CN115047236A - Mos管阈值电压的测量方法 - Google Patents
Mos管阈值电压的测量方法 Download PDFInfo
- Publication number
- CN115047236A CN115047236A CN202210971162.4A CN202210971162A CN115047236A CN 115047236 A CN115047236 A CN 115047236A CN 202210971162 A CN202210971162 A CN 202210971162A CN 115047236 A CN115047236 A CN 115047236A
- Authority
- CN
- China
- Prior art keywords
- threshold voltage
- mos
- mos transistor
- measurement model
- parameter characteristic
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0084—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring voltage only
-
- 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
- G01R31/2607—Circuits therefor
- G01R31/2621—Circuits therefor for testing field effect transistors, i.e. FET's
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明提供一种MOS管阈值电压的测量方法,包括:提供多个MOS管,并获取所有MOS管的初始参数特征值;获取每一MOS管的初始阈值电压;调整MOS管的至少一种初始参数特征值,并获取调整后的MOS管的阈值电压;将调整后的MOS管的参数特征值及对应的阈值电压作为训练集,以训练获得MOS管阈值电压的测量模型;将所有MOS管的初始参数特征值和对应的初始阈值电压作为测试集,以检测MOS管阈值电压的测量模型,直至MOS管阈值电压的测量模型的误差输出值收敛至设定范围内。即本发明通过提取MOS管的参数特征值来表征对阈值电压的影响因素,则可根据所述测量模型和参数特征值直接获取对应的阈值电压,不但测量简便,有助于提高MOS管阈值电压的批量测量效率,而且测量精准度高。
Description
技术领域
本发明涉及半导体技术领域,特别涉及一种MOS管阈值电压的测量方法。
背景技术
金属-氧化物半导体场效应晶体管(Metal-Oxide-Semiconductor Field-EffectTransistor, MOSFE或MOS)是集成电路中常用的功率半导体器件。其中,阈值电压Vt是MOS管的重要性能参数之一。如图1所示,以NMOS管为例,NMOS管具有栅极G、源极S、漏极D和体端B,所述体端B与衬底相接。其中,在NMOS管的栅极G施加正电压Vgs,则与所述栅极G位置相对的衬底内会感应出等量的负电荷。即,源极S和漏极D之间的衬底内聚集负电荷。随着Vgs的增大,所述衬底内感应出的负电荷的数量在逐渐上升,且可自由运动的电子数量也越来越多,当可运动的电子的数量积累到一定数量时,NMOS管由耗尽向反型转变,源漏极之间临界导通时的栅电压Vgs即为阈值电压Vt。
现有的获取MOS管阈值电压的方法一般是基于I-V特性曲线测量上的恒定电流法、线性区法、最大跨导法等量出阈值电压。然而,影响MOS管阈值电压的参数有很多,例如栅介质层ox的厚度以及电荷性质、栅极的掺杂、衬底的偏置电压、环境温度等。这些参数的不同,会直接影响到阈值电压的大小,则现有的测量方法很难批量检测具有不同参数的MOS管的阈值电压,检测效率低。
因此,需要一种新的MOS管阈值电压的测量方法,以提高检测精度和检测效率。
发明内容
本发明的目的在于提供一种MOS管阈值电压的测量方法,以解决如何提高MOS管阈值电压检测精度,以及如何提高MOS管阈值电压批量检测效率中的至少一个问题。
为解决上述技术问题,本发明提供一种MOS管阈值电压的测量方法,包括:
提供多个MOS管,并获取所有所述MOS管的初始参数特征值;
获取每一所述MOS管的初始阈值电压;
调整所述MOS管的至少一种所述初始参数特征值,并获取调整后的所述MOS管的阈值电压;
将调整后的所述MOS管的参数特征值及对应的阈值电压作为训练集,以训练获得MOS管阈值电压的测量模型;以及,将所有所述MOS管的所述初始参数特征值和对应的所述初始阈值电压作为测试集,以检测所述MOS管阈值电压的测量模型,直至所述MOS管阈值电压的测量模型的误差输出值收敛至设定范围内。
可选的,在所述的MOS管阈值电压的测量方法中,提供多个所述MOS管,并对每一所述MOS管进行编号;其中,每一所述MOS管的编号及对应的所述初始参数特征值和所述初始阈值电压组成第一特征向量;所述测试集包括多个所述第一特征向量。
可选的,在所述的MOS管阈值电压的测量方法中,每一所述MOS管的编号及对应的调整后的参数特征值和调整后的阈值电压组成第二特征向量;所述训练集包括多个所述第二特征向量。
可选的,在所述的MOS管阈值电压的测量方法中,将多个所述第二特征向量输入至线性神经网络模型中,以训练出所述MOS管阈值电压的测量模型。
可选的,在所述的MOS管阈值电压的测量方法中,将多个所述第一特征向量输入至所述MOS管阈值电压的测量模型,并判断所述MOS管阈值电压的测量模型的误差输出值是否在设定范围内,如否,将多个所述第一特征向量和多个所述第二特征向量输入至所述线性神经网络模型重新训练出所述MOS管阈值电压的测量模型,直至所述MOS管阈值电压的测量模型的所述误差输出值收敛至设定范围内。
可选的,在所述的MOS管阈值电压的测量方法中,所述初始参数特征值包括MOS管中的栅介质层的厚度、衬底掺杂浓度以及环境温度。
可选的,在所述的MOS管阈值电压的测量方法中,提供多个所述MOS管,且至少部分个所述MOS管中的所述栅介质层的厚度不同。
可选的,在所述的MOS管阈值电压的测量方法中,所述调整所述MOS管的至少一种所述初始参数特征值,并获取调整后的所述MOS管的阈值电压的过程至少包括:
对具有相同厚度的所述栅介质层的多个所述MOS管逐一改变所述衬底掺杂浓度或所述环境温度,并分别获取对应的所述MOS管的阈值电压;
以及,在相同的所述衬底掺杂浓度或所述环境温度下,分别获取具有不同厚度的所述栅介质层的多个所述MOS管的阈值电压。
可选的,在所述的MOS管阈值电压的测量方法中,采用恒定电流法或最大跨导法获取所述MOS管的初始阈值电压以及调整后的阈值电压。
可选的,在所述的MOS管阈值电压的测量方法中,在获得所述MOS管阈值电压的测量模型之后,输入MOS管的特征参数值至所述MOS管阈值电压的测量模型,以生成所述MOS管的阈值电压。
综上所述,本发明提供一种MOS管阈值电压的测量方法,包括:提供多个MOS管,并获取所有所述MOS管的初始参数特征值;获取每一所述MOS管的初始阈值电压;调整所述MOS管的至少一种所述初始参数特征值,并获取调整后的所述MOS管的阈值电压;将调整后的所述MOS管的参数特征值及对应的阈值电压作为训练集,以训练获得MOS管阈值电压的测量模型;以及,将所有所述MOS管的所述初始参数特征值和对应的所述初始阈值电压作为测试集,以检测所述MOS管阈值电压的测量模型,直至所述MOS管阈值电压的测量模型的误差输出值收敛至设定范围内。基于此,本发明通过提取所述MOS管的参数特征值来表征对阈值电压的影响因素,并经大量数据训练生成所述MOS管阈值电压的测量模型,则可根据所述MOS管的参数特征值直接获取对应的阈值电压。相较于直接测量获取阈值电压,本发明提供的阈值电压的获取方法更为简便,有助于提高所述MOS管阈值电压的批量测量效率,且精准度高。
附图说明
图1是现有技术中的MOS管的结构示意图。
图2是本发明实施例中的MOS管阈值电压的测量方法的流程图。
其中,附图标记为:
G-栅极;D-漏极;S-源极;B-体端;ox-栅介质层。
具体实施方式
为使本发明的目的、优点和特征更加清楚,以下结合附图和具体实施例对本发明作进一步详细说明。需说明的是,附图均采用非常简化的形式且未按比例绘制,仅用以方便、明晰地辅助说明本发明实施例的目的。此外,附图所展示的结构往往是实际结构的一部分。特别的,各附图需要展示的侧重点不同,有时会采用不同的比例。还应当理解的是,除非特别说明或者指出,否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等,而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。
请参阅图2,本发明提供一种MOS管阈值电压的测量方法,包括:
步骤一S10:提供多个MOS管,并获取所有所述MOS管的初始参数特征值。
所述MOS管可以为NMOS管或PMOS管。优选的,提供的多个所述MOS管为相同掺杂类别,即均为NMOS管或均为PMOS管。进一步的,至少部分个所述MOS管中的所述栅介质层的厚度不同。例如,选用80个NMOS管,其中20个NMOS管的栅介质层厚度为10埃,20个所述NMOS管的栅介质层厚度为20埃,20个NMOS管的栅介质层厚度为30埃,20个所述NMOS管的栅介质层厚度为40埃。优选的,多个所述MOS管中的所述栅介质层的厚度等比例递增或递减。
进一步的,在选定多个所述MOS管之后,对每一所述MOS管进行编号,以便于针对每一所述MOS管进行数据统计。其中,所述初始参数特征值包括但不限于为栅介质层的厚度、衬底掺杂浓度以及环境温度,还可以为衬底的偏置电压或栅极的掺杂浓度等。其中,经申请人研究发现对所述阈值电压影响最大的为栅介质层的厚度、衬底掺杂浓度以及环境温度这三种因素,以下即以这三种参数特征值为例介绍本实施例提供的所述MOS管阈值电压的测量方法。其中,在选定所述MOS管之后,根据MOS管的工艺参数记载获取每一个所述MOS管的栅介质层的厚度和衬底掺杂浓度。
步骤二S20:获取每一所述MOS管的初始阈值电压。
进一步的,采用用电参数测量设备获取每一所述MOS管的初始阈值电压。优选的,采用恒定电流法或最大跨导法获取所述MOS管的初始阈值电压。以及,在获取所述MOS管的初始阈值电压的同时记录下环境温度。在所有所述MOS管测量完成之后,将每一所述MOS管的编号及对应的所述初始参数特征值和所述初始阈值电压组成第一特征向量。例如:向量A{ n,a , b , c , d },其中,n为所述MOS管的编号,a为所述栅介质层的厚度,b为所述衬底掺杂浓度,c为测量时的环境温度,d为所述阈值电压。多个所述第一特征向量构成一个数据集,以作为测试集。
步骤三S30:调整所述MOS管的至少一种所述初始参数特征值,并获取调整后的所述MOS管的阈值电压。
其中,通过改变所述初始参数特征值的数值,获取不同参数特征值下的所述MOS管的阈值电压,以能够获取不同参数特征值对所述MOS管的阈值电压的影响。进一步的,可以对具有相同厚度的所述栅介质层的多个所述MOS管逐一改变所述衬底掺杂浓度或所述环境温度,并分别获取对应的所述MOS管的阈值电压。例如,选取20个所述栅介质层厚度为30埃的所述NMOS管,并在同一室温下,分别对所述NMOS管的衬底掺杂不同浓度的P型离子,最后测量掺杂后的所述NMOS管的阈值电压。以及,在相同的所述衬底掺杂浓度或所述环境温度下,分别获取具有不同厚度的所述栅介质层的多个所述MOS管的阈值电压。换言之,以所述栅介质层的厚度、衬底掺杂浓度以及环境温度逐一作为变量,测量对应的所述MOS管的阈值电压。在完成调整测量之后,将每一所述MOS管的编号及对应的调整后的参数特征值和调整后的阈值电压组成第二特征向量。多个所述第二特征向量构成一个数据集,以作为训练集。
步骤四S40:将调整后的所述MOS管的参数特征值及对应的阈值电压作为训练集,以训练获得MOS管阈值电压的测量模型;以及,将所有所述MOS管的所述初始参数特征值和对应的所述初始阈值电压作为测试集,以检测所述MOS管阈值电压的测量模型,直至所述MOS管阈值电压的测量模型的误差输出值收敛至设定范围内。
经验证,所述栅介质层越厚,所述MOS管的阈值电压越大;所述衬底掺杂浓度越高,所述MOS管的阈值电压也越大,而当环境温度越高时,所述MOS管的阈值电压的便越小。因此,本实施例选用的训练模型为线性神经网络模型。具体的,先将多个所述第二特征向量输入至线性神经网络模型中,以反复训练出所述MOS管阈值电压的测量模型。为验证所述MOS管阈值电压的测量模型的精准性,将多个所述第一特征向量输入至所述MOS管阈值电压的测量模型,并判断所述MOS管阈值电压的测量模型的误差输出值是否在设定范围内;如是,则表明所述MOS管阈值电压的测量模型满足误差要求。如否,则表明MOS管阈值电压的测量模型不满足误差要求,需要将多个所述第一特征向量和多个所述第二特征向量共同作为训练数据,输入至所述线性神经网络模型重新进行训练,直至获取的所述MOS管阈值电压的测量模型的所述误差输出值收敛至设定范围内。
进一步的,在获得所述MOS管阈值电压的测量模型之后,可通过输入所述MOS管的特征参数值至所述MOS管阈值电压的测量模型中,即可生成对应的所述MOS管的阈值电压,无需在逐一进行测量,检测效率高。
综上所述,本实施例提供的所述MOS管阈值电压的测量方法是通过获取多个所述MOS管的参数特征值和对应的所述阈值电压来作为训练数据库,并利用线性神经网络模型作为训练模型,获得基于多种参数特征值的所述MOS管阈值电压的测量模型。因此,在测量所述MOS管的阈值电压时,可基于所述MOS管阈值电压的测量模型,根据所述MOS管的参数特征值直接获取对应的所述MOS管的阈值电压。相较于直接测量获取阈值电压,本实施例提供的阈值电压的获取方法更为简便,有助于提高所述MOS管阈值电压的批量测量效率,且精准度高。
此外还应该认识到,虽然本发明已以较佳实施例披露如上,然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言,在不脱离本发明技术方案范围情况下,都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围。
Claims (10)
1.一种MOS管阈值电压的测量方法,其特征在于,包括:
提供多个MOS管,并获取所有所述MOS管的初始参数特征值;
获取每一所述MOS管的初始阈值电压;
调整所述MOS管的至少一种所述初始参数特征值,并获取调整后的所述MOS管的阈值电压;
将调整后的所述MOS管的参数特征值及对应的阈值电压作为训练集,以训练获得MOS管阈值电压的测量模型;以及,将所有所述MOS管的所述初始参数特征值和对应的所述初始阈值电压作为测试集,以检测所述MOS管阈值电压的测量模型,直至所述MOS管阈值电压的测量模型的误差输出值收敛至设定范围内。
2.根据权利要求1所述的MOS管阈值电压的测量方法,其特征在于,提供多个所述MOS管,并对每一所述MOS管进行编号;其中,每一所述MOS管的编号及对应的所述初始参数特征值和所述初始阈值电压组成第一特征向量;所述测试集包括多个所述第一特征向量。
3.根据权利要求2所述的MOS管阈值电压的测量方法,其特征在于,每一所述MOS管的编号及对应的调整后的参数特征值和调整后的阈值电压组成第二特征向量;所述训练集包括多个所述第二特征向量。
4.根据权利要求3所述的MOS管阈值电压的测量方法,其特征在于,将多个所述第二特征向量输入至线性神经网络模型中,以训练出所述MOS管阈值电压的测量模型。
5.根据权利要求4所述的MOS管阈值电压的测量方法,其特征在于,将多个所述第一特征向量输入至所述MOS管阈值电压的测量模型,并判断所述MOS管阈值电压的测量模型的误差输出值是否在设定范围内,如否,将多个所述第一特征向量和多个所述第二特征向量输入至所述线性神经网络模型重新训练出所述MOS管阈值电压的测量模型,直至所述MOS管阈值电压的测量模型的所述误差输出值收敛至设定范围内。
6.根据权利要求1所述的MOS管阈值电压的测量方法,其特征在于,所述初始参数特征值包括MOS管中的栅介质层的厚度、衬底掺杂浓度以及环境温度。
7.根据权利要求6所述的MOS管阈值电压的测量方法,其特征在于,提供多个所述MOS管,且至少部分个所述MOS管中的所述栅介质层的厚度不同。
8.根据权利要求7所述的MOS管阈值电压的测量方法,其特征在于,所述调整所述MOS管的至少一种所述初始参数特征值,并获取调整后的所述MOS管的阈值电压的过程至少包括:
对具有相同厚度的所述栅介质层的多个所述MOS管逐一改变所述衬底掺杂浓度或所述环境温度,并分别获取对应的所述MOS管的阈值电压;
以及,在相同的所述衬底掺杂浓度或所述环境温度下,分别获取具有不同厚度的所述栅介质层的多个所述MOS管的阈值电压。
9.根据权利要求1所述的MOS管阈值电压的测量方法,其特征在于,采用恒定电流法或最大跨导法获取所述MOS管的初始阈值电压以及调整后的阈值电压。
10.根据权利要求1所述的MOS管阈值电压的测量方法,其特征在于,在获得所述MOS管阈值电压的测量模型之后,输入MOS管的特征参数值至所述MOS管阈值电压的测量模型,以生成所述MOS管的阈值电压。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210971162.4A CN115047236A (zh) | 2022-08-15 | 2022-08-15 | Mos管阈值电压的测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210971162.4A CN115047236A (zh) | 2022-08-15 | 2022-08-15 | Mos管阈值电压的测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115047236A true CN115047236A (zh) | 2022-09-13 |
Family
ID=83167658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210971162.4A Pending CN115047236A (zh) | 2022-08-15 | 2022-08-15 | Mos管阈值电压的测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115047236A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03122575A (ja) * | 1989-06-09 | 1991-05-24 | Hitachi Ltd | トランジスタの評価方法 |
JPH0629528A (ja) * | 1992-07-13 | 1994-02-04 | Nec Corp | Mos型トランジスタのモデル化方法 |
CN112418431A (zh) * | 2019-08-23 | 2021-02-26 | 三星电子株式会社 | 用于混合模型的方法和系统 |
CN113536661A (zh) * | 2021-06-15 | 2021-10-22 | 西安电子科技大学 | 基于神经网络的tfet器件结构优化和性能预测方法 |
CN114528805A (zh) * | 2022-01-26 | 2022-05-24 | 西安电子科技大学 | 一种基于cnn网络的fdsoi器件电学特性预测方法 |
CN114690015A (zh) * | 2022-05-31 | 2022-07-01 | 江苏东海半导体股份有限公司 | Mos器件的测试方法、装置、系统、设备和存储介质 |
CN114792078A (zh) * | 2022-04-26 | 2022-07-26 | 中国科学院微电子研究所 | 一种提取集成电路器件模型参数的方法和装置 |
-
2022
- 2022-08-15 CN CN202210971162.4A patent/CN115047236A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03122575A (ja) * | 1989-06-09 | 1991-05-24 | Hitachi Ltd | トランジスタの評価方法 |
JPH0629528A (ja) * | 1992-07-13 | 1994-02-04 | Nec Corp | Mos型トランジスタのモデル化方法 |
CN112418431A (zh) * | 2019-08-23 | 2021-02-26 | 三星电子株式会社 | 用于混合模型的方法和系统 |
CN113536661A (zh) * | 2021-06-15 | 2021-10-22 | 西安电子科技大学 | 基于神经网络的tfet器件结构优化和性能预测方法 |
CN114528805A (zh) * | 2022-01-26 | 2022-05-24 | 西安电子科技大学 | 一种基于cnn网络的fdsoi器件电学特性预测方法 |
CN114792078A (zh) * | 2022-04-26 | 2022-07-26 | 中国科学院微电子研究所 | 一种提取集成电路器件模型参数的方法和装置 |
CN114690015A (zh) * | 2022-05-31 | 2022-07-01 | 江苏东海半导体股份有限公司 | Mos器件的测试方法、装置、系统、设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
NIHAN KAHRAMAN等: "THRESHOLD VOLTAGE MODELING USING NEURAL NETWORKS", 《NEURAL NETWORK WORLD》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Romanjek et al. | Improved split CV method for effective mobility extraction in sub-0.1-μm Si MOSFETs | |
US8667440B2 (en) | TCAD emulation calibration method of SOI field effect transistor | |
Mezzomo et al. | Characterization and modeling of transistor variability in advanced CMOS technologies | |
US9086448B2 (en) | Method for predicting reliable lifetime of SOI mosfet device | |
CN102645569B (zh) | Mos器件阈值电压波动性的测量电路及测量方法 | |
CN111368490B (zh) | 横向双扩散晶体管的电路系统及其建模方法 | |
CN110763972B (zh) | Mosfet的阈值电压的测量方法 | |
CN111596137B (zh) | 场效应晶体管源漏电阻的提取方法 | |
CN112666440A (zh) | 阈值电压的测量方法以及晶圆测试机台 | |
CN107622959B (zh) | 一种tcad仿真中mos电容cv特性曲线的校准方法 | |
US7514940B1 (en) | System and method for determining effective channel dimensions of metal oxide semiconductor devices | |
CN112733477B (zh) | 一种基于误差函数精度补偿的GaN HEMT建模方法 | |
Cheng | Comparison of MOSFET threshold voltage extraction methods with temperature variation | |
GB2351156A (en) | Modelling electrical characteristics of thin film transistors | |
US6407573B1 (en) | Device for evaluating characteristic of insulated gate transistor | |
US8962353B2 (en) | System and methods for semiconductor device performance prediction during processing | |
Putcha et al. | On the Apparent Non-Arrhenius Temperature Dependence of Charge Trapping in IIIV/High-${k} $ MOS Stack | |
US6169415B1 (en) | Characteristic evaluation apparatus for insulated gate type transistors | |
CN115047236A (zh) | Mos管阈值电压的测量方法 | |
Severi et al. | A reliable metric for mobility extraction of short-channel MOSFETs | |
Walko et al. | RF S-parameter degradation under hot carrier stress | |
Kim et al. | Accurate extraction of effective channel length and source/drain series resistance in ultrashort-channel MOSFETs by iteration method | |
Tsuji et al. | Threshold voltage variation extracted from MOSFET CV curves by charge-based capacitance measurement | |
US7512499B1 (en) | System and method for determining substrate doping density in metal oxide semiconductor devices | |
CN112285519A (zh) | 一种二极管选通阵列中串联电阻及理想因子的测量方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220913 |