，对上述ASM模型的输入模型参数具有影响的半导体器件的刻蚀工艺参数优选为：气体类型，腔体压强，腔体温度、气体流量射频功率等。

当工艺参数为光刻工艺参数，对上述ASM模型的输入模型参数具有影响的半导体器件的光刻工艺参数优选为：光刻胶类型、厚度、曝光时间、显影液类型、显影时间、前烘与后烘温度和前烘与后烘时间等。

当工艺参数为电子束蒸发工艺参数时，对上述ASM模型的输入模型参数具有影响的半导体器件的电子束蒸发工艺参数优选为：基板温度和电子枪电流。

当工艺参数为溅射工艺参数时，对上述ASM模型的输入模型参数具有影响的半导体器件的溅射工艺参数优选为：电源功率，腔体压强、腔体温度、气氛比和气体流量。

步骤3、获取数据集：通过仿真或实验的方法，获取从结构参数到输入模型参数、从工艺参数直接或间接到输入模型参数的数据集。

上述从工艺参数间接到输入模型参数的数据集，本实施例中优选为：先获取从工艺参数到结构参数的数据集，再获取从对应结构参数到输入模型参数的数据集。

本实施例中，通过仿真或实验获取数据集的方法，优选包括如下步骤。

步骤31、确定半导体器件结构参数或工艺参数的变化范围，以IGBT结构参数与GaNHEMT结构参数为例，则：

表1IGBT结构参数以及变化范围

结构参数	范围
		冶金基区掺杂浓度,N<sub>b</sub>(cm<sup>-3</sup>)	[1×10<sup>13</sup>,1×10<sup>15</sup>]
沟道掺杂浓度,N<sub>well</sub>(cm<sup>-3</sup>)	[1×10<sup>17</sup>,5×10<sup>17</sup>]
		阳极区掺杂浓度,N<sub>P+</sub>(cm<sup>-3</sup>)	[1×10<sup>17</sup>,1×10<sup>19</sup>]
冶金基区宽度,W<sub>B</sub>(μm)	[50,100]
		沟道长度,L(μm)	[1,5]

表2GaN HEMT结构参数以及变化范围

结构参数	范围
		栅漏长度,L<sub>gd</sub>(μm)	[4,10]
栅源长度,L<sub>sg</sub>(μm)	[1,4]
		栅长,L(cm<sup>-3</sup>)	[0.5,4]
AlGaN势垒层厚度,T<sub>bar</sub>(μm)	[0.015,0.025]

步骤32、确定结构参数：通过工艺仿真或实验实现不同工艺参数情况下的半导体器件，并提取步骤2中确定的结构参数。

步骤33、获取电学特性曲线：通过仿真或实验获得具有不同结构参数或工艺参数的半导体器件的电学特性曲线。

本实施例中，针对IGBT器件，根据Hefner模型参数提取的需要，仿真不同IGBT结构的关态电流特性曲线与开态电流特性曲线；针对GaN HEMT器件，根据ASM模型参数提取的需要，仿真输出特性曲线与转移特性特性曲线等。

步骤34、提取输入模型参数：按照模型参数提取方法或使用参数提取工具，从步骤33中获得的电学特性曲线中提取半导体器件对应的输入模型参数。

步骤35、形成数据集，具体为：

A、将步骤32中每个半导体器件的工艺参数与结构参数一一对应，形成工艺参数到结构参数的数据集。

B、将步骤32中每个半导体器件的工艺参数与步骤34提取的输入模型参数一一对应，形成工艺参数到输入模型参数的数据集。

C、将步骤32中每个半导体器件的结构参数与步骤34提取的输入模型参数一一对应，形成结构参数到输入模型参数的数据集。本实施例中，假设已知结构参数，则优选选择此种数据集的获取方式。

步骤4、建立机器学习回归模型：根据步骤3获取的数据集，建立机器学习回归模型；机器学习回归模型能根据半导体器件的结构参数或工艺参数，进行步骤1中输入模型参数的预测。

上述机器学习回归模型的建立方法优选为深度神经网络、高斯过程回归、支持向量机、线性回归、逻辑回归、Lasso回归和CART回归树等中的一种或组合。

本实施例中，以IGBT与GaN HEMT为例，则机器学习回归模型建立的具体方法，优选包括如下步骤。

步骤41、数据集分类：将步骤3所获取的数据集按照设定比例(如7:2:1)分为训练集、验证集与测试集；其中，训练集用于训练机器学习模型；验证集用于调整训练过程中的权重值；测试集用于测试机器学习模型。

步骤42、数据处理：将训练集、验证集与测试集中的数据均进行标准化或归一化处理。本实施例中，优选采用归一化处理。深度神经网络

步骤43、建立机器学习回归模型：选择并建立机器学习回归模型，具体为：

A、将机器学习回归模型优选选择为深度神经网络。

B、设置模型参数：机器学习回归模型的输出参数为半导体器件仿真模型的输入模型参数；机器学习回归模型的输入参数为半导体器件的工艺参数或结构参数等。

C、模型设置，具体为：设置神经网络的隐藏层数，神经元个数，激活函数采用线性整流函数，选择Adam算法作为神经网络参数值的优化算法，设置损失函数代表实际模型参数与预测模型参数之间的差距。

图4给出针对IGBT的Hefner模型参数预测所提出三种神经网络预测模型参数预测方案神经网络结构图。其中，(a)图为多输入多输出方案；(b)图为多输入单输出方案；(c)图为分阶段多输出单输入方案。

上述多输入多输出，表示只需训练一个神经网络，然而，输入参数为多个，本实施例中，输入参数为五个结构参数；输出也是多个，本实施例中为六项输入模型参数。

上述多输入单输出，表示训练神经网络的个数与输入模型参数个数相同，针对每个输入模型参数建立一个神经网络，六项输入模型参数对应六个神经网络。每个神经网络的输入参数均为五个结构参数，输出为对应的单个输入模型参数。

上述分阶段多输入单输出，表示训练神经网络的个数与输入模型参数个数相同，

针对每个输入模型参数建立一个神经网络，六项输入模型参数对应六个神经网络。与多输入单输出不同的是，按照顺序，在预测时，将前一个神经网络的输出加到第二个神经网络的输入，也就是说6个神经网络的输入参数的个数分别是5、6、7、8、9、10。然后这个预测的先后顺序是根据参数提取的顺序来的，因为在参数提取的时候，前一个步骤提取出的输入模型参数有可能对后一个输入模型参数有影响。所以，在预测时也按照这个顺序，并且把前一个输出放在后一个的输入，这样预测的准确度更高。事实证明，采用分阶段多输入单输出的方案，更加准确且针对结构参数在训练范围外的结构，也能准确预测。

图5给出针对GaN HEMT的ASM模型参数预测所提出神经网络预测模型参数预测方案神经网络结构图。

步骤44、模型训练：采用步骤42中训练集中的数据对步骤43建立的机器学习回归模型，进行训练，得到机器学习回归模型的权重值。

步骤45、模型验证与测试：采用步骤42中验证集或测试集中的数据，对步骤44完成训练后的机器学习回归模型进行验证或测试。

步骤5、预测输入模型参数：将待仿真半导体器件的结构参数或工艺参数，输入步骤4中建立的机器学习回归模型中，预测得到待仿真半导体器件对应的输入模型参数。

本实施例中，半导体器件IGBT与GaN HEMT的输入模型参数预测方法，优选为：

步骤51、数据处理：将待仿真半导体器件的结构参数或工艺参数进行标准化或归一化处理。

步骤52、预测：将步骤51数据处理后的待仿真半导体器件的结构参数或工艺参数，输入步骤4中建立的机器学习回归模型中，预测得到待仿真半导体器件对应的输入模型参数。

步骤53、反向数据处理：将步骤52预测得到的输入模型参数反标准化或反归一化，进而得到仿真模型的输入模型参数。

步骤6、电学特性仿真：将步骤5预测得到的输入模型参数，代入步骤1建立的仿真模型中，并采用仿真模型对待仿真半导体器件进行电学特性的仿真。

本发明的半导体器件电学特性仿真方法，基于机器学习和可靠的模型，给定器件的结构参数或工艺参数，能够快速的对半导体器件电学特性进行仿真，此方法将提高仿真效率，为设计者提供更好的指导。

本实施例中，针对IGBT，以给定两组不同结构IGBT为例，表3给出了两组IGBT的结构参数。将两组结构参数输入神经网络中预测出Hefner模型参数，再在电路仿真软件中调用模型并将参数代入，进行仿真获取器件电学特性。

表3两组不同IGBT的结构参数

本实施例中，针对GaN HEMT，以给定一组GaN HEMT为例，表4给出了其结构参数。将结构参数输入神经网络中预测出ASM模型参数，再在电路仿真软件中调用模型并将参数代入，进行仿真获取器件电学特性。

表4一组GaN HEMT的结构参数

图6给出在电路仿真软件中对两个不同结构IGBT(分别为IGBT1和IGBT2)的输出特性曲线的仿真结果。图6中左边三个图是同一个IGBT(IGBT1)的输出特性曲线；其中，(a)图、(b)图和(c)图分别对应图4中的(a)、(b)、(c)三种神经网络预测模型。

图6右边三个图是IGBT2的输出特性曲线；其中，(d)图、(e)图和(f)图分别对应图4中的(a)、(b)、(c)三种神经网络预测模型。

上述IGBT1与IGBT2的区别：IGBT1的结构参数都在训练集范围内，IGBT2的结构参数都在训练集范围外。可以看出分阶段的多输入单输出方案具有良好的外推能力。

从图6可以看出，曲线与TCAD仿真相比高度拟合。三种方案均能有效的进行电学特性仿真，其中分阶段多输入比单输出方案曲线拟合更好，且对于结构参数在训练集范围外的结构仍然具有较高的准确度，这说明分阶段多输入单输出方案具有更高的可拓展性。两组IGBT在TCAD中仿真时间为121.10s与116.05s，而基于ANN与模型的半导体器件电学特性仿真方法分别用时16.5s与12.91s，说明该方法节省了仿真时间并有利于加速器件设计。

图7给出在电路仿真软件中GaN HEMT的输出特性曲线的仿真结果。对应图5中的神经网络模型。

从图7可以看出，曲线与TCAD仿真相比高度拟合，且仿真时间在10秒以内，由于材料特性，TCAD仿真一组GaN HEMT输出特性曲线用时要数十分钟甚至数小时。

综上，本发明的半导体器件电学特性仿真方法，对于IGBT结构和GaN HEMT结构，根据器件的结构参数能够使用神经网络预测出模型参数，再将其代入仿真软件中仿真，实现了基于机器学习与模型的半导体器件电学特性的快速仿真。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

Claims (10)

1.一种基于机器学习和模型的半导体器件电学特性仿真方法，其特征在于：包括如下步骤：

步骤1、确定仿真模型：根据半导体器件的类型，确定用于电路仿真的仿真模型，并确定仿真模型的输入模型参数；

步骤2、确定结构参数或工艺参数：确定对步骤1中输入模型参数具有影响的半导体器件的结构参数或工艺参数；

步骤3、获取数据集：通过仿真或实验的方法，获取从结构参数到输入模型参数或从工艺参数到输入模型参数的数据集；

步骤4、建立机器学习回归模型：根据步骤3获取的数据集，建立机器学习回归模型；机器学习回归模型能根据半导体器件的结构参数或工艺参数，进行步骤1中输入模型参数的预测；

步骤5、预测输入模型参数：将待仿真半导体器件的结构参数或工艺参数，输入步骤4中建立的机器学习回归模型中，预测得到待仿真半导体器件对应的输入模型参数；

步骤6、电学特性仿真：将步骤5预测得到的输入模型参数，代入步骤1确定的仿真模型中，并采用仿真模型对待仿真半导体器件进行电学特性的仿真。

2.根据权利要求1所述的基于机器学习和模型的半导体器件电学特性仿真方法，其特征在于：步骤1中，仿真模型为基本电学性能模型或多物理场耦合模型；半导体器件为场效应晶体管、晶闸管、IGBT或二极管。

3.根据权利要求2所述的基于机器学习和模型的半导体器件电学特性仿真方法，其特征在于：当半导体器件为IGBT时，仿真模型为Hefner模型；当半导体器件为场效应晶体管且为GaN HEMT时，仿真模型为ASM模型。

4.根据权利要求3所述的基于机器学习和模型的半导体器件电学特性仿真方法，其特征在于：对于IGBT的Hefner模型，输入模型参数包括大注入过剩载流子寿命、发射区饱和电子电流、MOSFET饱和区跨导K _p、阈值电压V _t、线性区跨导与饱和区跨导的经验比例因子K _f和横向场跨导因子θ；对于GaN HEMT的ASM模型，输入模型参数包括与静态特性相关的截止电压V _off、亚阈值摆幅NFACTOR、低场迁移率µ ₀、迁移率退化因子µ _a、沟道长度调制因子λ、饱和速度V _sat、源区接触电阻R _sc和漏区接触电阻R _dc。

5.根据权利要求4所述的基于机器学习和模型的半导体器件电学特性仿真方法，其特征在于：步骤3中，数据集为从结构参数到输入模型参数的数据集；对于IGBT，结构参数包括冶金基区宽度、冶金基区掺杂浓度、沟道长度、沟道掺杂浓度和阳极区掺杂浓度；对于GaNHEMT，结构参数包括栅漏长度、栅源长度、栅长和AlGaN势垒层厚度。

6.根据权利要求4所述的基于机器学习和模型的半导体器件电学特性仿真方法，其特征在于：步骤3中，数据集为从工艺参数到结构参数的数据集或从工艺参数到输入模型参数的数据集；

其中，对于IGBT，工艺参数为离子注入工艺参数、氧化扩散工艺参数、光刻工艺参数、腐蚀工艺参数和金属化工艺参数中的一种或组合；对于GaN HEMT，工艺参数为PECVD参数、刻蚀参数、光刻参数、电子束蒸发参数和溅射参数中的一种或组合。

7.根据权利要求1所述的基于机器学习和模型的半导体器件电学特性仿真方法，其特征在于：步骤3中，通过仿真或实验获取数据集的方法，包括如下步骤：

步骤31、确定半导体器件结构参数或工艺参数的变化范围；

步骤 32、确定结构参数：通过工艺仿真或实验实现不同工艺参数情况下的半导体器件，并提取步骤2中确定的结构参数；

步骤33、获取电学特性曲线：通过仿真或实验获得具有不同结构参数或工艺参数的半导体器件的电学特性曲线；

步骤34、提取输入模型参数：按照模型参数提取方法或使用参数提取工具，从步骤33中获得的电学特性曲线中提取半导体器件对应的输入模型参数；

步骤35、形成数据集，具体为：

A、将步骤32中每个半导体器件的工艺参数与结构参数一一对应，形成工艺参数到结构参数的数据集；

B、将步骤32中每个半导体器件的工艺参数与步骤34提取的输入模型参数一一对应，形成工艺参数到输入模型参数的数据集；

C、将步骤32中每个半导体器件的结构参数与步骤34提取的输入模型参数一一对应，形成结构参数到输入模型参数的数据集。

8.根据权利要求1所述的基于机器学习和模型的半导体器件电学特性仿真方法，其特征在于：步骤4中，机器学习回归模型的建立方法为深度神经网络、高斯过程回归、支持向量机、线性回归、逻辑回归、Lasso回归和CART回归树中的一种或组合。

9.根据权利要求1所述的基于机器学习和模型的半导体器件电学特性仿真方法，其特征在于：步骤4中，机器学习回归模型建立的具体方法，包括如下步骤：

步骤41、数据集分类：将步骤3所获取的数据集按照设定比例分为训练集、验证集与测试集；其中，训练集用于训练机器学习模型；验证集用于调整训练过程中的权重值；测试集用于测试机器学习模型；

步骤42、数据处理：将训练集、验证集与测试集中的数据均进行标准化或归一化处理；

步骤43、建立机器学习回归模型：选择并建立机器学习回归模型；机器学习回归模型的输出参数为半导体器件仿真模型的输入模型参数；机器学习回归模型的输入参数为半导体器件的工艺参数或结构参数；

步骤44、模型训练：采用步骤42中训练集中的数据对步骤43建立的机器学习回归模型，进行训练，得到机器学习回归模型的权重值；

步骤45、模型验证与测试：采用步骤42中验证集或测试集中的数据，对步骤44完成训练后的机器学习回归模型进行验证或测试。

10.根据权利要求1所述的基于机器学习和模型的半导体器件电学特性仿真方法，其特征在于：步骤5中，半导体器件的输入模型参数预测方法：

步骤51、数据处理：将待仿真半导体器件的结构参数或工艺参数进行标准化或归一化处理；

步骤52、预测：将步骤51数据处理后的待仿真半导体器件的结构参数或工艺参数，输入步骤4中建立的机器学习回归模型中，预测得到待仿真半导体器件对应的输入模型参数；

步骤53、反向数据处理：将步骤52预测得到的输入模型参数反标准化或反归一化，进而得到仿真模型的输入模型参数。

Images