CN115015731A - 器件击穿电压确定方法、装置、芯片、电子设备及介质 - Google Patents

器件击穿电压确定方法、装置、芯片、电子设备及介质 Download PDF

Info

Publication number
CN115015731A
CN115015731A CN202210944521.7A CN202210944521A CN115015731A CN 115015731 A CN115015731 A CN 115015731A CN 202210944521 A CN202210944521 A CN 202210944521A CN 115015731 A CN115015731 A CN 115015731A
Authority
CN
China
Prior art keywords
determining
breakdown voltage
item
period
algorithm
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.)
Granted
Application number
CN202210944521.7A
Other languages
English (en)
Other versions
CN115015731B (zh
Inventor
赵东艳
付振
梁英宗
王于波
陈燕宁
张东嵘
成睿琦
王凯
杨剑
杜艳
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.)
State Grid Corp of China SGCC
Beijing Smartchip Microelectronics Technology Co Ltd
Marketing Service Center of State Grid Shandong Electric Power Co Ltd
Beijing Core Kejian Technology Co Ltd
Original Assignee
State Grid Corp of China SGCC
Beijing Smartchip Microelectronics Technology Co Ltd
Marketing Service Center of State Grid Shandong Electric Power Co Ltd
Beijing Core Kejian Technology Co Ltd
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 State Grid Corp of China SGCC, Beijing Smartchip Microelectronics Technology Co Ltd, Marketing Service Center of State Grid Shandong Electric Power Co Ltd, Beijing Core Kejian Technology Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210944521.7A priority Critical patent/CN115015731B/zh
Publication of CN115015731A publication Critical patent/CN115015731A/zh
Application granted granted Critical
Publication of CN115015731B publication Critical patent/CN115015731B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/26—Testing of individual semiconductor devices
    • G01R31/2601—Apparatus or methods therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/14—Measuring as part of the manufacturing process for electrical parameters, e.g. resistance, deep-levels, CV, diffusions by electrical means
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps

Abstract

本公开涉及半导体技术领域，具体涉及一种器件击穿电压确定方法、装置、芯片、电子设备及介质，所述器件击穿电压确定方法包括：获取器件在不同条件下的多条击穿电压特性曲线；获取所述多条击穿电压特性曲线对应的时间序列数据Y；基于普雷斯科特HP滤波法对所述时间序列数据Y进行滤波，得到所述时间序列数据Y中的周期项C；基于匹配算法确定所述周期项C的特征点；基于所述特征点确定所述器件击穿电压的置信区间。采用本公开实施例的技术方案，能够解决现有技术中人工提取击穿电压参数时效率低、误差大的技术问题，实现了器件击穿电压的自动提取，提取效率高、精度高。

Description

器件击穿电压确定方法、装置、芯片、电子设备及介质
技术领域
本公开涉及半导体技术领域，具体涉及一种器件击穿电压确定方法、装置、芯片、电子设备及介质。
背景技术
齐纳二极管（Zener Diode）也称稳压二极管，专门被设计工作于崩溃区，具有良好的功率散逸，可以当作电压参考或定电压组件。在齐纳二极管的器件设计过程中，实际流片前需要采用半导体工艺模拟以及器件仿真工具（Technology Computer Aided Design，TCAD）对制造器件过程中所涉及到的大量工艺参数进行拉偏仿真，并基于仿真计算结果筛选出最优的工艺参数。目前在筛选最优工艺条件时，需要人工处理大量仿真计算结果，例如量测击穿电压曲线并提取出击穿电压Vz。该过程工作负荷大又不可避免地引入人为误差，导致提取出的击穿电压Vz不准确，从而影响到最优工艺方案的筛选。
同时，为了电参数表征和性能评估，流片后的齐纳二极管也需要量测击穿电压曲线并提取出击穿电压Vz，该过程仍然涉及大量人工处理数据，耗时长又引入误差。
发明内容
为了解决相关技术中的问题，本公开实施例提供一种器件击穿电压确定方法、装置、芯片、电子设备及介质。
第一方面，本公开实施例中提供了一种器件击穿电压确定方法，包括：
获取器件在不同条件下的多条击穿电压特性曲线；
获取所述多条击穿电压特性曲线对应的时间序列数据Y；
基于普雷斯科特HP滤波法对所述时间序列数据Y进行滤波，得到所述时间序列数据Y中的周期项C；
基于匹配算法确定所述周期项C的特征点；
基于所述特征点确定所述器件击穿电压的置信区间。
根据本公开的实施例，所述获取器件在不同工艺条件下的多条击穿电压特性曲线，包括：
通过仿真和/或测量获取器件在不同工艺条件下的多条击穿电压特性曲线。
根据本公开的实施例，所述器件为齐纳二极管。
根据本公开的实施例，所述获取所述多条击穿电压特性曲线对应的时间序列数据Y，包括：
提取所述多条击穿电压特性曲线中的特征参数，构成初始时间序列数据，所述特征参数至少包括所述器件的电压值；
对所述初始时间序列数据进行插值，得到等时间间隔的时间序列数据Y。
根据本公开的实施例，所述特征参数还包括所述器件的电压值和/或所述击穿电压特性曲线对应的工艺条件。
根据本公开的实施例，所述基于普雷斯科特HP滤波法对所述时间序列数据Y进行滤波，得到所述时间序列数据Y中的周期项C，包括：
基于公式Y=[I+λF]G确定所述时间序列数据Y的趋势项G，其中，I为单位矩阵，F为系数矩阵，λ为平滑指数，λ≥0；
基于公式C=λFG确定所述周期项C。
根据本公开的实施例，所述系数矩阵F通过以下方式确定：
确定所述时间序列数据Y的损失函数M；
根据公式
Figure 825787DEST_PATH_IMAGE001
确定最小损失函数min(M)，其中，yt为所述时间序列数据Y中的数据项，Y={y1，y2……yT}，gt 为所述趋势项G中的数据项，G={g1，g2……gT}，T为时间序列数据中的最大时间值；
基于上述最小损失函数min(M)确定公式对g1、g2、……、gT的一阶导数确定所述系数矩阵
Figure 70823DEST_PATH_IMAGE002
。
根据本公开的实施例，所述匹配算法包括以下中的至少一项：
平均绝对差算法MAD、绝对误差和算法SAD、误差平方和算法SSD、平均误差平方和算法MSD、归一化积相关算法NCC、序贯相似性检测算法SSDA、阿达马变换算法SATD。
根据本公开的实施例，当基于所述平均绝对差算法MAD确定所述周期项C的特征点时，包括：
确定所述周期项C的中位数MA；
使用所述周期项C减去所述中位数MA并取绝对值得到变量CB；
确定所述变量CB的中位数MMA；
当所述变量CB满足预设分布条件时，确定所述变量CB的置信区间[a，b] ；
确定所述周期项C中未落入所述置信区间[a，b]的数据为所述特征点。
根据本公开的实施例，所述预设分布条件包括以下中的至少之一：
指数分布、正态分布、卡方分布、t分布和F分布；
所述确定所述变量CB的置信区间[a，b]，包括：
根据预设的置信度确定所述置信区间[a，b]。
根据本公开的实施例，所述预设的置信度大于等于90%，并小于等于99%。
根据本公开的实施例，还包括：
基于前向分析法确定所述周期项C的多个区间；
基于所述匹配算法确定各区间特征点；
基于各区间特征点，确定所述周期项C的特征点。
根据本公开的实施例，所述基于前向分析法分区间确定所述周期项C的各区间特征点，包括：
对数据长度为n周期项C，以k为步长，i为区间长度，分区间确定所述周期项C的各区间特征点；其中，k为正整数，i≤n。
根据本公开的实施例，所述不同条件包括不同的工艺条件。
第二方面，本公开实施例中提供了一种器件击穿电压确定装置，包括：
第一获取模块，被配置为获取器件在不同条件下的多条击穿电压特性曲线；
第二获取模块，被配置为获取所述多条击穿电压特性曲线对应的时间序列数据Y；
滤波模块，被配置为基于普雷斯科特HP滤波法对所述时间序列数据Y进行滤波，得到所述时间序列数据Y中的周期项C；
匹配模块，被配置为基于匹配算法确定所述周期项C的特征点；
确定模块，被配置为基于所述特征点确定所述器件击穿电压的置信区间。
根据本公开的实施例，所述获取器件在不同工艺条件下的多条击穿电压特性曲线，包括：
通过仿真和/或测量获取器件在不同工艺条件下的多条击穿电压特性曲线。
根据本公开的实施例，所述器件为齐纳二极管。
根据本公开的实施例，所述获取所述多条击穿电压特性曲线对应的时间序列数据Y，包括：
提取所述多条击穿电压特性曲线中的特征参数，构成初始时间序列数据，所述特征参数至少包括所述器件的电压值；
对所述初始时间序列数据进行插值，得到等时间间隔的时间序列数据Y。
根据本公开的实施例，所述特征参数还包括所述器件的电压值和/或所述击穿电压特性曲线对应的工艺条件。
根据本公开的实施例，所述基于普雷斯科特HP滤波法对所述时间序列数据Y进行滤波，得到所述时间序列数据Y中的周期项C，包括：
基于公式Y=[I+λF]G确定所述时间序列数据Y的趋势项G，其中，I为单位矩阵，F为系数矩阵，λ为平滑指数，λ≥0；
基于公式C=λFG确定所述周期项C。
根据本公开的实施例，所述系数矩阵F通过以下方式确定：
确定所述时间序列数据Y的损失函数M；
根据公式
Figure 381719DEST_PATH_IMAGE003
确定最小损失函数min(M)，其中，yt为所述时间序列数据Y中的数据项，Y={y1，y2……yT}，gt 为所述趋势项G中的数据项，G={g1，g2……gT}，T为时间序列数据中的最大时间值；
基于上述最小损失函数min(M)确定公式对g1、g2、……、gT的一阶导数确定所述系数矩阵
Figure 58819DEST_PATH_IMAGE004
。
根据本公开的实施例，所述匹配算法包括以下中的至少一项：
平均绝对差算法MAD、绝对误差和算法SAD、误差平方和算法SSD、平均误差平方和算法MSD、归一化积相关算法NCC、序贯相似性检测算法SSDA、阿达马变换算法SATD。
根据本公开的实施例，当基于所述平均绝对差算法MAD确定所述周期项C的特征点时，包括：
确定所述周期项C的中位数MA；
使用所述周期项C减去所述中位数MA并取绝对值得到变量CB；
确定所述变量CB的中位数MMA；
当所述变量CB满足预设分布条件时，确定所述变量CB的置信区间[a，b] ；
确定所述周期项C中未落入所述置信区间[a，b]的数据为所述特征点。
根据本公开的实施例，所述预设分布条件包括以下中的至少之一：
指数分布、正态分布、卡方分布、t分布和F分布；
所述确定所述变量CB的置信区间[a，b]，包括：
根据预设的置信度确定所述置信区间[a，b]。
根据本公开的实施例，所述预设的置信度大于等于90%，并小于等于99%。
根据本公开的实施例，还包括：
基于前向分析法确定所述周期项C的多个区间；
基于所述匹配算法确定各区间特征点；
基于各区间特征点，确定所述周期项C的特征点。
根据本公开的实施例，所述基于前向分析法分区间确定所述周期项C的各区间特征点，包括：
对数据长度为n周期项C，以k为步长，i为区间长度，分区间确定所述周期项C的各区间特征点；其中，k为正整数，i≤n。
根据本公开的实施例，所述不同条件包括不同的工艺条件。
第三方面，本公开实施例提供了一种芯片，所述芯片包括如第二方面任一项所述的装置。
第四方面，本公开实施例提供了一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如第一方面任一项所述的方法。
第五方面，本公开实施例中提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现如第一方面所述的方法。
根据本公开实施例提供的技术方案，通过获取器件在不同条件下的多条击穿电压特性曲线，获取所述多条击穿电压特性曲线对应的时间序列数据Y，基于普雷斯科特HP滤波法对所述时间序列数据Y进行滤波，得到所述时间序列数据Y中的周期项C，基于匹配算法确定所述周期项C的特征点，基于所述特征点确定所述器件击穿电压的置信区间，解决了现有技术中人工提取击穿电压参数时效率低、误差大的技术问题，实现了器件击穿电压的自动提取，提取效率高、精度高。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中。
图1示出根据本公开实施例的器件击穿电压确定方法的流程图。
图2A示出根据本公开实施例的齐纳二极管的击穿电压特性曲线的示意图。
图2B示出根据本公开实施例确定的齐纳二极管的击穿电压特征点的示意图。
图3示出根据本公开实施例的基于前向分析法确定所述周期项C的各区间特征点的流程图。
图4示出根据本公开实施例的器件击穿电压确定装置的结构框图。
图5示出根据本公开的实施例的电子设备的结构框图。
图6示出适于用来实现根据本公开实施例的方法的计算机系统的结构示意图。
具体实施方式
下文中，将参考附图详细描述本公开的示例性实施例，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施例无关的部分。
在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
在本公开中，如涉及对用户信息或用户数据的获取操作或向他人展示用户信息或用户数据的操作，则所述操作均为经用户授权、确认，或由用户主动选择的操作。
上文提及，齐纳二极管的器件设计过程中，实际流片前需要采用半导体工艺模拟以及器件模拟工具（Technology Computer Aided Design，TCAD）对器件进行大量工艺参数拉偏仿真，并基于仿真计算结果筛选出最优的工艺条件。目前在筛选最优工艺条件时，需要人工处理大量仿真计算结果，例如量测击穿电压曲线并提取出击穿电压Vz。该过程工作负荷大同时不可避免地引入人为误差，导致提取出的击穿电压Vz不准确，从而影响到最优工艺方案的筛选。同时，流片后的齐纳二极管也需要进行电参数表征和性能评估，同样需要确定齐纳二极管的击穿电压，此时仍然涉及大量器件击穿电压参数的提取，人工处理数据耗时长，也会引入不必要的误差。
鉴于此，本公开实施例提供一种器件击穿电压确定方法、装置、芯片、电子设备及介质，通过获取器件在不同条件下的多条击穿电压特性曲线，获取所述多条击穿电压特性曲线对应的时间序列数据Y，基于普雷斯科特HP滤波法对所述时间序列数据Y进行滤波，得到所述时间序列数据Y中的周期项C，基于匹配算法确定所述周期项C的特征点，基于所述特征点确定所述器件击穿电压的置信区间，解决了现有技术中人工提取击穿电压参数时效率低、误差大的技术问题，实现了器件击穿电压的自动提取，提取效率高、精度高。
图1示出根据本公开的实施例的器件击穿电压确定方法的流程图。如图1所示，所述器件击穿电压确定方法包括以下步骤S101 - S105：
在步骤S101中，获取器件在不同工艺条件下的多条击穿电压特性曲线；
在步骤S102中，获取所述多条击穿电压特性曲线对应的时间序列数据Y；
在步骤S103中，基于普雷斯科特HP滤波法对所述时间序列数据Y进行滤波，得到所述时间序列数据Y中的周期项C；
在步骤S104中，基于匹配算法确定所述周期项C的特征点；
在步骤S105中，基于所述特征点确定所述器件击穿电压的置信区间。
根据本公开实施例，所述器件可以是半导体器件，例如横向双扩散金属氧化物半导体（Laterally Diffused Metal Oxide Semiconductor，LDMOS）、齐纳二极管（ZenerDiode）等需要提取对击穿电压的器件，为方便描述，下文以所述器件为齐纳二极管为例进行说明。相关技术中提取器件击穿电压时，通常首先通过仿真或测试得到器件的电流-电压特性曲线，所述电流-电压特性曲线包括器件在击穿状态时的电流-电压特性曲线；然后通过人工统计分析从所述电流-电压特性曲线中提取出器件的击穿电压。由于上述人工统计分析的方法效率低、误差大，因此本公开提出基于普雷斯科特（Hodrick Prescott，HP）滤波法和匹配算法自动确定器件击穿电压的方法。
根据本公开实施例，首先可以通过仿真或者测试得到齐纳二极管在不同条件下的多条的电流-电压特性曲线，所述不同条件可以包括不同的工艺条件，例如掺杂浓度、热扩散温度和时间、离子注入能量和剂量、结构尺寸参数等，或者环境条件，或者其他能够影响齐纳二极管击穿电压的条件。接下来，可以选取所述电流-电压特性曲线中能够体现击穿电压特性的部分曲线作为器件的击穿电压特性曲线，对齐纳二极管而言，可以选取反向偏置时的电流-电压特性曲线作为其击穿电压特性曲线，所述击穿电压特性曲线可以如图2A所示，其至少包括齐纳二极管反向开启工作区对应的第一陡峭部分、反向饱和工作区对应的平缓部分和反向击穿工作区对应的第二陡峭部分。
根据本公开实施例，在获取器件的多条击穿电压特性曲线后，可以进一步获取所述多条击穿电压特性曲线对应的时间序列数据 Y。具体地，可以提取所述多条击穿电压特性曲线中的特征参数，构成初始时间序列数据，其中，所述特征参数至少包括所述器件的电压值，在某些实施方式中，还可以包括器件的电流值、条件参数以及时间参数等。由于仿真或测试得到的电流-电压特性曲线并非等时间间隔曲线，因此上述得到的初始时间序列数据也非等时间间隔数据，因而还可以对所述初始时间序列数据进行预处理，例如进行插值处理，以获得等时间间隔的时间序列数据Y。
根据本公开实施例，在获取所述等时间间隔的时间序列数据Y后，首先基于普雷斯科特HP滤波法对所述时间序列数据Y进行滤波，得到所述时间序列数据Y中的周期项C。具体地，可以利用对称的数据移动平均方法构成HP滤波器，将所述时间序列数据Y分为周期项C和趋势项G两部分，其中趋势项G主要由噪声构成，需要滤除。所述基于普雷斯科特HP滤波法对所述时间序列数据Y进行滤波，得到所述时间序列数据Y中的周期项C可以通过以下方式实现：
设所述时间序列数据Y={y1，y2……yT}，所述周期项C={c1，c2……cT}，所述趋势项G={g1，g2……gT}，Y=C+G，t=1，2……T，T为正整数；设滤波器的损失函数为M，
Figure 607612DEST_PATH_IMAGE005
（1）
可以确定M最小时对应的趋势项G为需要滤除的趋势项，即：
Figure 226812DEST_PATH_IMAGE006
（2）
其中，λ为平滑参数，λ越大则时间序列越平滑。若λ=0，则HP滤波退化为最小二乘 法，此时若要M取得最小值，只有yt=gt，即趋势项G为时间序列数据Y本身；当λ趋于无穷大时， 估计得到的趋势项将接近线性函数，这是因为：由于公式（2）中的前半部分
Figure 25004DEST_PATH_IMAGE007
反映 了趋势项G对原时间序列数据Y的跟踪程度，后半部分
Figure 958325DEST_PATH_IMAGE008
反映了趋势项G的光滑程度，此时若要M取得最小 值，需要上述公式（2）的后半部分趋于0，即gt和g(t-1)，g(t-1)和g(t-2)之间应该足够接近，也就 是说，gt、g(t-1)、g(t-2)应该分布在一条直线上。
为求极值，需要对M分别求g1、g2……gT的一阶导数：
Figure 423941DEST_PATH_IMAGE009
，则有 -2（y1-g1）+2λ（g3-2g2+g1）=0,
Figure 197731DEST_PATH_IMAGE010
，则有 -2（y2-g2）+2λ（g4-2g3+g2）-4λ（g3-2g2+g1）=0,
……
Figure 686481DEST_PATH_IMAGE011
，则有 -2（yT-gT）+2λ（gT-2g(T-1)+g(T-2)）=0,
最终得到：
Figure 220231DEST_PATH_IMAGE012
其中，I是单位矩阵，
Figure 478037DEST_PATH_IMAGE013
为系数矩阵，系数矩阵F中每一列的和都 是0，则有Y=[I+λF]G，进而得出周期项
C=λFG。平滑指数λ的值可以根据需要选择，在本公开的一个实施方式中，所述平滑 指数λ可以为
Figure 439040DEST_PATH_IMAGE014
。
根据本公开实施例，在获取所述时间序列数据Y中的周期项C后，可以基于匹配算法确定所述周期项C的特征点，其中，所述匹配算法可以是平均绝对差算法MAD、绝对误差和算法SAD、误差平方和算法SSD、平均误差平方和算法MSD、归一化积相关算法NCC、序贯相似性检测算法SSDA、阿达马变换算法SATD中的任意一种或多种。以采用平均绝对差算法MAD为例，所述基于匹配算法确定所述周期项C的特征点具体包括：确定所述周期项C的中位数MA；使用所述周期项C减去所述中位数MA并取绝对值得到变量CB；确定所述变量CB的中位数MMA；当所述变量CB满足预设分布时，根据预设的置信度确定所述变量CB的置信区间[a，b]；确定所述周期项C中未落入所述置信区间[a，b]的数据为所述特征点。其中，所述预设分布条件包括指数分布、正态分布、卡方分布、t分布和F分布条件中的一种或多种；所述预设的置信度可以根据实际需要进行设置和调整，在本公开的某些实施方式中，可以设置所述预设的置信度大于等于90%，并小于等于99%。当所述置信度设置为较低，例如90%时，筛选获得的特征值较多，但准确度较低，当所述置信度设置为较高，例如99%时，筛选获得的特征值准确度较高，但得到的特征值较少，因此可能会遗漏一些特征值。在一个较优实施方式中，所述置信度可以设置为95%，此时可以较好地平衡特征数个数与准确度之间的取舍。
根据本公开实施例，在确定所述周期项C的特征点后，可以基于所述特征点确定所述器件击穿电压的置信区间。具体地，在确定所述周期项C的特征点后，首先需要进行异常特征点的排除，这是因为通过匹配算法确定出的周期项C的特征点中，既包括击穿电压构成的特征点，也包含一些其他的例如噪声导致的特征点，或器件其他工作区域带来的特征点，这些其他的特征点并非本公开技术方案需要的目标特征点，需要将其进行排除。在本公开的某些实施方式中，可以通过判断特征点的电压与其他点位电压之间从差值是否大于第一阈值来确定异常特征点，所述第一阈值可以根据需要设置，此处不做限制。在排除了所述异常特征点后，剩余的特征点构成的区间即可作为器件击穿电压的置信区间。当存在多个特征点时，取特征值的最小值作为击穿电压的置信区间的下限，取特征值的最大值作为击穿电压的置信区间的上限。如图2B所示，在排除了器件工作在反向开启区带来的异常特征点后，确定剩余的周期项C置信区间两端的多个目标特征点中最小值为击穿电压置信区间的下限，最大值为击穿电压置信区间的上限，可以得出该齐纳二极管的击穿电压的置信区间为[6.18，6.47]。
采用本公开实施例的技术方案，通过对器件击穿电压特性曲线对应的时间序列数据Y进行HP滤波得到周期项C，然后基于匹配算法确定所述周期项C的特征点，进而根据所述特征点确定所述器件击穿电压的置信区间，解决了现有技术中人工提取击穿电压参数时效率低、误差大的技术问题，实现了器件击穿电压的自动提取，提取效率高、精度高。
根据本公开实施例，所述器件击穿电压确定方法还可以包括，基于前向分析Walk-forward法分区间确定所述周期项C的多个区间，基于所述匹配算法确定各区间特征点；基于各区间特征点，确定所述周期项C的特征点。其中，所述基于前向分析法分区间确定所述周期项C的各区间特征点，包括：对数据长度为n周期项C，以k为步长，i为区间长度，分区间确定所述周期项C的各区间特征点；其中，k为正整数，i≤n。图3示出步长k=1时，基于前向分析法确定所述周期项C的各区间特征点的流程图，如图3所示对数据长度为n周期项C，以1为步长，i为区间长度，分别求取所述周期项C中数据项（1，2…i）、（2，3…i+1）……（n-i+1，n-i+2…n）的特征值，然后基于各区间特征点得到所述周期项C的特征点。
采用本公开实施例的技术方案，通过分段提取周期项C的特征值，大幅减少了每次匹配时所处理的数据，且能够并行处理多段数据，加快了数据处理速度；同时，针对每段数据，可以根据需要采用不同的匹配算法，选取不同的分布条件并设置不同的置信度，以使选取的处理方法与各段数据更匹配，从而提升了计算精度。
图4示出根据本公开的实施例的器件击穿电压确定装置的结构框图。其中，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
如图4所示，所述器件击穿电压确定装置400包括第一获取模块410、第二获取模块420、 滤波模块430、匹配模块440和确定模块450。其中，
所述第一获取模块410，被配置为获取器件在不同条件下的多条击穿电压特性曲线；
所述第二获取模块420，被配置为获取所述多条击穿电压特性曲线对应的时间序列数据Y；
所述滤波模块430，被配置为基于普雷斯科特HP滤波法对所述时间序列数据Y进行滤波，得到所述时间序列数据Y中的周期项C；
所述匹配模块440，被配置为基于匹配算法确定所述周期项C的特征点；
所述确定模块450，被配置为基于所述特征点确定所述器件击穿电压的置信区间。
根据本公开实施例，所述器件可以是半导体器件，例如横向双扩散金属氧化物半导体（Laterally Diffused Metal Oxide Semiconductor，LDMOS）、齐纳二极管（ZenerDiode）等需要提取对击穿电压的器件，为方便描述，下文以所述器件为齐纳二极管为例进行说明。相关技术中提取器件击穿电压时，通常首先通过仿真或测试得到器件的电流-电压特性曲线，所述电流-电压特性曲线包括器件在击穿状态时的电流-电压特性曲线；然后通过人工统计分析从所述电流-电压特性曲线中提取出器件的击穿电压。由于上述人工统计分析的方法效率低、误差大，因此本公开提出基于普雷斯科特（Hodrick Prescott，HP）滤波法和匹配算法自动确定器件击穿电压的方法。
根据本公开实施例，首先可以通过仿真或者测试得到齐纳二极管在不同条件下的多条的电流-电压特性曲线，所述不同条件可以包括不同的工艺条件，例如掺杂浓度、热扩散温度和时间、离子注入能量和剂量、结构尺寸参数等，或者环境条件，或者其他能够影响齐纳二极管击穿电压的条件。接下来，可以选取所述电流-电压特性曲线中能够体现击穿电压特性的部分曲线作为器件的击穿电压特性曲线，对齐纳二极管而言，可以选取反向偏置时的电流-电压特性曲线作为其击穿电压特性曲线，所述击穿电压特性曲线可以如图2A所示，其至少包括齐纳二极管反向开启工作区对应的第一陡峭部分、反向饱和工作区对应的平缓部分和反向击穿工作区对应的第二陡峭部分。
根据本公开实施例，在获取器件的多条击穿电压特性曲线后，可以进一步获取所述多条击穿电压特性曲线对应的时间序列数据 Y。具体地，可以提取所述多条击穿电压特性曲线中的特征参数，构成初始时间序列数据，其中，所述特征参数至少包括所述器件的电压值，在某些实施方式中，还可以包括器件的电流值、条件参数以及时间参数等。由于仿真或测试得到的电流-电压特性曲线并非等时间间隔曲线，因此上述得到的初始时间序列数据也非等时间间隔数据，因而还可以对所述初始时间序列数据进行预处理，例如进行插值处理，以获得等时间间隔的时间序列数据Y。
根据本公开实施例，在获取所述等时间间隔的时间序列数据Y后，首先基于普雷斯科特HP滤波法对所述时间序列数据Y进行滤波，得到所述时间序列数据Y中的周期项C。具体地，可以利用对称的数据移动平均方法构成HP滤波器，将所述时间序列数据Y分为周期项C和趋势项G两部分，其中趋势项G主要由噪声构成，需要滤除。所述基于普雷斯科特HP滤波法对所述时间序列数据Y进行滤波，得到所述时间序列数据Y中的周期项C可以通过以下方式实现：
设所述时间序列数据Y={y1，y2……yT}，所述周期项C={c1，c2……cT}，所述趋势项G={g1，g2……gT}，Y=C+G，t=1，2……T，T为正整数；设滤波器的损失函数为M，
Figure 211824DEST_PATH_IMAGE015
（1）
可以确定M最小时对应的趋势项G为需要滤除的趋势项，即：
Figure 34417DEST_PATH_IMAGE016
（2）
其中，λ为平滑参数，λ越大则时间序列越平滑。若λ=0，则HP滤波退化为最小二乘 法，此时若要M取得最小值，只有yt=gt，即趋势项G为时间序列数据Y本身；当λ趋于无穷大时， 估计得到的趋势项将接近线性函数，这是因为：由于公式（2）中的前半部分
Figure 209047DEST_PATH_IMAGE017
反应 了趋势项G对原时间序列数据Y的跟踪程度，后半部分
Figure 75371DEST_PATH_IMAGE008
反应了趋势项G的光滑程度，此时若要M取得最小 值，需要上述公式（2）的后半部分趋于0，即gt和g(t-1)，g(t-1)和g(t-2)之间应该足够接 近，也就是说，gt、g(t-1)、g(t-2)应该分布在一条直线上。
为求极值，需要对M分别求g1、g2……gT的一阶导数：
Figure 335451DEST_PATH_IMAGE009
，则有 -2（y1-g1）+2λ（g3-2g2+g1）=0,
Figure 636770DEST_PATH_IMAGE018
,则有 -2（y2-g2）+2λ（g4-2g3+g2）-4λ（g3-2g2+g1）=0,
……
Figure 869168DEST_PATH_IMAGE011
,则有 -2（yT-gT）+2λ（gT-2g(T-1)+g(T-2)）=0,
最终得到
Figure 437552DEST_PATH_IMAGE019
其中，I是单位矩阵，
Figure 122612DEST_PATH_IMAGE020
为系数矩阵，系数矩阵F中每一列 的和都是0，则有Y=[I+λF]G，进而得出周期项C=λFG。平滑指数λ的值可以根据需要选择，在 本公开的一个实施方式中，所述平滑指数λ可以为
Figure 51122DEST_PATH_IMAGE021
。
根据本公开实施例，在获取所述时间序列数据Y中的周期项C后，可以基于匹配算法确定所述周期项C的特征点，其中，所述匹配算法可以是平均绝对差算法MAD、绝对误差和算法SAD、误差平方和算法SSD、平均误差平方和算法MSD、归一化积相关算法NCC、序贯相似性检测算法SSDA、阿达马变换算法SATD中的任意一种或多种。以采用平均绝对差算法MAD为例，所述基于匹配算法确定所述周期项C的特征点具体包括：确定所述周期项C的中位数MA；使用所述周期项C减去所述中位数MA并取绝对值得到变量CB；确定所述变量CB的中位数MMA；当所述变量CB满足预设分布时，根据预设的置信度确定所述变量CB的置信区间[a，b]；确定所述周期项C中未落入所述置信区间[a，b]的数据为所述特征点。其中，所述预设分布条件包括指数分布、正态分布、卡方分布、t分布和F分布条件中的一种或多种；所述预设的置信度可以根据实际需要进行设置和调整，在本公开的某些实施方式中，可以设置所述预设的置信度大于等于90%，并小于等于99%。当所述置信度设置为较低，例如90%时，筛选获得的特征值较多，但准确度较低，当所述置信度设置为较高，例如99%时，筛选获得的特征值准确度较高，但得到的特征值较少，因此可能会遗漏一些特征值。在一个较优实施方式中，所述置信度可以设置为95%，此时可以较好地平衡特征数个数与准确度之间的取舍。
根据本公开实施例，在确定所述周期项C的特征点后，可以基于所述特征点确定所述器件击穿电压的置信区间。具体地，在确定所述周期项C的特征点后，首先需要进行异常特征点的排除，这是因为通过匹配算法确定出的周期项C的特征点中，既包括击穿电压构成的特征点，也包含一些其他的例如噪声导致的特征点，或器件其他工作区域带来的特征点，这些其他的特征点并非本公开技术方案需要的目标特征点，需要将其进行排除。在本公开的某些实施方式中，可以通过判断特征点的电压与其他点位电压之间从差值是否大于第一阈值来确定异常特征点，所述第一阈值可以根据需要设置，此处不做限制。在排除了所述异常特征点后，剩余的特征点构成的区间即可作为器件击穿电压的置信区间。当存在多个特征点时，取特征值的最小值作为击穿电压的置信区间的下限，取特征值的最大值作为击穿电压的置信区间的上限。如图2B所示，在排除了器件工作在反向开启区带来的异常特征点后，确定剩余的周期项C置信区间两端的多个目标特征点中最小值为击穿电压置信区间的下限，最大值为击穿电压置信区间的上限，可以得出该齐纳二极管的击穿电压的置信区间为[6.18，6.47]。
采用本公开实施例的技术方案，通过对器件击穿电压特性曲线对应的时间序列数据Y进行HP滤波得到周期项C，然后基于匹配算法确定所述周期项C的特征点，进而根据所述特征点确定所述器件击穿电压的置信区间，解决了现有技术中人工提取击穿电压参数时效率低、误差大的技术问题，实现了器件击穿电压的自动提取，提取效率高、精度高。
根据本公开实施例，所述器件击穿电压确定方法还可以包括，基于前向分析Walk-forward法分区间确定所述周期项C的多个区间，基于所述匹配算法确定各区间特征点；基于各区间特征点，确定所述周期项C的特征点。其中，所述基于前向分析法分区间确定所述周期项C的各区间特征点，包括：对数据长度为n周期项C，以k为步长，i为区间长度，分区间确定所述周期项C的各区间特征点；其中，k为正整数，i≤n。图3示出步长k=1时，基于前向分析法确定所述周期项C的各区间特征点的流程图，如图3所示对数据长度为n周期项C，以1为步长，i为区间长度，分别求取所述周期项C中数据项（1，2…i）、（2，3…i+1）……（n-i+1，n-i+2…n）的特征值，然后基于各区间特征点得到所述周期项C的特征点。
采用本公开实施例的技术方案，通过分段提取周期项C的特征值，大幅减少了每次匹配时所处理的数据，且能够并行处理多段数据，加快了数据处理速度；同时，针对每段数据，可以根据需要采用不同的匹配算法，选取不同的分布条件并设置不同的置信度，以使选取的处理方法与各段数据更匹配，从而提升了计算精度。
本公开还公开了一种电子设备，图5示出根据本公开的实施例的电子设备的结构框图。
如图5所示，所述电子设备包括存储器和处理器，其中，存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现根据本公开的实施例的方法。
在本公开实施例中，所述器件击穿电压确定方法，包括：
获取器件在不同条件下的多条击穿电压特性曲线；
获取所述多条击穿电压特性曲线对应的时间序列数据Y；
基于普雷斯科特HP滤波法对所述时间序列数据Y进行滤波，得到所述时间序列数据Y中的周期项C；
基于匹配算法确定所述周期项C的特征点；
基于所述特征点确定所述器件击穿电压的置信区间。
根据本公开实施例，所述获取器件在不同工艺条件下的多条击穿电压特性曲线，包括：通过仿真和/或测量获取器件在不同工艺条件下的多条击穿电压特性曲线。所述器件为齐纳二极管。所述获取所述多条击穿电压特性曲线对应的时间序列数据 Y，包括：提取所述多条击穿电压特性曲线中的特征参数，构成初始时间序列数据，所述特征参数至少包括所述器件的电压值；对所述初始时间序列数据进行插值，得到等时间间隔的时间序列数据Y。所述特征参数还包括所述器件的电压值和/或所述击穿电压特性曲线对应的工艺条件。所述基于普雷斯科特HP滤波法对所述时间序列数据Y进行滤波，得到所述时间序列数据Y中的周期项C，包括：基于公式Y=[I+λF]G确定所述时间序列数据Y的趋势项G，其中，I为单位矩阵，F为系数矩阵，λ为平滑指数，λ≥0；基于公式C=λFG确定所述周期项C。所述系数矩阵F通过以下方式确定：确定所述时间序列数据Y的损失函数M；根据公式
Figure 138027DEST_PATH_IMAGE022
确定最小损失函数min(M)，中，yt为所述时间序列数据Y中的数据项，Y={y1，y2……yT}，gt为 所述趋势项G中的数据项，G={g1，g2……gT}，T为时间序列数据中的最大时间值；基于上述最 小损失函数min(M)确定公式对g1、g2、……、gT的一阶导数确定所述系数矩阵
Figure 877313DEST_PATH_IMAGE023
。所述匹配算法包括以下中的至少一 项：平均绝对差算法MAD、绝对误差和算法SAD、误差平方和算法SSD、平均误差平方和算法 MSD、归一化积相关算法NCC、序贯相似性检测算法SSDA、阿达马变换算法SATD。当基于所述 平均绝对差算法MAD确定所述周期项C的特征点时，包括：确定所述周期项C的中位数MA；使 用所述周期项C减去所述中位数MA并取绝对值得到变量CB；确定所述变量CB的中位数MMA； 当所述变量CB满足预设分布时，确定所述变量CB的置信区间[a，b] ；确定所述周期项C中未 落入所述置信区间[a，b]的数据为所述特征点。所述预设分布包括以下中的至少之一：指数 分布、正态分布、卡方分布、t分布和F分布；所述确定所述变量CB的置信区间[a，b]，包括：根 据预设的置信度确定所述置信区间[a，b]。所述预设的置信度大于等于90%，并小于等于 99%。所述不同条件包括不同的工艺条件。
采用本公开实施例的技术方案，通过对器件击穿电压特性曲线对应的时间序列数据Y进行HP滤波得到周期项C，然后基于匹配算法确定所述周期项C的特征点，进而根据所述特征点确定所述器件击穿电压的置信区间，解决了现有技术中人工提取击穿电压参数时效率低、误差大的技术问题，实现了器件击穿电压的自动提取，提取效率高、精度高。
根据本公开实施例，还包括：基于前向分析法分区间确定所述周期项C的多个区间，基于所述匹配算法确定各区间特征点；基于各区间特征点，确定所述周期项C的特征点。所述基于前向分析法分区间确定所述周期项C的各区间特征点，包括：对数据长度为n周期项C，以k为步长，i为区间长度，分区间确定所述周期项C的各区间特征点；其中，k为正整数，i≤n。
采用本公开实施例的技术方案，通过分段提取周期项C的特征值，大幅减少了每次匹配时所处理的数据，且能够并行处理多段数据，加快了数据处理速度；同时，针对每段数据，可以根据需要采用不同的匹配算法，选取不同的分布条件并设置不同的置信度，以使选取的处理方法与各段数据更匹配，从而提升了计算精度。
图6示出适于用来实现根据本公开实施例的方法的计算机系统的结构示意图。
如图6所示，计算机系统包括处理单元，其可以根据存储在只读存储器（ROM）中的程序或者从存储部分加载到随机访问存储器（RAM）中的程序而执行上述实施例中的各种方法。在RAM中，还存储有计算机系统操作所需的各种程序和数据。处理单元、ROM以及RAM通过总线彼此相连。输入/输出（I/O）接口也连接至总线。
以下部件连接至I/O接口：包括键盘、鼠标等的输入部分；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信过程。驱动器也根据需要连接至I/O接口。可拆卸介质，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器上，以便于从其上读出的计算机程序根据需要被安装入存储部分。其中，所述处理单元可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。
特别地，根据本公开的实施例，上文描述的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，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行上述方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中电子设备或计算机系统中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (31)

1.一种器件击穿电压确定方法，其特征在于，包括：
获取器件在不同条件下的多条击穿电压特性曲线；
获取所述多条击穿电压特性曲线对应的时间序列数据Y；
基于普雷斯科特HP滤波法对所述时间序列数据Y进行滤波，得到所述时间序列数据Y中的周期项C；
基于匹配算法确定所述周期项C的特征点；
基于所述特征点确定所述器件击穿电压的置信区间。
2.根据权利要求1所述的方法，其特征在于，所述获取器件在不同工艺条件下的多条击穿电压特性曲线，包括：
通过仿真和/或测量获取器件在不同工艺条件下的多条击穿电压特性曲线。
3.根据权利要求1所述的方法，其特征在于，所述器件为齐纳二极管。
4.根据权利要求1所述的方法，其特征在于，所述获取所述多条击穿电压特性曲线对应的时间序列数据 Y，包括：
提取所述多条击穿电压特性曲线中的特征参数，构成初始时间序列数据，所述特征参数至少包括所述器件的电压值；
对所述初始时间序列数据进行插值，得到等时间间隔的时间序列数据Y。
5.根据权利要求4所述的方法，其特征在于，所述特征参数还包括所述器件的电压值和/或所述击穿电压特性曲线对应的工艺条件。
6.根据权利要求1所述的方法，其特征在于，所述基于普雷斯科特HP滤波法对所述时间序列数据Y进行滤波，得到所述时间序列数据Y中的周期项C，包括：
基于公式Y=[I+λF]G确定所述时间序列数据Y的趋势项G，其中，I为单位矩阵，F为系数矩阵，λ为平滑指数，λ≥0；
基于公式C=λFG确定所述周期项C。
7.根据权利要求6所述的方法，其特征在于，所述系数矩阵F通过以下方式确定：
确定所述时间序列数据Y的损失函数M；
根据公式
Figure 793804DEST_PATH_IMAGE001
确定最小损失函数min(M)，其中，yt为所述时间序列数据Y中的数据项，Y={y1，y2……yT}，gt为所述趋势项G中的数据项，G={g1，g2……gT}，T为时间序列数据中的最大时间值；
基于上述最小损失函数min(M)确定公式对g1、g2、……、gT的一阶导数确定所述系数矩阵
Figure 507682DEST_PATH_IMAGE002
。
8.根据权利要求1所述的方法，其特征在于，所述匹配算法包括以下中的至少一项：
平均绝对差算法MAD、绝对误差和算法SAD、误差平方和算法SSD、平均误差平方和算法MSD、归一化积相关算法NCC、序贯相似性检测算法SSDA、阿达马变换算法SATD。
9.根据权利要求8所述的方法，其特征在于，当基于所述平均绝对差算法MAD确定所述周期项C的特征点时，包括：
确定所述周期项C的中位数MA；
使用所述周期项C减去所述中位数MA并取绝对值得到变量CB；
确定所述变量CB的中位数MMA；
当所述变量CB满足预设分布时，确定所述变量CB的置信区间[a，b] ；
确定所述周期项C中未落入所述置信区间[a，b]的数据为所述特征点。
10.根据权利要求9所述的方法，其特征在于，所述预设分布包括以下中的至少之一：
指数分布、正态分布、卡方分布、t分布和F分布；
所述确定所述变量CB的置信区间[a，b]，包括：
根据预设的置信度确定所述置信区间[a，b]。
11.根据权利要求10所述的方法，其特征在于，所述预设的置信度大于等于90%，并小于等于99%。
12.根据权利要求8-11中任一项所述的方法，其特征在于，还包括：
基于前向分析法确定所述周期项C的多个区间；
基于所述匹配算法确定各区间特征点；
基于各区间特征点，确定所述周期项C的特征点。
13.根据权利要求12所述的方法，其特征在于，所述基于前向分析法分区间确定所述周期项C的各区间特征点，包括：
对数据长度为n周期项C，以k为步长，i为区间长度，分区间确定所述周期项C的各区间特征点；其中，k为正整数，i≤n。
14.根据权利要求1所述的方法，其特征在于，所述不同条件包括不同的工艺条件。
15.一种器件击穿电压确定装置，其特征在于，包括：
第一获取模块，被配置为获取器件在不同条件下的多条击穿电压特性曲线；
第二获取模块，被配置为获取所述多条击穿电压特性曲线对应的时间序列数据Y；
滤波模块，被配置为基于普雷斯科特HP滤波法对所述时间序列数据Y进行滤波，得到所述时间序列数据Y中的周期项C；
匹配模块，被配置为基于匹配算法确定所述周期项C的特征点；
确定模块，被配置为基于所述特征点确定所述器件击穿电压的置信区间。
16.根据权利要求15所述的装置，其特征在于，所述获取器件在不同工艺条件下的多条击穿电压特性曲线，包括：
通过仿真和/或测量获取器件在不同工艺条件下的多条击穿电压特性曲线。
17.根据权利要求15所述的装置，其特征在于，所述器件为齐纳二极管。
18.根据权利要求15所述的装置，其特征在于，所述获取所述多条击穿电压特性曲线对应的时间序列数据 Y，包括：
提取所述多条击穿电压特性曲线中的特征参数，构成初始时间序列数据，所述特征参数至少包括所述器件的电压值；
对所述初始时间序列数据进行插值，得到等时间间隔的时间序列数据Y。
19.根据权利要求18所述的装置，其特征在于，所述特征参数还包括所述器件的电压值和/或所述击穿电压特性曲线对应的工艺条件。
20.根据权利要求15所述的装置，其特征在于，所述基于普雷斯科特HP滤波法对所述时间序列数据Y进行滤波，得到所述时间序列数据Y中的周期项C，包括：
基于公式Y=[I+λF]G确定所述时间序列数据Y的趋势项G，其中，I为单位矩阵，F为系数矩阵，λ为平滑指数，λ≥0；
基于公式C=λFG确定所述周期项C。
21.根据权利要求20所述的装置，其特征在于，所述系数矩阵F通过以下方式确定：
确定所述时间序列数据Y的损失函数M；
根据公式
Figure 21840DEST_PATH_IMAGE003
确定最小损失函数min(M)，其中，yt为所述时间序列数据Y中的数据项，Y={y1，y2……yT}，gt为所述趋势项G中的数据项，G={g1，g2……gT}，T为时间序列数据中的最大时间值；
基于上述最小损失函数min(M)确定公式对g1、g2、……、gT的一阶导数确定所述系数矩阵
Figure 213787DEST_PATH_IMAGE004
。
22.根据权利要求15所述的装置，其特征在于，所述匹配算法包括以下中的至少一项：
平均绝对差算法MAD、绝对误差和算法SAD、误差平方和算法SSD、平均误差平方和算法MSD、归一化积相关算法NCC、序贯相似性检测算法SSDA、阿达马变换算法SATD。
23.根据权利要求22所述的装置，其特征在于，当基于所述平均绝对差算法MAD确定所述周期项C的特征点时，包括：
确定所述周期项C的中位数MA；
使用所述周期项C减去所述中位数MA并取绝对值得到变量CB；
确定所述变量CB的中位数MMA；
当所述变量CB满足预设分布时，确定所述变量CB的置信区间[a，b] ；
确定所述周期项C中未落入所述置信区间[a，b]的数据为所述特征点。
24.根据权利要求23所述的装置，其特征在于，所述预设分布包括以下中的至少之一：
指数分布、正态分布、卡方分布、t分布和F分布；
所述确定所述变量CB的置信区间[a，b]，包括：
根据预设的置信度确定所述置信区间[a，b]。
25.根据权利要求24所述的装置，其特征在于，所述预设的置信度大于等于90%，并小于等于99%。
26.根据权利要求22-25中任一项所述的装置，其特征在于，还包括：
基于前向分析法确定所述周期项C的多个区间；
基于所述匹配算法确定各区间特征点；
基于各区间特征点，确定所述周期项C的特征点。
27.根据权利要求26所述的装置，其特征在于，所述基于前向分析法分区间确定所述周期项C的各区间特征点，包括：
对数据长度为n周期项C，以k为步长，i为区间长度，分区间确定所述周期项C的各区间特征点；其中，k为正整数，i≤n。
28.根据权利要求15所述的装置，其特征在于，所述不同条件包括不同的工艺条件。
29.一种芯片，其特征在于，
所述芯片包括如权利要求15-28中任一项所述的装置。
30.一种电子设备，其特征在于，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现权利要求1-14任一项所述的方法步骤。
31.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1-14任一项所述的方法步骤。
CN202210944521.7A 2022-08-08 2022-08-08 器件击穿电压确定方法、装置、芯片、电子设备及介质 Active CN115015731B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210944521.7A CN115015731B (zh) 2022-08-08 2022-08-08 器件击穿电压确定方法、装置、芯片、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210944521.7A CN115015731B (zh) 2022-08-08 2022-08-08 器件击穿电压确定方法、装置、芯片、电子设备及介质

Publications (2)

Publication Number Publication Date
CN115015731A true CN115015731A (zh) 2022-09-06
CN115015731B CN115015731B (zh) 2022-10-04

Family

ID=83066179

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210944521.7A Active CN115015731B (zh) 2022-08-08 2022-08-08 器件击穿电压确定方法、装置、芯片、电子设备及介质

Country Status (1)

Country Link
CN (1) CN115015731B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040208227A1 (en) * 2001-07-04 2004-10-21 Henning Hauenstein Apparatus and method for measuring operating temperatures of an electrical component
US20100117676A1 (en) * 2008-11-12 2010-05-13 Advanced Micro Devices, Inc. Method and system for non-destructive determination of dielectric breakdown voltage in a semiconductor wafer
CN101995536A (zh) * 2009-08-10 2011-03-30 索尼公司 栅极绝缘膜介质击穿寿命评估方法、评估装置及评估程序
CN103048600A (zh) * 2012-12-05 2013-04-17 电子科技大学 一种半导体器件反向击穿电压测试系统
CN111220890A (zh) * 2020-01-16 2020-06-02 河北工业大学 一种功率半导体器件的参数特性检测装置
CN113960438A (zh) * 2021-08-30 2022-01-21 中国振华集团永光电子有限公司（国营第八七三厂） 一种pn结反向特性曲线合格判别测试系统及其测试方法
CN113990866A (zh) * 2021-12-28 2022-01-28 北京芯可鉴科技有限公司 一种硅控整流器、芯片及电路

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040208227A1 (en) * 2001-07-04 2004-10-21 Henning Hauenstein Apparatus and method for measuring operating temperatures of an electrical component
US20100117676A1 (en) * 2008-11-12 2010-05-13 Advanced Micro Devices, Inc. Method and system for non-destructive determination of dielectric breakdown voltage in a semiconductor wafer
CN101995536A (zh) * 2009-08-10 2011-03-30 索尼公司 栅极绝缘膜介质击穿寿命评估方法、评估装置及评估程序
CN103048600A (zh) * 2012-12-05 2013-04-17 电子科技大学 一种半导体器件反向击穿电压测试系统
CN111220890A (zh) * 2020-01-16 2020-06-02 河北工业大学 一种功率半导体器件的参数特性检测装置
CN113960438A (zh) * 2021-08-30 2022-01-21 中国振华集团永光电子有限公司（国营第八七三厂） 一种pn结反向特性曲线合格判别测试系统及其测试方法
CN113990866A (zh) * 2021-12-28 2022-01-28 北京芯可鉴科技有限公司 一种硅控整流器、芯片及电路

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BILBAO, A 等: "PSPICE Modeling of Silicon Carbide MOSFETS and Device Parameter Extraction", 《PROCEEDINGS OF THE 2012 IEEE INTERNATIONAL POWER MODULATOR AND HIGH VOLTAGE CONFERENCE》 *
熊印国: "相对变换KFCM的变压器油击穿电压预测", 《控制工程》 *

Also Published As

Publication number Publication date
CN115015731B (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
Berry et al. Adaptive ensemble Kalman filtering of non-linear systems
Sznitman et al. Active testing for face detection and localization
US10613960B2 (en) Information processing apparatus and information processing method
CN106157330B (zh) 一种基于目标联合外观模型的视觉跟踪方法
CN110288003B (zh) 数据变化识别方法及设备
Frey et al. Most powerful rank tests for perfect rankings
CN108920419B (zh) 基于单参数的分数阶Fourier逆变换分级扫描方法
CN115015731B (zh) 器件击穿电压确定方法、装置、芯片、电子设备及介质
CN114266457A (zh) 一种配电线路异损诱因检测的方法
CN113887866A (zh) 一种人居环境评价指数的生成方法以及装置
CN117314016A (zh) 基于bim技术的水利工程在线监控方法
Yang et al. Effect of location of explanatory variable on monitoring polynomial quality profiles
CN116309344A (zh) 一种绝缘子异常检测方法、装置、设备和存储介质
Wang et al. Compositional segmentation and complexity measurement in stock indices
CN110647870B (zh) 一种基于滑动窗计算静息态fMRI数据近似熵的方法
CN114861800A (zh) 模型训练方法、概率确定方法、装置、设备、介质及产品
Taufer et al. Optimal predictive densities and fractional moments
CN114356906A (zh) 基于延迟嵌入分析的建筑动态时序数据重构方法及系统
Carrillo et al. Bayesian compressed sensing using generalized Cauchy priors
Zhukov et al. Bin number selection for equidistant mutual information estimaton
CN117540325B (zh) 基于数据变化量捕获的业务数据库异常检测方法及系统
CN117540146A (zh) 一种外来入侵物种调查用样方器及其控制方法
CN117331705B (zh) 一种基于大数据的数据预测分析方法及系统
Turajlic et al. A block-based noise level estimation from X-ray images in SVD domain
CN111754056B (zh) 模型评估方法以及相关装置

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