CN116090390A - 基于深度学习的finfet器件直流特性预测方法 - Google Patents

基于深度学习的finfet器件直流特性预测方法 Download PDF

Info

Publication number
CN116090390A
CN116090390A CN202211737893.9A CN202211737893A CN116090390A CN 116090390 A CN116090390 A CN 116090390A CN 202211737893 A CN202211737893 A CN 202211737893A CN 116090390 A CN116090390 A CN 116090390A
Authority
CN
China
Prior art keywords
leakage
deep learning
finfet
voltage
current
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
CN202211737893.9A
Other languages
English (en)
Inventor
王树龙
陈栋梁
李宇航
曹宪法
刘伯航
潘锦斌
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202211737893.9A priority Critical patent/CN116090390A/zh
Publication of CN116090390A publication Critical patent/CN116090390A/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]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing Of Individual Semiconductor Devices (AREA)

Abstract

一种基于深度学习的FINFET器件直流特性预测方法，通过ADS软件调用BSIM‑CMG模块，构建FINFET器件电学特性测试原理图，使用ADS软件内置的批量仿真模块提取不同尺寸FINFET器件的电学特性，将影响器件特性的尺寸以及器件的栅压VGS作为输入特征，器件的电学特性作为输出结果，完成数据集的构建；将构建的数据集按比例划分训练集、测试集和预测集；构建基于深度学习神经网络的器件电学特性预测模型；利用数据集训练器件电学特性预测模型，利用训练完成得到的器件电学特性预测模型对器件电学特性进行预测。本发明可解决仿真电路模拟器软件学习成本高和耗时久，效率低等问题；并通过深度学习方式大幅降低操作门槛。

Description

基于深度学习的FINFET器件直流特性预测方法
技术领域
本发明属于半导体仿真技术领域，特别涉及一种基于深度学习的FINFET器件直流特性预测方法。
背景技术
当金属氧化物场效应晶体管(MOSFET)的沟道长度缩小到20纳米以下的时候，遇到了许多问题，尤其是沟道长度越小，源极和漏极的距离越近，栅极下方的氧化物也就越薄，从而产生漏电。
引入鳍式场效应晶体管(FINFET)后解决了亚阈值泄露和短沟道静电新能差的问题。但是要想更好地利用FINFET，就需要获取其电学特性。传统方案依赖于仿真电路模拟器软件，由于模拟器软件是由软件厂家根据器件工厂实测数据分析拟合而来，其自身存在一定的误差，而这个误差随设计人员选用的不同软件而波动。仿真电路模拟器软件门槛较高，要求设计人员深刻理解半导体器件内部构造。同时仿真电路模拟器软件通常大而杂，设计人员需要仔细衡量各个参数与实际器件的匹配的程度，需要设置的参数种类多样过于繁杂，对设计人员而言学习成本过高。最后，仿真电路模拟器软件仿真较为耗时。
总体来说，目前鳍式场效应晶体管(FINFET)电学特性的获取，主要基于仿真电路模拟器(SPICE)软件仿真的方式，相对于深度学习的人工智能方案来说仍较为耗时，要求使用者深刻理解半导体器件物理及其前置必备知识，甚至需要从业专业人员指导。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于深度学习的FINFET器件直流特性预测方法，通过批量采集仿真电路模拟器软件的数据构建高速深度学习神经网络模型，从而直接、快速地得到设计人员需要的电路特性；从而解决仿真电路模拟器软件学习成本高和耗时久，效率低等问题；并通过深度学习方式大幅降低操作门槛。
为了实现上述目的，本发明采用的技术方案是：
一种基于深度学习的FINFET器件直流特性预测方法，包括如下步骤：
步骤1，通过ADS软件调用BSIM-CMG模块，构建FINFET器件电学特性测试原理图，使用ADS软件内置的批量仿真模块提取不同尺寸FINFET器件的电学特性，将影响器件特性的尺寸以及器件的栅压VGS作为输入特征，器件的电学特性作为输出结果，完成数据集的构建；所述器件电学特性是指漏电流随漏电压变化的曲线，即漏电流-漏电压曲线；
步骤2，将步骤1中构建的数据集按比例划分训练集、测试集和预测集；
步骤3，构建基于深度学习神经网络的器件电学特性预测模型；
步骤4，利用所述数据集训练所述器件电学特性预测模型，利用训练完成得到的器件电学特性预测模型对器件电学特性进行预测。
在一个实施例中，所述步骤1，影响器件特性的尺寸为器件栅氧化层厚度t_tfin、器件沟道长度t_l、器件插指数t_nf和器件每个插指鳍数t_nfin；逐级改变四个变量t_tfin、t_l、t_nf、t_nfin，仿真出不同尺寸的器件栅压VGS分别在0～Vn范围内的若干不同取值下的漏电流-漏电压曲线，其中，曲线的横轴为漏电压，纵轴为漏电流，Vn为设定的器件栅压值。
在一个实施例中，在ADS软件中调用批量仿真模拟器组件，用5个循环由内到外依次改变：器件栅压VGS、器件每个插指鳍数t_nfin、器件插指数t_nf、器件栅氧化层厚度t_tfin和器件沟道长度t_l；共计循环N次，每次得到器件在一组不同漏电压下的漏电流数据，所述一组不同漏电压是0～Vn，步长为m；根据每组得到的(Vn/m)+1个点，以漏电压为横坐标，漏电流为纵坐标，绘制出漏电流-漏电压曲线，最终以仿真得到的M个点分组成N组漏电流-漏电压关系；其中，M＝N×[(Vn/m)+1]；N＝k1×k2×k3×k4×k5，k1为器件栅压VGS改变时的取值数量，k2为器件每个插指鳍数t_nfin改变时的取值数量，k3为器件插指数t_nf改变时的取值数量，k4为器件栅氧化层厚度t_tfin改变时的取值数量，k5为器件沟道长度t_l改变时的取值数量；
每一组器件栅压VGS、器件每个插指鳍数t_nfin、器件插指数t_nf、器件栅氧化层厚度t_tfin和器件沟道长度t_l对应一组漏电流-漏电压关系；即每一组器件栅压VGS、器件每个插指鳍数t_nfin、器件插指数t_nf、器件栅氧化层厚度t_tfin和器件沟道长度t_l作为输入，与其对应的每一组漏电流-漏电压关系即(Vn/m)+1个漏电压-漏电流点作为输出。
在一个实施例中，所述N＝15000，Vn＝1.5V，m＝0.05V；所述栅电压VGS的改变是在0V到1.5V的范围，步长为0.3V，即k1＝6；所述每个插指鳍数t_nfin的改变是在1到5的范围，步长为1，即k2＝5；所述器件插指数t_nf的改变是在1到5的范围，步长为1，即k3＝5；所述器件栅氧化层厚度t_tfin的改变是在1nm到10nm的范围，步长为1nm，即k4＝10；所述器件沟道长度t_l的改变是在2nm到20nm的范围，步长为2nm，即k5＝10。
在一个实施例中，所述器件电学特性预测模型包括上采样模块和预测模块；所述上采样模块中包括第一转置卷积层、第二转置卷积层、卷积层、最大池化层、单核卷积层；
所述预测模块的输入为上采样网络模块的输出，由双通道全连接层构成，第一个全连接层输出0～Vn，步长为m，(Vn/m)+1个漏电压下电流的有效数字；第二个全连接层作为分类层，接SOFTMAX函数进行分类得到电流阶数；将两者合并得到最终的电流预测值。
在一个实施例中，所述第一转置卷积层参数为(1，256，3，3)，所述第二转置卷积层参数为(256，256，3，3)，所述卷积层参数为(256，256，3，1)，所述单核卷积层的参数为(256，64，1，1)；上采样模块最终得到一组一维1*1344的特征向量。
在一个实施例中，所述步骤4，采用L1loss即平均绝对差作为损失函数反向传播损失更改网络权重。
在一个实施例中，所述步骤4，将预测集送入器件电学特性预测模型，得到预测电流值，绘制预测漏电流-漏电压曲线并与实际漏电流漏电压曲线进行比对。
与现有技术相比，本发明可以直接，快速和准确地预测FINFET器件的直流特性，解决传统仿真电路模拟器软件预测FINFET器件直流特性，需要设置参数繁杂，过程繁琐的问题，同时也大幅降低了时间成本和使用仿真电路模拟器软件的学习成本。
附图说明
图1是FINFET器件电学特性测试原理图。
图2是上采样网络模块示意图。
图3是预测网络模块示意图。
图4是网络训练train_loss监视图。
图5是网络训练train_loss监视图。
图6是网络预测结果展示图。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
本发明为一种基于深度学习的FINFET器件直流特性也即其主要电学特性的预测方法，通过ADS(Advanced Design System)软件提取不同尺寸的FINFET器件的电学特性，并将其和器件尺寸作为数据库，来构建深度学习模型。具体步骤如下：
步骤1，通过ADS软件调用BSIM-CMG模块，构建FINFET器件电学特性测试原理图，使用ADS软件内置的批量仿真模块提取不同尺寸FINFET器件的电学特性，将影响器件特性的尺寸以及器件的栅压VGS作为输入特征，器件的电学特性作为输出结果，完成数据集的构建。
在本发明中，器件电学特性是指漏电流随漏电压变化的曲线，即漏电流-漏电压曲线，其直接反映了FINFET器件的直流特性。
在FINFET器件中，影响其器件特性的尺寸主要为器件栅氧化层厚度t_tfin、器件沟道长度t_l、器件插指数t_nf和器件每个插指鳍数t_nfin，利用ADS软件内置BSIM-CMG模块中FINFET NMOS提取不同尺寸器件的电学特性如图1所示，采用的BSIM-CMG版本为106.1。设置变量为漏电压VDS，栅压VGS，器件栅氧化层厚度t_tfin，器件沟道长度t_l，器件鳍高t_hfin，器件插指数t_nf，器件每个插指鳍数t_nfin，其中后面五个变量为输入特征。本发明实施例通过逐级改变四个变量t_tfin、t_l、t_nf、t_nfin，即可仿真出不同尺寸的器件栅压VGS分别在0～Vn范围内的若干不同取值下的漏电流-漏电压曲线，其中，曲线的横轴为漏电压，纵轴为漏电流。Vn为本发明设定的器件栅压值，一般情况下，其适宜取值为1.5V，设定步长为0.3V时，相应的取值为0V，0.3V，0.6V,0.9V.1.2V,1.5V。
本发明的实施例中，利用ADS软件的批量仿真模拟器组件(ADS软件自带带组件，一次操作可以提取多次仿真结果，可以完成复杂的循环仿真操作)，对上述的尺寸和器件栅压VGS共计5个循环，设定步长并由内到外依次改变：器件栅压VGS、器件每个插指鳍数t_nfin、器件插指数t_nf、器件栅氧化层厚度t_tfin和器件沟道长度t_l。共计循环N次，每次都可以得到器件在一组不同漏电压下的漏电流数据，所述一组不同漏电压是0～Vn，步长为m，共计(Vn/m)+1个取值；根据每组得到的(Vn/m)+1个点，以漏电压为横坐标，漏电流为纵坐标，即可绘制出漏电流-漏电压曲线，最终以仿真得到的M个点分组成N组漏电流-漏电压关系。
其中，M＝N×[(Vn/m)+1]；N＝k1×k2×k3×k4×k5，k1为器件栅压VGS改变时的取值数量，具体地，k1＝6，即器件栅压VGS是在0V到1.5V的范围，以步长为0.3V进行改变。k2为器件每个插指鳍数t_nfin改变时的取值数量，具体地，k2＝5，即器件每个插指鳍数t_nfin是在1到5的范围，以步长为1进行改变。k3为器件插指数t_nf改变时的取值数量，具体地，k3＝5，即器件插指数t_nf是在1到5的范围，以步长为1进行改变。k4为器件栅氧化层厚度t_tfin改变时的取值数量，具体地，k4＝10，即器件栅氧化层厚度t_tfin的改变是在1nm到10nm的范围，以步长为1nm进行改变。k5为器件沟道长度t_l改变时的取值数量，具体地，k5＝10，即器件沟道长度t_l的改变是在2nm到20nm的范围，以步长为2nm进行改变。由此，N＝6×5×5×10×10＝15000。取Vn＝1.5V，m＝0.05V，则M＝465000。
通过上述方式，得到的每一组器件栅压VGS、器件每个插指鳍数t_nfin、器件插指数t_nf、器件栅氧化层厚度t_tfin和器件沟道长度t_l对应一组漏电流-漏电压关系；即每一组器件栅压VGS、器件每个插指鳍数t_nfin、器件插指数t_nf、器件栅氧化层厚度t_tfin和器件沟道长度t_l作为输入，与其对应的每一组漏电流-漏电压关系即(Vn/m)+1个漏电压-漏电流点作为输出。
步骤2，将步骤1中构建的数据集按比例划分训练集、测试集和预测集。
在本发明中，划分的比例为7：2：1。
步骤3，构建基于深度学习神经网络的器件电学特性预测模型。本发明将深度学习与EDA软件结合，大大降低了利用FINFET器件进行电路设计的门槛。
在本发明的实施例中，器件电学特性预测模型包括上采样模块和预测模块。
参考图2，上采样模块中包括第一转置卷积层、第二转置卷积层、卷积层、最大池化层、单核卷积层和批归一化操作，每个计算层后都会加上批归一化操作来防止网络过拟合。
其中，两个转置卷积层用在开始，其主要作用是从输入特征捕获更多的信息送入后面的网络。单核卷积层为卷积核为1*1，步长为1的卷积层。最大池化层起到增加网络鲁棒性的作用，批归一化层用于防止网络过拟合。
图2中标注数值为经过每一层后特征值的数量。示例地，本发明第一转置卷积层参数为(1，256，3，3)，第二转置卷积层参数为(256，256，3，3)，卷积层参数为(256，256，3，1)，单核卷积层的参数为(256，64，1，1)；上采样模块最终得到一组一维1*1344的特征向量。示例地，对于1*5的输入特征向量，经过第一转置卷积层后变为256*15，经过第二转置卷积层后变为256*45，经过卷积层变为256*43，经过池化层变为256*21，经过单核卷积层变为64*21，最后展平为一维特征向量1*1344(64*21＝1344)。
参考图3，预测模块由双通道全连接层构成，第一个全连接层输出0～Vn，步长为m，(Vn/m)+1个漏电压下电流的有效数字；第二个全连接层作为分类层，接SOFTMAX函数进行分类得到电流阶数；将两者合并得到最终的电流预测值。本实施例的双通道预测模块采用了有效数字和阶数结合的预测方法，利用了深度学习中分类比线性回归更精准的特性，大幅降低了预测结果的误差。其中预测模块的输入为上采样网络模块的输出。
在本实施例中，采用了上采样模块加双通道预测模块的网络结果，降低了预测结果的误差。
步骤4，利用得到的数据集训练所述器件电学特性预测模型。
具体地，本发明将划分的训练集预处理后送入网络进行训练，通过反向传播优化网络模型权重，反复迭代修改网络模型和模型中采用的超参数，完成训练后获得可以用来预测的最终模型。将测试集送入网络进行测试，评估其性能指标及其泛化能力。
在本发明的实施例中，采用L1loss即平均绝对差作为损失函数反向传播损失更改网络权重。将训练集送入网络后，利用第三方Wandb组件检测网络训练结果，以便及时更新网络超参数来调优网络结构。Wandb组件可以实时将训练中的train_loss和test_loss上传至网络并实时绘图以便检测。当发现loss异常时即可随时停止训练，更改超参数优化网络。经过反复多轮迭代，本发明中最终采用的学习率为0.00025，且每训练20个周期(epoch)则将学习率降为当前学习率的0.1倍。最终训练440个周期后预测效果较好且非常稳定。如图4、图5中所示，本发明中test_loss值最终成功收敛于0.007306且远低于train_loss值0.01227。数据表明本发明的预测网络权重模型具有较好的泛化性能没有过拟合的现象。
本实施例中，引入了Wandb组件动态监视训练结果，大大提高了网络训练效率。
步骤5，将预测集送入器件电学特性预测模型，得到预测电流值，绘制预测漏电流-漏电压曲线并与实际漏电流漏电压曲线进行比对。如图6所示，其中曲线a是器件长度为8nm，器件栅氧化层厚度为10nm，器件插指数为3，器件每个插指鳍数为1，栅压为1.5V下器件的直流特性预测图；曲线b是器件长度为20nm，器件栅氧化层厚度为8nm，器件插指数为4，器件每个插指鳍数为3，栅压为0.6V下器件的直流特性预测图；曲线c是器件长度为14nm，器件栅氧化层厚度为5nm，器件插指数为3，器件每个插指鳍数为5，栅压为0.9V下器件的直流特性预测图；曲线d是器件长度为2nm，器件栅氧化层厚度为5nm，器件插指数为3，器件每个插指鳍数为4，栅压为1.5V下器件的直流特性预测图。从这些图中可以看出，在各种尺寸和栅电压节点下，网络预测值与实际电流值非常接近，且曲线趋势拟合较好，说明本发明预测网络权重模型具有很好的预测精准度。

Claims (8)

1.一种基于深度学习的FINFET器件直流特性预测方法，其特征在于，包括如下步骤：
步骤1，通过ADS软件调用BSIM-CMG模块，构建FINFET器件电学特性测试原理图，使用ADS软件内置的批量仿真模块提取不同尺寸FINFET器件的电学特性，将影响器件特性的尺寸以及器件的栅压VGS作为输入特征，器件的电学特性作为输出结果，完成数据集的构建；所述器件电学特性是指漏电流随漏电压变化的曲线，即漏电流-漏电压曲线；
步骤2，将步骤1中构建的数据集按比例划分训练集、测试集和预测集；
步骤3，构建基于深度学习神经网络的器件电学特性预测模型；
步骤4，利用所述数据集训练所述器件电学特性预测模型，利用训练完成得到的器件电学特性预测模型对器件电学特性进行预测。
2.根据权利要求1所述基于深度学习的FINFET器件直流特性预测方法，其特征在于，所述步骤1，影响器件特性的尺寸为器件栅氧化层厚度t_tfin、器件沟道长度t_l、器件插指数t_nf和器件每个插指鳍数t_nfin；逐级改变四个变量t_tfin、t_l、t_nf、t_nfin，仿真出不同尺寸的器件栅压VGS分别在0～Vn范围内的若干不同取值下的漏电流-漏电压曲线，其中，曲线的横轴为漏电压，纵轴为漏电流，Vn为设定的器件栅压值。
3.根据权利要求1或2所述基于深度学习的FINFET器件直流特性预测方法，其特征在于，在ADS软件中通过批量仿真模拟器组件，用5个循环由内到外依次改变：器件栅压VGS、器件每个插指鳍数t_nfin、器件插指数t_nf、器件栅氧化层厚度t_tfin和器件沟道长度t_l；共计循环N次，每次得到器件在一组不同漏电压下的漏电流数据，所述一组不同漏电压是0～Vn，步长为m；根据每组得到的(Vn/m)+1个点，以漏电压为横坐标，漏电流为纵坐标，绘制出漏电流-漏电压曲线，最终以仿真得到的M个点分组成N组漏电流-漏电压关系；其中，M＝N×[(Vn/m)+1]；N＝k1×k2×k3×k4×k5，k1为器件栅压VGS改变时的取值数量，k2为器件每个插指鳍数t_nfin改变时的取值数量，k3为器件插指数t_nf改变时的取值数量，k4为器件栅氧化层厚度t_tfin改变时的取值数量，k5为器件沟道长度t_l改变时的取值数量；
每一组器件栅压VGS、器件每个插指鳍数t_nfin、器件插指数t_nf、器件栅氧化层厚度t_tfin和器件沟道长度t_l对应一组漏电流-漏电压关系；即每一组器件栅压VGS、器件每个插指鳍数t_nfin、器件插指数t_nf、器件栅氧化层厚度t_tfin和器件沟道长度t_l作为输入，与其对应的每一组漏电流-漏电压关系即(Vn/m)+1个漏电压-漏电流点作为输出。
4.根据权利要求3所述基于深度学习的FINFET器件直流特性预测方法，其特征在于，所述N＝15000，Vn＝1.5V，m＝0.05V；所述栅电压VGS的改变是在0V到1.5V的范围，步长为0.3V，即k1＝6；所述每个插指鳍数t_nfin的改变是在1到5的范围，步长为1，即k2＝5；所述器件插指数t_nf的改变是在1到5的范围，步长为1，即k3＝5；所述器件栅氧化层厚度t_tfin的改变是在1nm到10nm的范围，步长为1nm，即k4＝10；所述器件沟道长度t_l的改变是在2nm到20nm的范围，步长为2nm，即k5＝10。
5.根据权利要求3所述基于深度学习的FINFET器件直流特性预测方法，其特征在于，所述器件电学特性预测模型包括上采样模块和预测模块；所述上采样模块中包括第一转置卷积层、第二转置卷积层、卷积层、最大池化层、单核卷积层和批归一化层；
所述预测模块的输入为上采样网络模块的输出，由双通道全连接层构成，第一个全连接层输出0～Vn，步长为m，(Vn/m)+1个漏电压下电流的有效数字；第二个全连接层作为分类层，接SOFTMAX函数进行分类得到电流阶数；将两者合并得到最终的电流预测值。
6.根据权利要求5所述基于深度学习的FINFET器件直流特性预测方法，其特征在于，所述第一转置卷积层参数为(1，256，3，3)，所述第二转置卷积层参数为(256，256，3，3)，所述卷积层参数为(256，256，3，1)，所述单核卷积层的参数为(256，64，1，1)；上采样模块最终得到一组一维1*1344的特征向量。
7.根据权利要求1所述基于深度学习的FINFET器件直流特性预测方法，其特征在于，所述步骤4，采用L1loss即平均绝对差作为损失函数反向传播损失更改网络权重。
8.根据权利要求1所述基于深度学习的FINFET器件直流特性预测方法，其特征在于，所述步骤4，将预测集送入器件电学特性预测模型，得到预测电流值，绘制预测漏电流-漏电压曲线并与实际漏电流漏电压曲线进行比对。
CN202211737893.9A 2022-12-31 2022-12-31 基于深度学习的finfet器件直流特性预测方法 Pending CN116090390A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211737893.9A CN116090390A (zh) 2022-12-31 2022-12-31 基于深度学习的finfet器件直流特性预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211737893.9A CN116090390A (zh) 2022-12-31 2022-12-31 基于深度学习的finfet器件直流特性预测方法

Publications (1)

Publication Number Publication Date
CN116090390A true CN116090390A (zh) 2023-05-09

Family

ID=86186375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211737893.9A Pending CN116090390A (zh) 2022-12-31 2022-12-31 基于深度学习的finfet器件直流特性预测方法

Country Status (1)

Country Link
CN (1) CN116090390A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117236261A (zh) * 2023-11-15 2023-12-15 深圳市深鸿盛电子有限公司 Mos管参数模型的构建方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117236261A (zh) * 2023-11-15 2023-12-15 深圳市深鸿盛电子有限公司 Mos管参数模型的构建方法、装置、设备及存储介质
CN117236261B (zh) * 2023-11-15 2024-03-08 深圳市深鸿盛电子有限公司 Mos管参数模型的构建方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
US20220214322A1 (en) Air pollutants concentration forecasting method and apparatus and storage medium
CN105548862A (zh) 一种基于广义多核支持向量机的模拟电路故障诊断方法
CN102663495B (zh) 一种用于非线性器件建模的神经网络数据生成方法
US11755807B2 (en) Method for predicting delay at multiple corners for digital integrated circuit
CN103678941A (zh) 电极空气间隙击穿电压的预测方法
CN103473408A (zh) 一种融合时空信息的气温缺失记录重建方法
CN110442911B (zh) 一种基于统计机器学习的高维复杂系统不确定性分析方法
CN114428803B (zh) 空压站运行优化方法、系统、存储介质及终端
CN113392749A (zh) 一种基于gaf-vgg的滚动轴承故障诊断方法及装置
CN116090390A (zh) 基于深度学习的finfet器件直流特性预测方法
CN115204491A (zh) 基于数字孪生与lstm的生产线工况预测方法及系统
US11829893B2 (en) Analysis method for semiconductor device
US8050895B2 (en) Variation simulation system
CN109921426A (zh) 基于cv-kde的风电并网系统概率潮流计算方法
CN101789000A (zh) 搜索引擎中的模式分类方法
US20220121800A1 (en) Methods of generating circuit models and manufacturing integrated circuits using the same
CN111783336A (zh) 一种基于深度学习理论的不确定性结构频响动力学模型修正方法
CN113611568A (zh) 一种基于遗传卷积深度网络的真空断路器
Luo et al. A survey: complex knowledge base question answering
CN110826258B (zh) 基于时空卷积神经网络的数据中心机房仿真环境构建方法
CN111814403B (zh) 一种配电主设备分布式状态传感器可靠性评估方法
CN112685958A (zh) 一种基于神经网络的SiC MOSFET阻断电压确定方法
CN111680163A (zh) 一种面向电力科技成果的知识图谱可视化方法
Xu et al. Motor fault diagnosis method based on deep learning
CN114792078A (zh) 一种提取集成电路器件模型参数的方法和装置

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