CN115308558B - Cmos器件寿命预测方法、装置、电子设备及介质 - Google Patents
Cmos器件寿命预测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN115308558B CN115308558B CN202211039166.5A CN202211039166A CN115308558B CN 115308558 B CN115308558 B CN 115308558B CN 202211039166 A CN202211039166 A CN 202211039166A CN 115308558 B CN115308558 B CN 115308558B
- Authority
- CN
- China
- Prior art keywords
- time
- sample data
- cmos device
- series sample
- training
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 239000004065 semiconductor Substances 0.000 title description 5
- 230000000295 complement effect Effects 0.000 title description 2
- 229910044991 metal oxide Inorganic materials 0.000 title description 2
- 150000004706 metal oxides Chemical class 0.000 title description 2
- 238000012549 training Methods 0.000 claims abstract description 169
- 238000012360 testing method Methods 0.000 claims abstract description 98
- 238000006731 degradation reaction Methods 0.000 claims abstract description 97
- 230000015556 catabolic process Effects 0.000 claims abstract description 95
- 230000001133 acceleration Effects 0.000 claims abstract description 30
- 229920006395 saturated elastomer Polymers 0.000 claims description 49
- 230000015654 memory Effects 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 39
- 238000007781 pre-processing Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 14
- 230000007787 long-term memory Effects 0.000 claims description 13
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 11
- 230000006403 short-term memory Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 230000004069 differentiation Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 13
- 230000002829 reductive effect Effects 0.000 abstract description 8
- 238000007689 inspection Methods 0.000 abstract description 6
- 230000035882 stress Effects 0.000 description 44
- 230000000875 corresponding effect Effects 0.000 description 28
- 238000010586 diagram Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 10
- 210000004027 cell Anatomy 0.000 description 9
- 238000002347 injection Methods 0.000 description 8
- 239000007924 injection Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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
- G01R31/2642—Testing semiconductor operation lifetime or reliability, e.g. by accelerated life tests
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electronic Circuits (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本公开实施例公开了一种CMOS器件寿命预测方法、装置、电子设备及介质。其中CMOS器件寿命预测方法包括：获取CMOS器件在加速应力试验下电参数的时间序列样本数据集，所述时间序列样本数据集包括表征所述CMOS器件寿命的电参数退化量的时间序列样本数据；基于所述时间序列样本数据集得到训练集；用所述训练集训练时序模型，获得寿命预测模型；用所述寿命预测模型预测所述CMOS器件的失效时间。上述技术方案减少了现有技术中因对CMOS器件进行完整的加速应力试验以确定其使用寿命的时间成本，提高了产品质检效率，缩短了CMOS器件的生产周期，解决了CMOS器件生产效率低的问题。
Description
技术领域
本公开涉及半导体技术领域，具体涉及一种CMOS器件寿命预测方法、装置、电子设备及介质。
背景技术
随着CMOS器件的生产工艺技术进入到纳米级别，CMOS器件的尺寸已经逼近了物理极限。由于生产的CMOS器件尺寸不断缩小，小尺寸器件在生产、制造及使用时可能产生的某些效应对CMOS器件造成的损伤已经不可忽视。现有技术中，常使用热载流子注入效应对CMOS器件造成的损伤试验数据来计算CMOS器件的使用寿命，判断其可靠性。然而，在我国工业化生产过程中产出的CMOS器件数量巨大，即便对CMOS器件采用热载流子注入效应加速应力试验也需要耗费大量试验时间才能获知其失效时间，确定其使用寿命，降低了CMOS器件质检效率，延长了CMOS器件的生产周期。
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CMOS器件寿命预测方法、装置、电子设备及介质。
第一方面，本公开实施例中提供了一种CMOS器件寿命预测方法。
具体地，所述CMOS器件寿命预测方法，包括：
获取CMOS器件在加速应力试验下电参数的时间序列样本数据集，所述时间序列样本数据集包括表征所述CMOS器件寿命的电参数退化量的时间序列样本数据；
基于所述时间序列样本数据集得到训练集；
用所述训练集训练时序模型，获得寿命预测模型；
用所述寿命预测模型预测所述CMOS器件的失效时间。
可选的，还包括：
基于所述时间序列样本数据集得到测试集；
用所述测试集验证所述寿命预测模型，
其中，所述用所述寿命预测模型预测所述CMOS器件的失效时间，包括用验证的所述寿命预测模型预测所述CMOS器件的失效时间。
可选的，所述时序模型是长短期记忆模型。
可选的，所述长短期记忆模型具有1～5个隐藏层节点，以及1个全连接层节点。
可选的，表征所述CMOS器件寿命的电参数包括以下的至少一项：饱和漏电流、阈值电压、跨导；
所述时间序列样本数据集中的电参数退化量小于等于所述CMOS器件失效时的相应电参数退化量。
可选的，所述时间序列样本数据集中的电参数退化量最大值为相应电参数的5％～7％。
可选的，所述时间序列样本数据集中的电参数退化量最大值为相应电参数的5％或6％或7％。
可选的，还包括：
通过以下任意一种或多种方式对所述时间序列样本数据集进行预处理，得到处理后的时间序列样本数据集：
对非等时间间隔的时间序列样本数据集进行等时间间隔的插值处理；
对所述时间序列样本数据集进行差分化处理；
对所述时间序列样本数据集进行归一化处理；
其中，当采用多种方式进行预处理时，将上一处理的输出作为下一处理的输入，依次进行所述多种方式的预处理，得到处理后的时间序列样本数据集。
可选的，所述用所述训练集训练时序模型，获得寿命预测模型包括：
将所述训练集中前一时刻的时间序列样本数据作为输入特征，将所述训练集中当前时刻的时间序列样本数据作为输出特征，对所述长短期记忆模型进行监督学习训练。
可选的，所述用所述训练集训练时序模型，获得寿命预测模型包括：
采用滑动时间窗方法将所述训练集中多个连续的时间序列样本数据作为输入特征，将所述训练集中所述滑动时间窗的后一时刻的时间序列样本数据作为输出特征，对所述长短期记忆模型进行监督学习训练。
可选的，所述连续的时间序列样本数据数量是8～11个；或
所述连续的时间序列样本数据数量是9个。
可选的，所述用所述训练集训练时序模型，获得寿命预测模型还包括：
用均方误差或者平均绝对百分比误差作为损失函数，用AdaGrad,RMSprop,Adam优化器中的至少一种优化模型参数，训练所述长短期记忆模型。
可选的，所述用所述训练集训练时序模型，获得寿命预测模型还包括：
对所述寿命预测模型进行多次迭代。
可选的，所述迭代的次数是1,000～10,000次。
第二方面，本公开实施例中提供了一种CMOS器件寿命预测装置。
具体地，所述CMOS器件寿命预测装置，包括：
获取模块，被配置为获取CMOS器件在加速应力试验下电参数的时间序列样本数据集，所述时间序列样本数据集包括表征所述CMOS器件寿命的电参数退化量的时间序列样本数据；
第一分类模块，被配置为基于所述时间序列样本数据集得到训练集；
训练模块，被配置为用所述训练集训练时序模型，获得寿命预测模型；
预测模块，被配置为用所述寿命预测模型预测所述CMOS器件的失效时间。
可选的，还包括：
第二分类模块，被配置为基于所述时间序列样本数据集得到测试集；
验证模块，被配置为用所述测试集验证所述寿命预测模型，
其中，所述预测模块还被配置为用验证的所述寿命预测模型预测所述CMOS器件的失效时间。
可选的，所述时序模型是长短期记忆模型。
可选的，所述长短期记忆模型具有1～5个隐藏层节点，以及1个全连接层节点。
可选的，表征所述CMOS器件寿命的电参数包括以下的至少一项：饱和漏电流、阈值电压、跨导；
所述时间序列样本数据集中的电参数退化量小于等于所述CMOS器件失效时的相应电参数退化量。
可选的，所述时间序列样本数据集中的电参数退化量最大值为相应电参数的5％～7％。
可选的，所述时间序列样本数据集中的电参数退化量最大值为相应电参数的5％或6％或7％。
可选的，还包括：
预处理模块，被配置为通过以下任意一种或多种方式对所述时间序列样本数据集进行预处理，得到处理后的时间序列样本数据集：
对非等时间间隔的时间序列样本数据集进行等时间间隔的插值处理；
对所述时间序列样本数据集进行差分化处理；
对所述时间序列样本数据集进行归一化处理；
其中，当采用多种方式进行预处理时，将上一处理的输出作为下一处理的输入，依次进行所述多种方式的预处理，得到处理后的时间序列样本数据集。
可选的，所述训练模块包括：
监督学习模块，被配置为将所述训练集中前一时刻的时间序列样本数据作为输入特征，将所述训练集中当前时刻的时间序列样本数据作为输出特征，对所述长短期记忆模型进行监督学习训练。
可选的，所述训练模块包括：
监督学习模块，被配置为采用滑动时间窗方法将所述训练集中多个连续的时间序列样本数据作为输入特征，将所述训练集中所述滑动时间窗的后一时刻的时间序列样本数据作为输出特征，对所述长短期记忆模型进行监督学习训练。
可选的，所述连续的时间序列样本数据数量是8～11个；或
所述连续的时间序列样本数据数量是9个。
可选的，所述训练模块还包括：
优化模块，被配置为用均方误差或者平均绝对百分比误差作为损失函数，用AdaGrad,RMSprop,Adam优化器中的至少一种优化模型参数，训练所述长短期记忆模型。
可选的，所述训练模块还包括：
迭代模块，被配置为对所述寿命预测模型进行多次迭代。
可选的，所述迭代模块的迭代的次数是1,000～10,000次。
第三方面，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。
第四方面，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程序产品，包括计算机指令，该计算机指令被处理器执行时实现如第一方面任一项所述的方法步骤。
本公开实施例提供的技术方案可以包括以下有益效果：
根据本公开实施例提供的CMOS器件寿命预测方法，包括：获取CMOS器件在加速应力试验下电参数的时间序列样本数据集，所述时间序列样本数据集包括表征所述CMOS器件寿命的电参数退化量的时间序列样本数据；基于所述时间序列样本数据集得到训练集；用所述训练集训练时序模型，获得寿命预测模型；用所述寿命预测模型预测所述CMOS器件的失效时间。上述技术方案通过对CMOS器件进行非完整的加速应力试验，获得表征CMOS器件寿命的电参数退化量在初始值到预设阈值范围内的时间序列样本数据集，根据该时间序列样本数据集训练寿命预测模型，然后使用模型即可预测该CMOS器件的失效时间，减少了现有技术中因对CMOS器件进行完整的加速应力试验以确定其使用寿命的时间成本，提高了产品质检效率，缩短了CMOS器件的生产周期。
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示出根据本公开的实施例的CMOS器件寿命预测方法的流程图。
图2示出本公开的实施例的LSTM模型的结构图。
图3A示出CMOS器件在加速应力试验中饱和漏电流的退化量随时间变化的曲线。
图3B示出使用饱和漏电流退化量达到5％时的时间序列样本数据集训练的寿命预测模型预测结果示意图。
图4示出对时间序列样本数据集进行预处理的方法的流程图。
图5示出用训练集训练寿命预测模型的方法流程图。
图6示出根据本公开的实施例的CMOS器件寿命预测装置的结构框图。
图7示出根据本公开的实施例的电子设备的结构框图。
图8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，对用户信息或用户数据的获取均为经用户授权、确认，或由用户主动选择的操作。
随着CMOS器件的生产工艺技术进入到纳米级别，CMOS器件的尺寸已经逼近了物理极限。由于生产的CMOS器件尺寸不断缩小，小尺寸器件在生产、制造及使用时可能产生的某些效应对CMOS器件造成的损伤已经不可忽视。现有技术中，常使用热载流子注入效应对CMOS器件造成的损伤试验数据来计算CMOS器件的使用寿命，判断其可靠性。然而，在我国工业化生产过程中产出的CMOS器件数量巨大，即便对CMOS器件采用热载流子注入效应加速应力试验也需要耗费大量试验时间才能获知其失效时间，确定其使用寿命，降低了CMOS器件质检效率，延长了CMOS器件的生产周期。
为至少部分地解决发明人发现的现有技术中的问题而提出本公开。
图1示出根据本公开的实施例的CMOS器件寿命预测方法的流程图。
如图1所示，所述CMOS器件寿命预测方法包括以下步骤S101-S104：
在步骤S101中，获取CMOS器件在加速应力试验下电参数的时间序列样本数据集，所述时间序列样本数据集包括表征所述CMOS器件寿命的电参数退化量的时间序列样本数据；
在步骤S102中，基于所述时间序列样本数据集得到训练集；
在步骤S103中，用所述训练集训练时序模型，获得寿命预测模型；
在步骤S104中，用所述寿命预测模型预测所述CMOS器件的失效时间。
进一步的，所述CMOS器件寿命预测方法还包括：
基于所述时间序列样本数据集得到测试集；
用所述测试集验证所述寿命预测模型，
其中，所述用所述寿命预测模型预测所述CMOS器件的失效时间，包括用验证的所述寿命预测模型预测所述CMOS器件的失效时间。
本公开提供的CMOS器件寿命预测方法可以由CMOS器件寿命预测装置实现，该CMOS器件寿命预测装置可以由单个计算机主机实现，也可以由云端服务器实现。当然，上述方法也可以通过软件、硬件或者两者的结合来实现，本公开对此不做限制。
根据本公开的实施例，通过加速试验获取时间序列样本数据集，加速试验可以是加速应力试验或者其他可迅速查明产品失效原因，快速评定产品可靠性的试验，本公开对此不做限制。为了方便理解，本公开以采用加速应力试验获取的时间序列样本数据为例进行说明。加速应力试验是研究半导体器件可靠性的一种测试方法，可以缩短测试时间，即在控制失效机制相同的前提下，通过增加应力，加速CMOS器件退化过程，进而在短时间内获得CMOS器件失效率等试验数据。
根据本公开的实施例，为了方便理解，本公开利用热载流子注入(Hot CarrierInjection，HCI)效应对CMOS器件造成的损伤程度判断CMOS器件是否失效，当然也可以利用其他可靠性测试试验，本公开对此不做限制。
根据本公开的实施例，通过提取时间序列样本数据建立的数学模型可以是循环神经网络(Recurrent Neural Network,RNN)、长短期记忆网络(Long Short-Term Memory，LSTM)、门控循环单元(Gate Recurrent Unit，GRU)、时域卷积网络(TemporalConvolutional Network，TCN)等时序模型。具体地，通过训练时序模型获得的寿命预测模型与传统基于统计学建立的寿命预测模型(即使用整体样本数据的统计分布及其统计量来预测每个被测样品的寿命)相比较，训练时序模型是通过机器学习每个被测CMOS器件其自身的时间序列样本数据来建立其寿命预测模型，对每个被测CMOS器件的电参数退化过程描述性更好，获得的寿命预测模型精度更高，预测的CMOS器件的失效时间更接近其真实值。优选的，本公开采用训练LSTM模型来获得CMOS器件的寿命预测模型，LSTM模型是通过门控状态来控制传输状态，记住需要长时间记忆的，忘记不重要的信息，不像普通的RNN模型那样仅有一种记忆叠加方式，更适用于训练本公开的CMOS器件的寿命预测模型。
LSTM(Long Short-Term Memory)即长短期记忆模型，是一种改进之后的循环神经网络(Recurrent Neural Network,RNN)，可以解决RNN无法处理长距离的依赖的问题。LSTM模型包含输入层、隐藏层和输出层，输入层的神经元个数对应输入参数特征，并初始化为神经网络预测的容量值，LSTM中隐藏层由遗忘门(forget gate)、输入门(input gate)和输出门(output gate)三部分组成。这些门可以打开或关闭，用于判断模型网络的记忆态(之前网络的状态)在该层输出的结果是否达到阈值以加入到当前层的计算中。门节点利用sigmoid函数将网络的记忆态作为输入计算；如果输出结果达到阈值则将该门输出与当前层的计算结果相乘作为下一层的输入；如果没有达到阈值则将该输出结果遗忘掉。每一层包括门节点的权重都会在每一次模型反向传播训练过程中更新。LSTM模型的记忆功能就是由这些门节点实现的。当门打开的时候，前面模型的训练结果就会关联到当前的模型计算，而当门关闭的时候，之前的计算结果就不再影响当前的计算。
图2示出本公开的实施例的LSTM模型的结构图。
如图2所示，xt是当前时刻的输入值，ht-1是上一时刻的输出值，ct-1是上一时刻的单元状态，ht是当前时刻的输出，ct是当前时刻单元状态，σ是sigmoid激活函数，tanh是tanh激活函数。三个门的计算公式如下：
遗忘门：ft＝σ(Wf[ht-1，xt]+bf)，该门决定上一时刻的单元状态ct-1有多少保留到当前时刻ct，其中，ft是指隐藏层当前时刻的输出值，σ是sigmoid激活函数，Wf是与当前时刻输入值xt相关的遗忘门权重矩阵，ht-1是上一时刻的输出值，xt是当前时刻的输入值，bf是偏置项；
输入门：it＝σ(Wi[ht-1，xt]+bi)，
ct＝ft*ct-1+it*(tanh(Wc[ht-1，xt]+bc))，该门决定了当前的输入值xt有多少保留到单元状态ct，其中，it是输入门在当前时刻的输出值，σ是sigmoid激活函数，Wi是输入门的权重矩阵，ht-1是上一时刻的输出值，xt是当前时刻的输入值，bi是输入门偏置项，ct是当前时刻单元状态，ft是指隐藏层当前时刻的输出值，ct-1是上一时刻的单元状态，tanh是tanh激活函数，Wc是单元状态的权重矩阵，bc是单元状态的偏置项；
输出门：ht＝σ(Wo[ht-1，xt]+bo)*tanh(ct)，该门控制单元状态ct有多少输出到当前输出值ht，其中，ht是输出门当前时刻的输出值，σ是sigmoid激活函数，Wo是与当前时刻输入值xt相关的输出门权重矩阵，ht-1是上一时刻的输出值，xt是当前时刻的输入值，bo是偏置项，tanh是tanh激活函数，ct是当前时刻单元状态。
在本公开的一个实施例中，为了使训练获得的模型精度更高，本公开可以选择具有1～5个隐藏层节点，1个全连接层节点的LSTM神经网络模型。
根据本公开的实施例，时间序列样本数据可以是表征CMOS器件寿命的电参数随时间变化的数值，表征CMOS器件寿命的电参数可以是饱和漏电流、阈值电压、跨导漂移等静态电参数中的任意一种或多种，本公开对此不做限制。例如，以饱和漏电流为例，当饱和漏电流的退化量达到10％时，即表示该CMOS器件失效。那么，时间序列样本数据集就是时间-饱和漏电流的退化量构成的时序数据。同样的，阈值电压变化10％，或者跨导变化10％，也可表示该CMOS器件失效。
进一步的，本公开要求保护的技术方案是通过非完整的加速应力试验获得CMOS器件的时间序列样本数据集训练和测试模型，通过模型预测该CMOS器件的使用寿命。具体地，完整的加速应力试验是指通过试验获取CMOS器件在加速应力试验下电参数的时间序列样本数据集为表征CMOS器件寿命的电参数退化量达到阈值范围内的全部时序数据，其中，阈值是指CMOS器件失效时刻电参数退化量的百分比数值；非完整的加速应力试验是指通过试验获取CMOS器件在加速应力试验下电参数的时间序列样本数据集为表征CMOS器件寿命的电参数退化量达到阈值范围内的部分时序数据，即表征CMOS器件寿命的电参数退化量小于CMOS器件失效时的相应电参数退化量。例如，当饱和漏电流的退化量达到10％时，即表示该CMOS器件失效。那么完整的加速应力试验是指获取CMOS器件在加速应力试验下电参数的时间序列样本数据集是饱和漏电流的退化量由0到10％这一区间内的全部时序数据；非完整的加速应力试验是指获取CMOS器件在加速应力试验下电参数的时间序列样本数据集是饱和漏电流的退化量由0到10％这一区间内的部分时序数据，即获取CMOS器件在加速应力试验下电参数的时间序列样本数据集是饱和漏电流的退化量小于10％的时序数据，可以是获取饱和漏电流的退化量达到5％～7％(例如是5％、6％或7％)的CMOS器件的时间序列样本数据集。理论上，当选择退化量更高的、获取的时间序列样本数据集中数据量越多时，训练得到的寿命预测模型精度就越高；实际上，选择饱和漏电流退化量达到不同比例时的时间序列样本数据集进行模型训练，获得的模型对于失效时间的预测值与完整加速应力试验的测试值之间的均方根误差(RMSE)结果如表1所示，可以获知，当采用饱和漏电流的退化量达到5％和6％时，使用获得的时间序列样本数据集训练模型时，得到的寿命预测模型预测结果精度略有差异，那么在预测结果精度相差不大的情况下，选择退化量更低的、获得的时间序列样本数据集中数据量更少的，可以更大程度上减少加速应力试验测试时间。因此，为了节约时间成本，本公开实施例中选择饱和漏电流退化量达到5％的时间序列样本数据集来获取寿命预测模型。
表1
| 饱和漏电流退化量 | 5％ | 6％ | 7％ |
| RMSE | 0.265 | 0.235 | 0.067 |
图3A示出CMOS器件在加速应力试验中饱和漏电流的退化量随时间变化的曲线。
如图3A所示，经时变化曲线上的每个点的纵坐标是饱和漏电流的退化量ΔIdsat(单位：％)，相应的横坐标是该饱和漏电流的退化量对应的时间(单位：s)。饱和漏电流的退化量达到初始值的10％时，表示该CMOS器件失效，从经时变化曲线上读出饱和漏电流的退化量达到初始值的10％时的时间点就是该CMOS器件的失效时间。以0.18μm工艺下生产的1.8V CMOS器件为例，在分别对栅极和漏极施加VDS＝-2.6V，VGS＝1.4V的应力条件下，现有技术是对CMOS器件进行完整的热载流子注入效应加速应力试验，通过试验获得CMOS器件的饱和漏电流的退化量达到初始值的10％的时序数据，如此获知该CMOS器件的失效时间区间，整个试验过程持续的时间超过10万秒，时间成本较高。而本公开则是在同样试验条件下对CMOS器件进行非完整的加速应力试验，获取的CMOS器件的时间序列样本数据集可以是CMOS器件的饱和漏电流的退化量达到初始值的5％、或6％、或7％、或其他小于10％的时间序列样本数据集，例如对CMOS器件进行热载流子注入效应加速应力试验，通过试验获得CMOS器件的饱和漏电流的退化量达到初始值的5％的时间序列样本数据集。
图3B示出使用饱和漏电流退化量达到5％时的时间序列样本数据集训练的寿命预测模型预测结果示意图。
如图3B所示，图中纵坐标是饱和漏电流的退化量ΔIdsat(单位：％)，相应的横坐标是该饱和漏电流的退化量对应的时间(单位：s)。曲线表示完整的加速应力试验中测试得到的饱和漏电流的退化量随时间变化的数值，三角形曲线表示使用饱和漏电流退化量达到5％时的时间序列样本数据集训练的寿命预测模型预测的饱和漏电流的退化量随时间变化的数值。对于每个CMOS器件，仅需获取加速应力试验饱和漏电流退化量达到5％的时间序列样本数据集，试验持续时间缩短至5万秒，即可实现其剩余寿命的预测。具体地，将该时间序列样本数据集分为训练集和测试集，用训练集训练时序模型，获得寿命预测模型；用测试集验证寿命预测模型；用验证的寿命预测模型预测CMOS器件的失效时间。即与现有技术相比，本公开的技术方案获得CMOS器件使用寿命结果的时间成本大幅降低。
根据本公开的实施例，基于时间序列样本数据集得到训练集和测试集；用所述训练集训练时序模型，获得寿命预测模型；用所述测试集验证所述寿命预测模型；用所述验证的寿命预测模型预测所述CMOS器件的失效时间。以饱和漏电流的退化量为例说明，经试验获得某个CMOS器件饱和漏电流的退化量达到初始值的5％的时间序列样本数据集，将该时间序列样本数据集经划分后，训练集中共有c个饱和漏电流的退化量数据，测试集中有p个饱和漏电流的退化量数据，采用滑动时间窗方法将训练集中L个时间序列样本数据作为输入特征，将训练集中滑动时间窗的后一时刻的时间序列样本数据作为输出特征，对长短期记忆模型进行监督学习训练。其中，当L＝1时，即将训练集中前一时刻的时间序列样本数据作为输入特征，将训练集中当前时刻的时间序列样本数据作为输出特征，对长短期记忆模型进行监督学习训练；当1＜L时，即将训练集的每个滑动时间窗中L个连续的时间序列样本数据作为输入特征，将该滑动时间窗的后一时刻的时间序列样本数据作为输出特征，对长短期记忆模型进行监督学习训练。作为可替换的实施方案，可选择8＜L＜11，或者6＜L＜13，以使得训练的模型精度更高。滑动时间窗中选择不同数量连续的时间序列样本数据作为输入特征，以对长短期记忆模型进行监督学习训练，获得的模型对于失效时间的预测值与完整加速应力试验的测试值之间的均方根误差(RMSE)结果如表2所示，结果显示滑动时间窗中连续的时间序列样本数据数量在8-11之间时，RMSE处于比较小的范围，即获得的寿命预测模型精度较高。
表2
| L | 8 | 9 | 10 | 11 |
| RMSE | 0.457 | 0.265 | 0.443 | 0.361 |
对于本公开的实施例，例如，滑动时间窗中连续的时间序列样本数据数量选择9时，RMSE是0.265，即将训练集的滑动时间窗中9个连续的时间序列样本数据作为输入特征，将该滑动时间窗的后一时刻的时间序列样本数据作为输出特征，对长短期记忆模型进行监督学习训练，获得的寿命预测模型精度最高。
采用训练集对长短期记忆模型进行监督学习训练获得寿命预测模型后，将训练集中最后一个滑动时间窗内L个时间序列样本数据输入到寿命预测模型中，预测下一个索引为c+1的值，然后将索引为c+1-L到c+1之间的数据输入到寿命预测模型中，预测索引为c+2的值，以此类推，直到预测出索引为c+p的值，计算预测值和测试集中数据值之间的均方误差，评估模型建立的精度。使用该寿命预测模型预测该CMOS器件的失效时间，即将索引为c+p的值继续输入该寿命预测模型，继续预测索引为c+p+1的值，接着输入索引为c+p+1的值预测索引为c+p+2的值……，直到预测的索引为c+p+n的值是饱和漏电流的退化量达到初始值的10％的数值；或者将索引为c+p-L到c+p之间的数据输入到寿命预测模型中，继续预测索引为c+p+1的值，接着输入索引为c+p-L+1到c+p+1之间的数据输入到寿命预测模型中，继续预测索引为c+p+2的值……，直到预测的索引为c+p+n的值是饱和漏电流的退化量达到初始值的10％的数值。此时可根据寿命预测模型输出的预测值绘制经时变化曲线，根据经时变化曲线直接读取CMOS器件的失效时间。其中，基于时间序列样本数据集得到训练集和测试集，可以是将试验获得的时间序列样本数据集按照一定比例或者其他方式划分为训练集和测试集，从而提高模型的泛化能力，防止出现过拟合，以及寻找模型的最优调节参数。
根据本公开实施例提供的CMOS器件寿命预测方法，包括：获取CMOS器件在加速应力试验下电参数的时间序列样本数据集，所述时间序列样本数据集包括表征所述CMOS器件寿命的电参数退化量的时间序列样本数据；基于所述时间序列样本数据集得到训练集；用所述训练集训练时序模型，获得寿命预测模型；用所述寿命预测模型预测所述CMOS器件的失效时间。上述技术方案通过对CMOS器件进行非完整的加速应力试验，获得表征CMOS器件寿命的电参数退化量在初始值到预设阈值范围内的时间序列样本数据集，根据该时间序列样本数据集训练寿命预测模型，然后使用模型即可预测该CMOS器件的失效时间，减少了现有技术中因对CMOS器件进行完整的加速应力试验以确定其使用寿命的时间成本，提高了产品质检效率，缩短了CMOS器件的生产周期。
图4示出对时间序列样本数据集进行预处理的方法的流程图。
如图4所示，对所述时间序列样本数据集进行预处理，得到处理后的时间序列样本数据集。其中，预处理包括以下步骤S401-S403：
在步骤S401中，对非等时间间隔的时间序列样本数据集进行等时间间隔的插值处理；
在步骤S402中，对所述时间序列样本数据集进行差分化处理；
在步骤S403中，对所述时间序列样本数据集进行归一化处理。
在本公开的实施方式中，为了提高所建立的寿命预测模型的准确性，在使用时间序列样本数据集训练、验证寿命预测模型之前，先对获得的时间序列样本数据集进行预处理，预处理方法可以是插值处理、差分化处理以及归一化处理中的任意一种或者多种方式。当采用多种方式进行预处理时，将上一处理的输出作为下一处理的输入，依次进行所述多种方式的预处理，得到处理后的时间序列样本数据集。
其中，若获得的时间序列样本数据是非等时间间隔的时间序列样本数据，则需对其进行插值处理，将其转换为等时间间隔的时间序列样本数据集。插值处理方法可以是线性插值、样条插值，或者基于时间的插值等方法，本公开对此不做限制。
其中，若获得的时间序列样本数据是不平稳的，例如，实施过程中发现饱和漏电流退化量随时间变化是呈上升趋势的，则需要对其进行差分化处理，以获得平稳时间序列数据。
其中，若获得的时间序列样本数据中含有奇异样本数据，则需对该时间序列样本数据集进行归一化处理，将获得的时间序列样本数据集收敛限定在一定范围内，消除奇异样本数据导致的不良影响，提高后续训练、测试模型的精度。例如，在本公开的实施例中，可以选择根据如下公式对时间序列样本数据集进行归一化处理：
其中，x′为时间序列样本数据归一化后的值，x为时间序列样本数据归一化前的值，xmax和xmin为时间序列样本数据集中的最大值和最小值。
图5示出用训练集训练寿命预测模型的方法流程图。
如图5所示，所述用训练集训练寿命预测模型方法包括以下步骤S501-S502：
在步骤S501中，将所述训练集中前一时刻的时间序列样本数据作为输入特征，将所述训练集中当前时刻的时间序列样本数据作为输出特征，对所述长短期记忆模型进行监督学习训练；或
采用滑动时间窗方法将所述训练集中多个连续的时间序列样本数据作为输入特征，将所述训练集中所述滑动时间窗的后一时刻的时间序列样本数据作为输出特征，对所述长短期记忆模型进行监督学习训练。
在步骤S502中，用均方误差或者平均绝对百分比误差作为损失函数，用AdaGrad,RMSprop,Adam优化器中的至少一种优化模型参数，训练所述长短期记忆模型。
在本公开的实施例中，通过对长短期记忆模型进行监督学习训练，以调整模型参数，获得最准确的寿命预测模型。具体地，在训练集中，输入前一时刻的时间序列样本数据，输出当前时刻的时间序列样本数据，将输入数据与输出数据之间形成一对一映射关系，即形成寿命预测模型。例如可以是将最开始时刻的输入值设为0，对应的输出值是第一时刻时间序列样本数据，T-1时刻样本数据作为输入值，对应的输出值是T时刻样本数据，以此类推。通过输入值和输出值之间实现转换，以获得模型参数，即对长短期记忆模型进行监督学习训练，得到寿命预测模型。或者，也可以是采用滑动时间窗方法将训练集中多个连续的时间序列样本数据作为输入特征，将训练集中滑动时间窗的后一时刻的时间序列样本数据作为输出特征，对长短期记忆模型进行监督学习训练。例如训练集中滑动时间窗内有L个连续的时间序列样本数据，将这L个连续的时间序列样本数据作为输入特征，将滑动时间窗的后一时刻的时间序列样本数据作为输出特征，对长短期记忆模型进行监督学习训练。作为可替换的实施方案，可选择8＜L＜11，或者6＜L＜13，以使得训练的模型精度更高。
在本公开的实施例中，对于通过监督学习训练获得的寿命预测模型，可以使用均方误差或者平均绝对百分比误差作为损失函数，用AdaGrad,RMSprop,Adam优化器中的至少一种优化模型参数，训练所述长短期记忆模型。
其中，均方误差计算公式是：
其中yi为真实值，
为预测值。
绝对百分比误差计算公式是：
其中yi为真实值，
为预测值。
其中，以损失函数最小化为优化目标，用AdaGrad,RMSprop,Adam优化器来迭代更新调整寿命预测模型参数时，为了防止寿命预测模型在训练过程中出现不收敛的问题，可以对寿命预测模型进行多次迭代，迭代次数可以是1,000～10,000次。
使用本公开的寿命预测模型预测CMOS器件失效时间，包括：将任一时间序列样本数据作为寿命预测模型的输入，得到寿命预测模型的输出结果；将寿命预测模型的输出结果更新寿命预测模型的输入，以更新寿命预测模型的输出，直到寿命预测模型的输出达到CMOS器件失效时对应的相应电参数退化量阈值范围；根据相邻时间样本数据之间的时间间隔和寿命预测模型的输出，确定CMOS器件的失效时间。其中，CMOS器件失效时对应的相应电参数退化量阈值范围可以是初始值的9％～11％。具体地，以通过加速应力试验获取饱和漏电流退化量的时间序列样本数据，CMOS器件失效时对应的相应电参数退化量是初始值的10％为例说明，在工业化产出的每批次CMOS器件中，采用随机抽样方式抽取一定比例或者数量的CMOS器件，对于每件CMOS器件通过加速应力试验获取饱和漏电流的退化量达到初始值的5％的时间序列样本数据集，将该时间序列样本数据集分为训练集和测试集，然后将训练集中前一时刻的时间序列样本数据作为输入特征，将训练集中当前时刻的时间序列样本数据作为输出特征，对长短期记忆模型进行监督学习训练，得到寿命预测模型，之后再将测试集中的前一时刻的时间序列样本数据作为输入特征输入寿命预测模型，以计算当前时刻的时间序列样本数据，即预测当前时刻的饱和漏电流的退化量，计算预测值和测试集中数据值之间的均方误差，以损失函数最小化为优化目标，采用AdaGrad,RMSprop,Adam等优化器来迭代更新调整寿命预测模型参数，使建立的模型精度最高，预测值最准确。再将当前时刻的时间序列样本数据作为输入特征输入经迭代更新的寿命预测模型，以计算下一时刻的时间序列样本数据，即预测下一时刻的饱和漏电流的退化量，直到预测的下一时刻的饱和漏电流的退化量达到初始值的10％的数值，此时可根据寿命预测模型输出的预测值绘制经时变化曲线，根据经时变化曲线直接读取CMOS器件的失效时间。针对样本中的每个CMOS器件都重复该过程，即可获知该批次CMOS器件使用寿命的区间范围。
和/或，使用本公开的寿命预测模型预测CMOS器件失效时间，也可以是将任一滑动时间窗内的时间序列样本数据作为寿命预测模型的输入，得到寿命预测模型的输出结果；将寿命预测模型的输出结果更新寿命预测模型的输入，以更新寿命预测模型的输出，直到寿命预测模型的输出达到CMOS器件失效时对应的相应电参数退化量阈值范围；根据相邻时间样本数据之间的时间间隔和寿命预测模型的输出，确定CMOS器件的失效时间。其中，CMOS器件失效时对应的相应电参数退化量阈值范围可以是初始值的9％～11％。具体地，以通过加速应力试验获取饱和漏电流退化量的时间序列样本数据，CMOS器件失效时对应的相应电参数退化量是初始值的10％为例说明，针对每个CMOS器件，在时间序列样本数据集分为训练集和测试集后，将训练集滑动时间窗中L个连续的时间序列样本数据作为输入特征，将训练集中当前时刻的时间序列样本数据作为输出特征，对长短期记忆模型进行监督学习训练，得到寿命预测模型，之后再将测试集滑动时间窗中L个连续的时间序列样本数据作为输入特征输入寿命预测模型，以计算当前时刻的时间序列样本数据，即预测当前时刻的饱和漏电流的退化量，计算预测值和测试集中数据值之间的均方误差，以损失函数最小化为优化目标，采用AdaGrad,RMSprop,Adam等优化器来迭代更新调整寿命预测模型参数，使建立的模型精度最高，预测值最准确。再将滑动时间窗中包含当前时刻的L个连续的时间序列样本数据作为输入特征输入经迭代更新的寿命预测模型，以计算下一时刻的时间序列样本数据，即预测下一时刻的饱和漏电流的退化量，直到预测的下一时刻的饱和漏电流的退化量达到初始值的10％的数值，此时可根据寿命预测模型输出的预测值绘制经时变化曲线，根据经时变化曲线直接读取CMOS器件的失效时间。
根据本公开的实施例，经时变化曲线上的每个点的纵坐标是寿命预测模型的输出值，相应的横坐标是该输出值对应的时间点，相邻点的横坐标之差为相邻时间样本数据之间的时间间隔。
图6示出根据本公开的实施例的CMOS器件寿命预测装置的结构框图。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6所示，所述CMOS器件寿命预测装置600包括：
获取模块601，被配置为获取CMOS器件在加速应力试验下电参数的时间序列样本数据集，所述时间序列样本数据集包括表征所述CMOS器件寿命的电参数退化量的时间序列样本数据；
第一分类模块602，被配置为基于所述时间序列样本数据集得到训练集；
训练模块603，被配置为用所述训练集训练时序模型，获得寿命预测模型；
预测模块604，被配置为用所述寿命预测模型预测所述CMOS器件的失效时间。
进一步的，所述CMOS器件寿命预测装置600还包括：
第二分类模块，被配置为基于所述时间序列样本数据集得到测试集；
验证模块，被配置为用所述测试集验证所述寿命预测模型，
其中，所述预测模块还被配置为用验证的所述寿命预测模型预测所述CMOS器件的失效时间。
本公开提供的CMOS器件寿命预测装置，包括：获取模块，被配置为获取CMOS器件在加速应力试验下电参数的时间序列样本数据集，所述时间序列样本数据集包括表征所述CMOS器件寿命的电参数退化量的时间序列样本数据；第一分类模块，被配置为基于所述时间序列样本数据集得到训练集；训练模块，被配置为用所述训练集训练时序模型，获得寿命预测模型；预测模块，被配置为用所述寿命预测模型预测所述CMOS器件的失效时间。上述技术方案通过对CMOS器件进行非完整的加速应力试验，获得表征CMOS器件寿命的电参数退化量在初始值到预设阈值范围内的时间序列样本数据集，根据该时间序列样本数据集训练寿命预测模型，然后使用模型即可预测该CMOS器件的失效时间，减少了现有技术中因对CMOS器件进行完整的加速应力试验以确定其使用寿命的时间成本，提高了产品质检效率，缩短了CMOS器件的生产周期。
根据本公开的实施例，所述时序模型是长短期记忆模型。
根据本公开的实施例，所述长短期记忆模型具有1～5个隐藏层节点，以及1个全连接层节点。
根据本公开的实施例，表征所述CMOS器件寿命的电参数包括以下的至少一项：饱和漏电流、阈值电压、跨导；
所述时间序列样本数据集中的电参数退化量小于等于所述CMOS器件失效时的相应电参数退化量。
根据本公开的实施例，所述时间序列样本数据集中的电参数退化量最大值为相应电参数的5％～7％。
根据本公开的实施例，所述时间序列样本数据集中的电参数退化量最大值为相应电参数的5％或6％或7％。
根据本公开的实施例，还包括：
预处理模块，被配置为通过以下任意一种或多种方式对所述时间序列样本数据集进行预处理，得到处理后的时间序列样本数据集：
对非等时间间隔的时间序列样本数据集进行等时间间隔的插值处理；
对所述时间序列样本数据集进行差分化处理；
对所述时间序列样本数据集进行归一化处理；
其中，当采用多种方式进行预处理时，将上一处理的输出作为下一处理的输入，依次进行所述多种方式的预处理，得到处理后的时间序列样本数据集。
根据本公开的实施例，所述训练模块包括：
监督学习模块，被配置为将所述训练集中前一时刻的时间序列样本数据作为输入特征，将所述训练集中当前时刻的时间序列样本数据作为输出特征，对所述长短期记忆模型进行监督学习训练。
根据本公开的实施例，所述训练模块包括：
监督学习模块，被配置为采用滑动时间窗方法将所述训练集中多个连续的时间序列样本数据作为输入特征，将所述训练集中所述滑动时间窗的后一时刻的时间序列样本数据作为输出特征，对所述长短期记忆模型进行监督学习训练。
根据本公开的实施例，所述连续的时间序列样本数据数量是8～11个；或
所述连续的时间序列样本数据数量是9个。
根据本公开的实施例，所述训练模块还包括：
优化模块，被配置为用均方误差或者平均绝对百分比误差作为损失函数，用AdaGrad,RMSprop,Adam优化器中的至少一种优化模型参数，训练所述长短期记忆模型。
根据本公开的实施例，所述训练模块还包括：
迭代模块，被配置为对所述寿命预测模型进行多次迭代。
根据本公开的实施例，所述迭代模块的迭代的次数是1,000～10,000次。
图7示出根据本公开的实施例的电子设备的结构框图。
如图7所示，所述电子设备700包括存储器701和处理器702，其中，存储器701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702执行以实现如下方法步骤：
获取CMOS器件在加速应力试验下电参数的时间序列样本数据集，所述时间序列样本数据集包括表征所述CMOS器件寿命的电参数退化量的时间序列样本数据；
基于所述时间序列样本数据集得到训练集；
用所述训练集训练时序模型，获得寿命预测模型；
用所述寿命预测模型预测所述CMOS器件的失效时间。
根据本公开的实施例，还包括：
基于所述时间序列样本数据集得到测试集；
用所述测试集验证所述寿命预测模型，
其中，所述用所述寿命预测模型预测所述CMOS器件的失效时间，包括用验证的所述寿命预测模型预测所述CMOS器件的失效时间。
根据本公开的实施例，所述时序模型是长短期记忆模型。
根据本公开的实施例，所述长短期记忆模型具有1～5个隐藏层节点，以及1个全连接层节点。
根据本公开的实施例，表征所述CMOS器件寿命的电参数包括以下的至少一项：饱和漏电流、阈值电压、跨导；
所述时间序列样本数据集中的电参数退化量小于等于所述CMOS器件失效时的相应电参数退化量。
根据本公开的实施例，所述时间序列样本数据集中的电参数退化量最大值为相应电参数的5％～7％。
根据本公开的实施例，所述时间序列样本数据集中的电参数退化量最大值为相应电参数的5％或6％或7％。
根据本公开的实施例，还包括：
通过以下任意一种或多种方式对所述时间序列样本数据集进行预处理，得到处理后的时间序列样本数据集：
对非等时间间隔的时间序列样本数据集进行等时间间隔的插值处理；
对所述时间序列样本数据集进行差分化处理；
对所述时间序列样本数据集进行归一化处理；
其中，当采用多种方式进行预处理时，将上一处理的输出作为下一处理的输入，依次进行所述多种方式的预处理，得到处理后的时间序列样本数据集。
根据本公开的实施例，所述用所述训练集训练时序模型，获得寿命预测模型包括：
将所述训练集中前一时刻的时间序列样本数据作为输入特征，将所述训练集中当前时刻的时间序列样本数据作为输出特征，对所述长短期记忆模型进行监督学习训练。
根据本公开的实施例，所述用所述训练集训练时序模型，获得寿命预测模型包括：
采用滑动时间窗方法将所述训练集中多个连续的时间序列样本数据作为输入特征，将所述训练集中所述滑动时间窗的后一时刻的时间序列样本数据作为输出特征，对所述长短期记忆模型进行监督学习训练。
根据本公开的实施例，所述连续的时间序列样本数据数量是8～11个；或，
所述连续的时间序列样本数据数量是9个。
根据本公开的实施例，所述用所述训练集训练时序模型，获得寿命预测模型还包括：
用均方误差或者平均绝对百分比误差作为损失函数，用AdaGrad,RMSprop,Adam优化器中的至少一种优化模型参数，训练所述长短期记忆模型。
根据本公开的实施例，所述用所述训练集训练时序模型，获得寿命预测模型还包括：
对所述寿命预测模型进行多次迭代。
根据本公开的实施例，所述迭代的次数是1,000～10,000次。
图8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8所示，计算机系统800包括处理单元801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行上述实施例中的各种处理。在RAM803中，还存储有计算机系统800操作所需的各种程序和数据。处理单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；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807；包括硬盘等的存储部分808；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809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，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810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808。其中，所述处理单元801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，其包括计算机指令，该计算机指令被处理器执行时实现上文所述的方法步骤。在这样的实施例中，该计算机程序产品可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811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 (28)
1.一种CMOS器件寿命预测方法，其特征在于，包括：
获取CMOS器件在非完整的加速应力试验下电参数的时间序列样本数据集，所述时间序列样本数据集包括表征所述CMOS器件寿命的电参数退化量的时间序列样本数据，其中，所述时间序列样本数据集中的电参数退化量小于所述CMOS器件失效时的相应电参数退化量，所述时间序列样本数据集中的电参数退化量最大值为相应电参数的5％～7％；
基于所述时间序列样本数据集得到训练集；
用所述训练集训练时序模型，获得寿命预测模型；
用所述寿命预测模型预测所述CMOS器件的失效时间。
2.根据权利要求1所述的CMOS器件寿命预测方法，其特征在于，还包括：
基于所述时间序列样本数据集得到测试集；
用所述测试集验证所述寿命预测模型，
其中，所述用所述寿命预测模型预测所述CMOS器件的失效时间，包括用验证的所述寿命预测模型预测所述CMOS器件的失效时间。
3.根据权利要求1或2所述的CMOS器件寿命预测方法，其特征在于，
所述时序模型是长短期记忆模型。
4.根据权利要求3所述的CMOS器件寿命预测方法，其特征在于，
所述长短期记忆模型具有1～5个隐藏层节点，以及1个全连接层节点。
5.根据权利要求1所述的CMOS器件寿命预测方法，其特征在于，
表征所述CMOS器件寿命的电参数包括以下的至少一项：饱和漏电流、阈值电压、跨导。
6.根据权利要求5所述的CMOS器件寿命预测方法，其特征在于，
所述时间序列样本数据集中的电参数退化量最大值为相应电参数的5％或6％或7％。
7.根据权利要求1所述的CMOS器件寿命预测方法，其特征在于，还包括：
通过以下任意一种或多种方式对所述时间序列样本数据集进行预处理，得到处理后的时间序列样本数据集：
对非等时间间隔的时间序列样本数据集进行等时间间隔的插值处理；
对所述时间序列样本数据集进行差分化处理；
对所述时间序列样本数据集进行归一化处理；
其中，当采用多种方式进行预处理时，将上一处理的输出作为下一处理的输入，依次进行所述多种方式的预处理，得到处理后的时间序列样本数据集。
8.根据权利要求3所述的CMOS器件寿命预测方法，其特征在于，
所述用所述训练集训练时序模型，获得寿命预测模型包括：
将所述训练集中前一时刻的时间序列样本数据作为输入特征，将所述训练集中当前时刻的时间序列样本数据作为输出特征，对所述长短期记忆模型进行监督学习训练。
9.根据权利要求3所述的CMOS器件寿命预测方法，其特征在于，
所述用所述训练集训练时序模型，获得寿命预测模型包括：
采用滑动时间窗方法将所述训练集中多个连续的时间序列样本数据作为输入特征，将所述训练集中所述滑动时间窗的后一时刻的时间序列样本数据作为输出特征，对所述长短期记忆模型进行监督学习训练。
10.根据权利要求9所述的CMOS器件寿命预测方法，其特征在于，
所述连续的时间序列样本数据数量是8～11个；或
所述连续的时间序列样本数据数量是9个。
11.根据权利要求3所述的CMOS器件寿命预测方法，其特征在于，
所述用所述训练集训练时序模型，获得寿命预测模型还包括：
用均方误差或者平均绝对百分比误差作为损失函数，用AdaGrad,RMSprop,Adam优化器中的至少一种优化模型参数，训练所述长短期记忆模型。
12.根据权利要求11所述的CMOS器件寿命预测方法，其特征在于，
所述用所述训练集训练时序模型，获得寿命预测模型还包括：
对所述寿命预测模型进行多次迭代。
13.根据权利要求12所述的CMOS器件寿命预测方法，其特征在于，
所述迭代的次数是1,000～10,000次。
14.一种CMOS器件寿命预测装置，其特征在于，包括：
获取模块，被配置为获取CMOS器件在非完整的加速应力试验下电参数的时间序列样本数据集，所述时间序列样本数据集包括表征所述CMOS器件寿命的电参数退化量的时间序列样本数据，其中，所述时间序列样本数据集中的电参数退化量小于所述CMOS器件失效时的相应电参数退化量，所述时间序列样本数据集中的电参数退化量最大值为相应电参数的5％～7％；
第一分类模块，被配置为基于所述时间序列样本数据集得到训练集；
训练模块，被配置为用所述训练集训练时序模型，获得寿命预测模型；
预测模块，被配置为用所述寿命预测模型预测所述CMOS器件的失效时间。
15.根据权利要求14所述的CMOS器件寿命预测装置，其特征在于，还包括：
第二分类模块，被配置为基于所述时间序列样本数据集得到测试集；
验证模块，被配置为用所述测试集验证所述寿命预测模型，
其中，所述预测模块还被配置为用验证的所述寿命预测模型预测所述CMOS器件的失效时间。
16.根据权利要求14或15所述的CMOS器件寿命预测装置，其特征在于，
所述时序模型是长短期记忆模型。
17.根据权利要求16所述的CMOS器件寿命预测装置，其特征在于，
所述长短期记忆模型具有1～5个隐藏层节点，以及1个全连接层节点。
18.根据权利要求14所述的CMOS器件寿命预测装置，其特征在于，
表征所述CMOS器件寿命的电参数包括以下的至少一项：饱和漏电流、阈值电压、跨导。
19.根据权利要求18所述的CMOS器件寿命预测装置，其特征在于，
所述时间序列样本数据集中的电参数退化量最大值为相应电参数的5％或6％或7％。
20.根据权利要求14所述的CMOS器件寿命预测装置，其特征在于，还包括：
预处理模块，被配置为通过以下任意一种或多种方式对所述时间序列样本数据集进行预处理，得到处理后的时间序列样本数据集：
对非等时间间隔的时间序列样本数据集进行等时间间隔的插值处理；
对所述时间序列样本数据集进行差分化处理；
对所述时间序列样本数据集进行归一化处理；
其中，当采用多种方式进行预处理时，将上一处理的输出作为下一处理的输入，依次进行所述多种方式的预处理，得到处理后的时间序列样本数据集。
21.根据权利要求16所述的CMOS器件寿命预测装置，其特征在于，所述训练模块包括：
监督学习模块，被配置为将所述训练集中前一时刻的时间序列样本数据作为输入特征，将所述训练集中当前时刻的时间序列样本数据作为输出特征，对所述长短期记忆模型进行监督学习训练。
22.根据权利要求16所述的CMOS器件寿命预测装置，其特征在于，所述训练模块包括：
监督学习模块，被配置为采用滑动时间窗方法将所述训练集中多个连续的时间序列样本数据作为输入特征，将所述训练集中所述滑动时间窗的后一时刻的时间序列样本数据作为输出特征，对所述长短期记忆模型进行监督学习训练。
23.根据权利要求22所述的CMOS器件寿命预测装置，其特征在于，
所述连续的时间序列样本数据数量是8～11个；或
所述连续的时间序列样本数据数量是9个。
24.根据权利要求16所述的CMOS器件寿命预测装置，其特征在于，所述训练模块还包括：
优化模块，被配置为用均方误差或者平均绝对百分比误差作为损失函数，用AdaGrad,RMSprop,Adam优化器中的至少一种优化模型参数，训练所述长短期记忆模型。
25.根据权利要求24所述的CMOS器件寿命预测装置，其特征在于，
所述训练模块还包括：
迭代模块，被配置为对所述寿命预测模型进行多次迭代。
26.根据权利要求25所述的CMOS器件寿命预测装置，其特征在于，
所述迭代模块的迭代的次数是1,000～10,000次。
27.一种电子设备，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权利要求1～13任一项所述的方法步骤。
28.一种可读存储介质，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权利要求1～13任一项所述的方法步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211039166.5A CN115308558B (zh) | 2022-08-29 | 2022-08-29 | Cmos器件寿命预测方法、装置、电子设备及介质 |
| PCT/CN2022/132173 WO2024045351A1 (zh) | 2022-08-29 | 2022-11-16 | Cmos器件寿命预测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211039166.5A CN115308558B (zh) | 2022-08-29 | 2022-08-29 | Cmos器件寿命预测方法、装置、电子设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115308558A CN115308558A (zh) | 2022-11-08 |
| CN115308558B true CN115308558B (zh) | 2023-06-02 |
Family
ID=83864638
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211039166.5A Active CN115308558B (zh) | 2022-08-29 | 2022-08-29 | Cmos器件寿命预测方法、装置、电子设备及介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115308558B (zh) |
| WO (1) | WO2024045351A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115308558B (zh) * | 2022-08-29 | 2023-06-02 | 北京智芯微电子科技有限公司 | Cmos器件寿命预测方法、装置、电子设备及介质 |
| CN116754920B (zh) * | 2023-08-21 | 2023-10-27 | 北京智芯微电子科技有限公司 | 半导体寿命测试方法、装置、存储介质及终端设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101576443A (zh) * | 2009-06-16 | 2009-11-11 | 北京航空航天大学 | 基于灰色rbf神经网络的加速寿命试验寿命预测方法 |
| WO2012117874A1 (ja) * | 2011-02-28 | 2012-09-07 | 三菱重工業株式会社 | 二次電池寿命予測装置、電池システム、及び二次電池寿命予測方法 |
| CN102901651A (zh) * | 2012-10-16 | 2013-01-30 | 南京航空航天大学 | 电子产品分数阶神经网络性能退化模型及寿命预测方法 |
| CN112800616A (zh) * | 2021-02-05 | 2021-05-14 | 中国人民解放军空军工程大学 | 基于比例加速退化建模的设备剩余寿命自适应预测方法 |
| WO2021208079A1 (zh) * | 2020-04-17 | 2021-10-21 | 中国科学院深圳先进技术研究院 | 获取动力电池寿命数据的方法、装置、计算机设备及介质 |
| CN113946986A (zh) * | 2021-12-20 | 2022-01-18 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 基于加速退化试验的产品平均失效前时间评估方法和装置 |
Family Cites Families (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567560A (zh) * | 2010-12-27 | 2012-07-11 | 北京圣涛平试验工程技术研究院有限责任公司 | Mos器件寿命预计方法及系统 |
| CN102252898B (zh) * | 2011-03-09 | 2015-01-21 | 北京航空航天大学 | 基于“寿命-应力”模型的电子产品加速寿命试验方法 |
| JP2015002242A (ja) * | 2013-06-14 | 2015-01-05 | 株式会社東芝 | 半導体素子の寿命診断方法 |
| CN103675637B (zh) * | 2013-11-14 | 2016-03-30 | 南京航空航天大学 | 功率mosfet健康状态评估与剩余寿命预测方法 |
| CN108664690A (zh) * | 2018-03-24 | 2018-10-16 | 北京工业大学 | 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法 |
| US20200097810A1 (en) * | 2018-09-25 | 2020-03-26 | Oracle International Corporation | Automated window based feature generation for time-series forecasting and anomaly detection |
| CN111597759B (zh) * | 2020-05-18 | 2022-04-26 | 中车永济电机有限公司 | 变流装置igbt剩余使用寿命预测模型的构建方法 |
| CN113759225B (zh) * | 2020-06-01 | 2022-07-19 | 上海交通大学 | Igbt剩余寿命预测和状态评估实现方法 |
| CN112084717A (zh) * | 2020-09-15 | 2020-12-15 | 复旦大学 | 紫外发光二极管性能退化预测模型构建及寿命预测方法 |
| CN112214951B (zh) * | 2020-10-19 | 2022-05-24 | 武汉大学 | 分段式lstm的微网逆变器igbt可靠性评估方法及系统 |
| CN113987932A (zh) * | 2021-10-26 | 2022-01-28 | 电子科技大学 | 一种基于时间序列模型的mosfet寿命预测方法 |
| CN113945818A (zh) * | 2021-10-26 | 2022-01-18 | 电子科技大学 | 一种mosfet寿命预测方法 |
| CN114297910A (zh) * | 2021-11-26 | 2022-04-08 | 中国民航大学 | 一种基于改进lstm的航空发动机寿命预测方法 |
| CN114186492A (zh) * | 2021-12-10 | 2022-03-15 | 电子科技大学 | 一种基于门控循环单元神经网络的SiC MOSFET器件寿命预测方法 |
| CN114330148B (zh) * | 2022-03-11 | 2022-06-28 | 浙江大学 | 基于加速退化数据的电机绝缘寿命预测方法 |
| CN114611803A (zh) * | 2022-03-15 | 2022-06-10 | 重庆大学 | 基于退化特征的开关器件寿命预测方法 |
| CN114881246A (zh) * | 2022-05-06 | 2022-08-09 | 中国工程物理研究院计算机应用研究所 | 基于集成学习的锂电池剩余使用寿命预测方法及系统 |
| CN114818393B (zh) * | 2022-06-28 | 2023-04-14 | 北京芯可鉴科技有限公司 | 半导体器件失效时刻预测方法、装置、设备及介质 |
| CN115128427B (zh) * | 2022-08-29 | 2023-01-20 | 北京芯可鉴科技有限公司 | Mos器件寿命预测方法、装置、电子设备、介质及程序产品 |
| CN115308558B (zh) * | 2022-08-29 | 2023-06-02 | 北京智芯微电子科技有限公司 | Cmos器件寿命预测方法、装置、电子设备及介质 |
-
2022
- 2022-08-29 CN CN202211039166.5A patent/CN115308558B/zh active Active
- 2022-11-16 WO PCT/CN2022/132173 patent/WO2024045351A1/zh unknown
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101576443A (zh) * | 2009-06-16 | 2009-11-11 | 北京航空航天大学 | 基于灰色rbf神经网络的加速寿命试验寿命预测方法 |
| WO2012117874A1 (ja) * | 2011-02-28 | 2012-09-07 | 三菱重工業株式会社 | 二次電池寿命予測装置、電池システム、及び二次電池寿命予測方法 |
| CN102901651A (zh) * | 2012-10-16 | 2013-01-30 | 南京航空航天大学 | 电子产品分数阶神经网络性能退化模型及寿命预测方法 |
| WO2021208079A1 (zh) * | 2020-04-17 | 2021-10-21 | 中国科学院深圳先进技术研究院 | 获取动力电池寿命数据的方法、装置、计算机设备及介质 |
| CN112800616A (zh) * | 2021-02-05 | 2021-05-14 | 中国人民解放军空军工程大学 | 基于比例加速退化建模的设备剩余寿命自适应预测方法 |
| CN113946986A (zh) * | 2021-12-20 | 2022-01-18 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 基于加速退化试验的产品平均失效前时间评估方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115308558A (zh) | 2022-11-08 |
| WO2024045351A1 (zh) | 2024-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115308558B (zh) | Cmos器件寿命预测方法、装置、电子设备及介质 | |
| CN110705692B (zh) | 一种时空注意力网络的非线性动态工业过程产品预测方法 | |
| CN110909926A (zh) | 基于tcn-lstm的太阳能光伏发电预测方法 | |
| CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
| CN110245801A (zh) | 一种基于组合挖掘模型的电力负荷预测方法及系统 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN112085254B (zh) | 基于多重分形协同度量门控循环单元的预测方法及模型 | |
| CN116757534A (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| CN113240170A (zh) | 一种基于季节性循环神经网络的空气质量预测方法 | |
| CN110163743A (zh) | 一种基于超参数优化的信用评分方法 | |
| CN112116002A (zh) | 一种检测模型的确定方法、验证方法和装置 | |
| CN110895772A (zh) | 基于灰色关联分析与SA-PSO-Elman算法结合的售电量预测方法 | |
| CN114694379B (zh) | 一种基于自适应动态图卷积的交通流预测方法及系统 | |
| CN116542701A (zh) | 一种基于cnn-lstm组合模型的碳价预测方法及系统 | |
| CN116703464A (zh) | 电动汽车充电需求建模方法、装置、电子设备及存储介质 | |
| CN113095484A (zh) | 基于lstm神经网络的股票价格预测方法 | |
| CN116930609A (zh) | 一种基于ResNet-LSTM模型的电能计量误差分析方法 | |
| CN115062528A (zh) | 一种针对工业过程时序数据的预测方法 | |
| CN118095570A (zh) | 台区智能负荷预测方法、系统、电子设备、介质及芯片 | |
| CN114611803A (zh) | 基于退化特征的开关器件寿命预测方法 | |
| CN112507613B (zh) | 一种秒级超短期光伏功率预测方法 | |
| CN113988415A (zh) | 一种中长期电力负荷预测方法 | |
| CN117236485B (zh) | 一种基于cnn-bilstm算法减小预测电网供电量误差的方法 | |
| CN117494888A (zh) | 基于优化级联的分布式光伏功率预测方法及系统 | |
| CN113536662A (zh) | 基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20221108 Assignee: CHINA GRIDCOM Co.,Ltd. Assignor: BEIJING SMARTCHIP MICROELECTRONICS TECHNOLOGY Co.,Ltd. Contract record no.: X2023980054029 Denomination of invention: Method, device, electronic device, and medium for predicting the lifespan of CMOS devices Granted publication date: 20230602 License type: Common License Record date: 20231226 |