CN115099126A - 一种基于机器学习的半导体器件性能相关特征结构参数自动筛选方法 - Google Patents

一种基于机器学习的半导体器件性能相关特征结构参数自动筛选方法 Download PDF

Info

Publication number
CN115099126A
CN115099126A CN202210569523.2A CN202210569523A CN115099126A CN 115099126 A CN115099126 A CN 115099126A CN 202210569523 A CN202210569523 A CN 202210569523A CN 115099126 A CN115099126 A CN 115099126A
Authority
CN
China
Prior art keywords
machine learning
performance
model
optimal threshold
structure parameters
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
Application number
CN202210569523.2A
Other languages
English (en)
Inventor
陈静
郭斌
郭宇锋
姚清
张珺
张茂林
姚佳飞
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.)
Nanjing University Of Posts And Telecommunications Nantong Institute Co ltd
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University Of Posts And Telecommunications Nantong Institute Co ltd
Nanjing University of Posts and Telecommunications
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 Nanjing University Of Posts And Telecommunications Nantong Institute Co ltd, Nanjing University of Posts and Telecommunications filed Critical Nanjing University Of Posts And Telecommunications Nantong Institute Co ltd
Priority to CN202210569523.2A priority Critical patent/CN115099126A/zh
Publication of CN115099126A publication Critical patent/CN115099126A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本发明公开了一种基于机器学习的半导体器件性能相关特征结构参数自动筛选方法，包括：获取器件性能数据集，训练并建立性能预测的机器学习回归模型A，获得器件性能指标；基于特征选择算法，根据器件结构参数在模型中所占权重得到每个器件结构参数重要程度指数；用学习曲线找出该指数最佳阈值，剔除小于最佳阈值的所有器件结构参数，将筛选后的训练特征结构参数子集进行训练，获取器件性能预测回归模型B；将筛选后的测试特征结构参数子集输入训练好的B，获得器件性能指标；将B获得的器件性能指标与A的进行比较，若性能更好，则获取B对应的特征结构参数集；否则重新设计阈值的优化。本发明方法省时高效，精度高，设计成本低。

Description

一种基于机器学习的半导体器件性能相关特征结构参数自动 筛选方法
技术领域
本发明属于半导体集成电路技术领域，涉及半导体集成电路领域的器件结构设计方法，尤其是一种基于机器学习的半导体器件性能相关特征结构参数自动筛选方法。
背景技术
目前，随着集成电路的发展，对半导体器件提出了越来越高的要求，有效推动了半导体器件的技术和市场规模的迅速拓展。在半导体器件的设计中，不同结构参数对器件性能指标影响较大，为使器件的性能达到预期效果，需要对不同的结构参数下的半导体器件进行器件仿真或者实验测试，而这些方法都需要耗费大量人力物力成本，面对多个不同结构参数时，各个结构参数对器件性能是否有影响，各个结构参数在设计范围内对器件性能影响有多大以及各个参数之间是否存在相互制约相互影响等仍需要权衡。因此迫切需要一种快捷高效准确的方法来实现能够自动筛选出对器件性能具有较大影响的结构参数。
发明内容
本发明的目的在于克服现有技术的缺陷，提供一种基于机器学习的半导体器件性能相关特征结构参数自动筛选方法，通过机器学习算法，建立器件结构参数与器件性能指标之间的相互关系，自动筛选对半导体器件性能指标产生影响的结构参数，具有省时、高效、高精度等优势，有利于减少设计成本，加快设计进程。
为解决上述技术问题，本发明采用以下技术方案。
一种基于机器学习的半导体器件性能相关特征结构参数自动筛选方法，包括以下步骤：
步骤1.根据半导体器件实际情况，获取不同范围器件结构参数下对应的器件性能数据集，对数据集进行筛选过滤，而后拆分成训练数据集和测试数据集；根据获取的训练数据集，利用机器学习算法，训练并建立性能预测的机器学习回归模型A；
步骤2.将步骤1测试数据集器件结构参数输入步骤1中预先训练好的机器学习回归模型A，获得器件性能指标；
步骤3.基于特征选择算法，根据不同器件结构参数在模型中所占权重，综合得到每个器件结构参数重要程度的指数；通过学习曲线找出该指数的最佳阈值，针对步骤1中训练数据集，剔除小于最佳阈值的所有器件结构参数，将筛选后的训练特征结构参数子集作为输入，利用机器学习算法进行模型训练，获取器件性能预测回归模型B。
所述步骤3具体包括：
步骤3.1.基于特征选择算法，获取训练好的机器学习模型A中所有器件结构参数重要性的程度指数并找出最大指数值；
步骤3.2.将进行特征选择的阈值范围设置为零与最大指数值的范围，通过学习曲线初步找出最佳阈值范围，再对最佳阈值范围进行细化找出最佳阈值；
步骤3.3.将所有小于最佳阈值的器件结构参数进行剔除，将筛选后的特征子集作为输入，训练建立由器件结构实现器件性能预测的机器学习回归模型B。
步骤4.针对步骤1中测试数据集，根据步骤3，同样剔除无影响的结构参数，将筛选后的测试特征结构参数子集输入步骤3中预先训练好的机器学习模型B，获得器件性能指标；
步骤5.将由步骤4中机器学习模型B获得的器件性能指标与由步骤2机器学习模型A获得的器件性能指标进行比较，若性能更好，则获取与器件性能相关性较高的特征结构参数集；
若机器学习回归模型B性能比模型A差，则重新进行设计阈值的优化。其过程具体包括：
(1)首先重复步骤：将进行特征选择的阈值范围设置为零与最大指数值的范围，通过学习曲线初步找出最佳阈值范围，再对最佳阈值范围进行细化，直至找出最佳阈值；
(2)然后重复以下步骤：
将所有小于最佳阈值的器件结构参数进行剔除，将筛选后的特征子集作为输入，训练建立由器件结构实现器件性能预测的机器学习回归模型B；
进行步骤4、步骤5；
直到满足设计要求，获取与器件性能相关性较高的特征结构参数集。
可选的，在步骤4中，直接将筛选后的特征结构参数子集输入预先训练好的机器学习模型A，获得器件性能指标。
进一步的，所述的机器学习算法包括：随机森林回归、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、CART回归树。
进一步的，所述的半导体器件包括双极型晶体管BJT、场效应晶体管MOSFET、GaN器件、GaO器件、SiC器件、IGBT、纳米器件。
与现有技术相比，本发明具有以下优点和有益效果：
1.本发明利用机器学习中的随机森林回归模型等方法，根据不同器件结构参数，使用这些器件结构参数，能够精确，简单快速的对器件的性能指标进行预测，偏差均值在5％左右，精准度较高，且显著降低了设计成本和时间成本。
2.本发明通过特征选择算法，给定器件结构参数，就可直接根据不同器件结构参数在模型中所发挥的作用筛选出对我们所设计的半导体器件性能指标有影响的器件结构参数子集。通过学习曲线将最佳子集筛选出来。此方案规避了人工分析，提出了智能化的分析方案。在设计中大大地提高了设计效率，缩短了设计器件的周期，更有利于设计者高效地设计出满足器件性能指标的半导体器件。
附图说明
图1是本发明的一种实施例的方法流程图。
图2是本发明的一种实施例方法所测T-RESURF SOI LDMOS的结构示意图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
本发明的一种基于机器学习的半导体器件性能相关特征结构参数自动筛选方法，如图1所示，包括以下步骤：
步骤1：根据半导体器件实际情况，获取不同范围器件结构参数下对应的器件性能数据集，对数据集进行筛选过滤，而后拆分成训练数据集和测试数据集；根据获取的训练数据集，利用机器学习算法，训练并建立性能预测的机器学习回归模型A；
步骤2：将步骤1测试数据集器件结构参数输入步骤1中预先训练好的机器学习回归模型A，获得器件性能指标；；
步骤3：基于特征选择算法，根据不同器件结构参数在模型中所占权重，综合得到每个器件结构参数重要程度的指数；通过学习曲线找出该指数的最佳阈值，针对步骤1中训练数据集，剔除小于最佳阈值的所有器件结构参数，将筛选后的训练特征结构参数子集作为输入，利用机器学习算法进行模型训练，获取器件性能预测回归模型B；
步骤4：针对步骤1中测试数据集，根据步骤3，同样剔除无影响的结构参数，将筛选后的测试特征结构参数子集输入步骤3中预先训练好的机器学习模型B，获得器件性能指标；
步骤5：将由步骤4中机器学习模型B获得的器件性能指标与由步骤2机器学习模型A获得的器件性能指标进行比较，若性能更好，则获取与器件性能相关性较高的特征结构参数集；若机器学习回归模型B性能比模型A差，则重新进行设计阈值的优化。
所述步骤1具体包括：
步骤1.1：根据半导体器件实际情况，获得不同结构参数预测结构参数与器件性能对应的数据集；
步骤1.2：对数据集进行筛选、过滤，而后拆分成训练数据集和测试数据集；
步骤1.3：根据获取的训练数据集，利用机器学习算法，训练并建立性能预测的机器学习回归模型A。
所述步骤2具体包括：
步骤2.1：将测试器件结构参数输入步骤1.3训练好的机器学习回归模型A，获得半导体器件的器件性能指标。
所述步骤3具体包括如下内容：
步骤3.1：基于特征选择算法，获取步骤1.3训练好的机器学习模型A中所有器件结构参数重要性的程度指数并找出最大指数值；
步骤3.2：将进行特征选择的阈值范围设置为零与最大指数值的范围，通过学习曲线初步找出最佳阈值范围，再对最佳阈值范围进行细化找出最佳阈值；
步骤3.3：将所有小于最佳阈值的器件结构参数进行剔除，将筛选后的特征子集作为输入，训练建立由器件结构实现器件性能预测的机器学习回归模型B。
所述步骤4具体包括如下内容：
将筛选后的测试特征子集输入步骤3.3训练好的机器学习回归模型B，获得半导体器件性能指标。
另外，在上述步骤4中，也可以直接利用机器学习回归模型A实现性能指标的预测。
所述步骤5具体如下内容：
步骤5.1：将机器学习回归模型B与步骤2中的机器学习回归模型A的预测结果进行比较，若机器学习回归模型B性能更好，则获取与器件性能相关性较高的特征结构参数集；
步骤5.2：若机器学习回归模型B性能比模型A差，重复步骤3.2，对最佳阈值范围进一步细化找出最佳阈值后重复步骤3.3、步骤4、步骤5，直到满足设计要求。
在本发明中，其机器学习算法涉及的类型包括:随机森林回归，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，CART回归树等。
本发明所适用的半导体器件包括双极型晶体管BJT、场效应晶体管MOSFET、GaN器件、GaO器件、SiC器件、IGBT、纳米器件等。
下面以具体的半导体器件实例，说明本发明方法：
半导体器件为Triple降低表面电场(Reduced SURface Field，简称RESURF)绝缘衬底上的硅(silicon-on-insulator，简写SOI)横向双扩散金属氧化物半导体场效应管(lateral double-diffused metal oxide semiconductor，简写LDMOS)器件结构，包括漂移区长度L、顶层硅厚度ts、埋氧层厚度tox、漂移区浓度Nd、P-top层的厚度Tp-top、P-top层的长度Lp-top、P-top层的浓度pp-top、P-top层到氧化层的距离Dp-top、源N+浓度nnd、P阱浓度p等结构参数进行筛选的方法，其中筛选的过程是通过学习曲线评估特征子集在随机森林回归模型的方法。
T-RESURF SOI LDMOS是功率半导体器件的一种类型，得到了广泛的关注与应用。图2给出了T-RESURF SOI LDMOS的结构示意图，1为具有第二导电类型的重掺杂区，2为位于绝缘埋层上具有第二导电类型的顶层硅漂移区，3为位于绝缘埋层上具有第一导电类型的沟道区，4为位于沟道区内具有第二导电类型的重掺杂区，5为位于沟道区内具有第一导电类型的重掺杂区，6为位于支撑衬底上的绝缘埋层，7为支撑衬底，8为栅介质，9为与位于沟道区内具有第二导电类型的重掺杂区和位于沟道区内具有第一导电类型的重掺杂区的表面接金属化源极，10为栅介质表面接金属化栅极，11为与具有第二导电类型的重掺杂区1的表面接金属化漏极，12为位于漂移区内具有第一导电类型的掺杂的埋层。
本发明实施例包括以下步骤：
步骤1：设定器件的参数范围，漂移区长度L：20～60μm、顶层硅厚度ts：2.7～10μm、埋氧层厚度tox：0.1～4μm、漂移区浓度Nd：5.6e15-7e15cm-3、P-top层的厚度Tp-top：0.8-1.2μm、P-top层的长度Lp-top：16-18μm、P-top层的浓度pp-top：4.5e16-6.5e16cm-3、P-top层到氧化层的距离Dp-top：1-1.5μm、源N+浓度nnd：1e18-100e18cm-3、P阱浓度p：2e16-10e16cm-3。图2所示是本发明实例中器件的基本结构示意图。
步骤2：根据步骤1器件结构参数随机组合，通过仿真或者实验获取对应击穿电压的数据集。
步骤3：将获取的数据集进行筛选过滤和拆分，而后拆分为训练数据集和测试数据集。
步骤4：利用获取的测试数据集，利用机器学习算法来训练并建立由器件结构参数可实现击穿电压快速精确预测的随机森林回归模型，对模型进行修正直到预测误差满足设计要求。
步骤5：输入步骤1所述器件结构参数，使用步骤4训练好的随机森林模型随机预测若干组数据。
步骤6：获取步骤4随机森林回归模型中所有器件结构参数重要性的程度指数并找出最大的指数值为0.604337。
步骤7：基于特征选择算法，将阈值范围设置为0-0.604337，通过学习曲线初步找出最佳阈值范围为0-0.03347。再对最佳阈值范围进行细化找出最佳阈值为0.0318。
步骤8：将步骤6的器件结构参数重要性的程度指数排序，剔除步骤1中所有小于最佳阈值0.0318的器件结构参数的数据集，将筛选出的器件结构参数漂移区长度L、顶层硅厚度ts、埋氧层厚度tox、漂移区浓度Nd、P-top层的长度Lp-top、P-top层的浓度pp-top、源N+浓度nnd、P阱浓度p以及击穿电压BV形成新的特征子集。训练构建由新的数据集来实现击穿电压预测的随机森林模型。
步骤9：输入步骤8所述器件结构参数，使用步骤8训练好的随机森林模型随机预测若干组数据。
步骤10：将步骤8训练好的随机森林回归模型与步骤4训练好的随机森林回归模型的预测结果进行比较，获取与器件性能相关性较高的特征结构参数集。
本发明通过特征选择算法，给定器件结构参数，就可直接根据不同器件结构参数在模型中所发挥的作用筛选出对我们所设计的半导体器件性能指标有影响的器件结构参数。此设计大大地提高了设计效率，缩短了设计器件的周期，使得设计者更加高效地设计出满足器件性能指标的半导体器件。
将上述方式运用到实例中，给出结果对本发明进一步说明。即已知静态特性，包括击穿电压，本发明以T-RESURF SOI LDMOS结构为例的结果如下所示。
(1)表1给出了三组根据器件结构参数漂移区长度L、顶层硅厚度ts、埋氧层厚度tox、漂移区浓度Nd、P-top层的厚度Tp-top、P-top层的长度Lp-top、P-top层的浓度pp-top、P-top层到氧化层的距离Dp-top、源N+浓度nnd、P阱浓度p，运用训练好的随机森林回归模型，预测器件击穿电压BV的数据。
(2)表2是根据不同器件结构参数在随机森林模型中发挥的作用以及所占的权重获得重要性的程度指数。可以直观地观察不同器件结构参数对所设计的半导体器件的影响。
(3)表3是在基于特征选择算法后，通过学习曲线找出最佳阈值。将大于最佳阈值的器件结构参数漂移区长度L、顶层硅厚度ts、埋氧层厚度tox、漂移区浓度Nd、P-top层的长度Lp-top、P-top层的浓度pp-top、源N+浓度nnd、P阱浓度p作为特征子集进行训练。运用训练好的随机森林回归模型，预测器件击穿电压BV的数据。
表1.不同器件结构参数下预测的击穿电压
Figure BDA0003658596350000061
表2.不同器件结构参数下重要性的程度指数
Figure BDA0003658596350000062
Figure BDA0003658596350000071
表3.不同器件结构参数下预测的击穿电压
Figure BDA0003658596350000072
综上所述，本发明基于器件性能的半导体器件结构参数相关性分析方法，对于半导体器件结构，根据设计需求，确定可能用到的器件结构参数。然后根据设计需求的器件性能指标，利用随机森林模型以及特征选择等算法，可以简单快速实现特征子集的筛选。从而筛选出对器件性能指标有影响的器件结构参数，最后交叉验证模型准确率。

Claims (6)

1.一种基于机器学习的半导体器件性能相关特征结构参数自动筛选方法，其特征在于，包括以下步骤：
步骤1.根据半导体器件实际情况，获取不同范围器件结构参数下对应的器件性能数据集，对数据集进行筛选、过滤，而后拆分成训练数据集和测试数据集；根据获取的训练数据集，利用机器学习算法，训练并建立性能预测的机器学习回归模型A；
步骤2.将步骤1测试数据集器件结构参数输入步骤1中预先训练好的机器学习回归模型A，获得器件性能指标；
步骤3.基于特征选择算法，根据不同器件结构参数在模型中所占权重，综合得到每个器件结构参数重要程度的指数；通过学习曲线找出该指数的最佳阈值，针对步骤1中训练数据集，剔除小于最佳阈值的所有器件结构参数，将筛选后的训练特征结构参数子集作为输入，利用机器学习算法进行模型训练，获取器件性能预测回归模型B；
步骤4.针对步骤1中测试数据集，根据步骤3，同样剔除无影响的结构参数，将筛选后的测试特征结构参数子集输入步骤3中预先训练好的机器学习模型B，获得器件性能指标；
步骤5.将由步骤4中机器学习模型B获得的器件性能指标与由步骤2机器学习模型A获得的器件性能指标进行比较，若性能更好，则获取与器件性能相关性较高的特征结构参数集；若机器学习回归模型B性能比模型A差，则重新进行设计阈值的优化。
2.根据权利要求1所述的一种基于机器学习的半导体器件性能相关特征结构参数自动筛选方法，其特征在于，所述步骤3具体包括：
步骤3.1.基于特征选择算法，获取训练好的机器学习模型A中所有器件结构参数重要性的程度指数并找出最大指数值；
步骤3.2.将进行特征选择的阈值范围设置为零与最大指数值的范围，通过学习曲线初步找出最佳阈值范围，再对最佳阈值范围进行细化找出最佳阈值；
步骤3.3.将所有小于最佳阈值的器件结构参数进行剔除，将筛选后的特征子集作为输入，训练建立由器件结构实现器件性能预测的机器学习回归模型B。
3.根据权利要求1所述的一种基于机器学习的半导体器件性能相关特征结构参数自动筛选方法，其特征在于，在步骤5中所述的若机器学习回归模型B性能比模型A差，则重新进行设计阈值的优化，其过程具体包括：
(1)首先重复步骤：将进行特征选择的阈值范围设置为零与最大指数值的范围，通过学习曲线初步找出最佳阈值范围，再对最佳阈值范围进行细化，直至找出最佳阈值；
(2)然后重复以下步骤：
将所有小于最佳阈值的器件结构参数进行剔除，将筛选后的特征子集作为输入，训练建立由器件结构实现器件性能预测的机器学习回归模型B；
进行步骤4、步骤5；
直到满足设计要求，获取与器件性能相关性较高的特征结构参数集。
4.根据权利要求1所述的一种基于机器学习的半导体器件性能相关特征结构参数自动筛选方法，其特征在于，在步骤4中，直接将筛选后的特征结构参数输入预先训练好的机器学习模型A，获得器件性能指标。
5.根据权利要求1所述的一种基于机器学习的半导体器件性能相关特征结构参数自动筛选方法，其特征在于，所述的机器学习算法包括：随机森林回归、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、CART回归树。
6.根据权利要求1所述的一种基于机器学习的半导体器件性能相关特征结构参数自动筛选方法，其特征在于，所述的半导体器件包括双极型晶体管BJT、场效应晶体管MOSFET、GaN器件、GaO器件、SiC器件、IGBT、纳米器件。
CN202210569523.2A 2022-05-24 2022-05-24 一种基于机器学习的半导体器件性能相关特征结构参数自动筛选方法 Pending CN115099126A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210569523.2A CN115099126A (zh) 2022-05-24 2022-05-24 一种基于机器学习的半导体器件性能相关特征结构参数自动筛选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210569523.2A CN115099126A (zh) 2022-05-24 2022-05-24 一种基于机器学习的半导体器件性能相关特征结构参数自动筛选方法

Publications (1)

Publication Number Publication Date
CN115099126A true CN115099126A (zh) 2022-09-23

Family

ID=83289914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210569523.2A Pending CN115099126A (zh) 2022-05-24 2022-05-24 一种基于机器学习的半导体器件性能相关特征结构参数自动筛选方法

Country Status (1)

Country Link
CN (1) CN115099126A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115660109A (zh) * 2022-12-22 2023-01-31 南京邮电大学 一种机器学习模型的训练数据集均匀化处理方法
CN115688611A (zh) * 2022-12-29 2023-02-03 南京邮电大学 一种基于半导体器件结构的小空间模型实时训练方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115660109A (zh) * 2022-12-22 2023-01-31 南京邮电大学 一种机器学习模型的训练数据集均匀化处理方法
CN115688611A (zh) * 2022-12-29 2023-02-03 南京邮电大学 一种基于半导体器件结构的小空间模型实时训练方法

Similar Documents

Publication Publication Date Title
CN115099126A (zh) 一种基于机器学习的半导体器件性能相关特征结构参数自动筛选方法
US20210056468A1 (en) Method for predicting fluctuation of circuit path delay on basis of machine learning
US20180307789A1 (en) STATISTICAL ANALYSIS METHOD FOR TECHNOLOGICAL PARAMETERS OF GaN DEVICES BASED ON LARGE-SIGNAL EQUIVALENT CIRCUIT MODEL
CN107679261A (zh) 一种mos器件源漏与衬底间寄生电阻的建模方法
CN114997092A (zh) 基于机器学习和模型的半导体器件电学特性仿真方法
CN108333209B (zh) 一种GaN HEMT加速寿命试验方法
CN101807603B (zh) Vdmos晶体管测试结构
Zhang et al. Characterization of SiC MOSFET switching performance
Jungemann et al. Comparative study of electron transit times evaluated by DD, HD, and MC device simulation for a SiGe HBT
Jarndal et al. A new small signal model parameter extraction method applied to GaN devices
CN107622167B (zh) 一种用于栅控器件的集电极电流软测量方法
Xiao et al. Corner and statistical spice model generation for shielded-gate trench power mosfets based on backward propagation of variance
Jouha et al. A new extraction method of SiC power MOSFET threshold voltage using a physical approach
Aldridge et al. High performance SiGe HBT performance variability learning by utilizing neural networks and technology computer aided design
CN112466769B (zh) 圆形电容结构的hemt器件沟道区电场分布测量结构和方法
Ma et al. Numerical modeling of FS-trench IGBTs by TCAD and its parameter extraction method
CN112485626B (zh) 一种功率器件质量等级分类方法
CN101667598B (zh) 一种垂直双扩散mos晶体管测试结构
CN111668127B (zh) 基于hemt器件的热电子效应测试结构及其表征方法
CN114330192A (zh) 一种GaN HEMT晶体管小信号模型建模方法
CN109522617B (zh) AlGaN/GaNHEMT器件降级的平均激活能的新型提取方法
CN115660109B (zh) 一种机器学习模型的训练数据集均匀化处理方法
Khanna et al. A linear model for characterizing transient behaviour in wide bandgap semiconductor-based switching circuits
CN115083920B (zh) 电荷平衡阈值电压可调的碳化硅mosfet的制造方法
CN113505564B (zh) 一种基于深度学习的resurf横向功率器件最优漂移区浓度设计方法

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