CN116562173A - 基于模拟退火算法的半导体器件结终端几何参数设计方法 - Google Patents
基于模拟退火算法的半导体器件结终端几何参数设计方法 Download PDFInfo
- Publication number
- CN116562173A CN116562173A CN202310827829.8A CN202310827829A CN116562173A CN 116562173 A CN116562173 A CN 116562173A CN 202310827829 A CN202310827829 A CN 202310827829A CN 116562173 A CN116562173 A CN 116562173A
- Authority
- CN
- China
- Prior art keywords
- parameters
- junction terminal
- junction
- simulated annealing
- terminal structure
- 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
Links
- 238000013461 design Methods 0.000 title claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 54
- 238000002922 simulated annealing Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000004065 semiconductor Substances 0.000 title claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 43
- 230000006870 function Effects 0.000 claims description 31
- 230000015556 catabolic process Effects 0.000 claims description 27
- 238000001816 cooling Methods 0.000 claims description 20
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 9
- INQLNSVYIFCUML-QZTLEVGFSA-N [[(2r,3s,4r,5r)-5-(6-aminopurin-9-yl)-3,4-dihydroxyoxolan-2-yl]methoxy-hydroxyphosphoryl] [(2r,3s,4r,5r)-5-(4-carbamoyl-1,3-thiazol-2-yl)-3,4-dihydroxyoxolan-2-yl]methyl hydrogen phosphate Chemical compound NC(=O)C1=CSC([C@H]2[C@@H]([C@H](O)[C@@H](COP(O)(=O)OP(O)(=O)OC[C@@H]3[C@H]([C@@H](O)[C@@H](O3)N3C4=NC=NC(N)=C4N=C3)O)O2)O)=N1 INQLNSVYIFCUML-QZTLEVGFSA-N 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 5
- 229910052710 silicon Inorganic materials 0.000 claims description 4
- 239000010703 silicon Substances 0.000 claims description 4
- 239000000758 substrate Substances 0.000 claims description 4
- 241000764238 Isis Species 0.000 claims description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 3
- 125000004122 cyclic group Chemical group 0.000 abstract description 2
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 3
- 241000405070 Percophidae Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000012212 insulator Substances 0.000 description 2
- 229910044991 metal oxide Inorganic materials 0.000 description 2
- 150000004706 metal oxides Chemical class 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Insulated Gate Type Field-Effect Transistor (AREA)
Abstract
本发明公开了一种基于模拟退火算法的半导体器件结终端几何参数设计方法,包括S1:确定除待设计结终端结构几何参数以外的器件参数并设为定值;S2:确定待设计的结终端结构几何参数的取值空间;S3:定义基于电学性能指标的优化函数,搭建基于模拟退火算法的器件结终端结构几何参数设计框架;S4:定义循环设计周期,运行步骤3中搭建好的设计框架;S5:输出定义循环周期内使优化函数达到极值的器件结终端结构几何参数和对应最优的电学性能。本发明基于模拟退火算法,对器件的结终端结构几何参数进行设计,无需人工参与,可实现器件的电学性能的提升。该方法优化设计后的结终端结构,可大幅提升器件的电学性能。
Description
技术领域
本发明属于半导体功率器件自动优化设计领域,尤其涉及一种基于模拟退火算法的半导体器件结终端几何参数设计方法。
背景技术
半导体功率器件在家用器件、电源、照明、通信、汽车电子等领域得到广泛的应用,如何设计阻断状态下的高耐压以及开启状态时的低导通电阻是功率器件的研究重点。为此,涌现了各种结终端技术,如场板、横向变厚度的漂移区等等,优秀的结终端结构可以显著提升功率器件的性能,而不合适的结终端结构则反而会降低器件的性能。目前半导体功率器件结终端结构的设计方法主要是基于TCAD技术,首先根据实际应用选取合适的结终端技术,而后设计人员依靠自身的设计经验,通过理论计算或文献调研,得出粗略的结终端结构初始几何参数集,再将初始几何参数集代入TCAD数值仿真软件进行电学特性仿真与性能表征,再由设计人员根据数值仿真结果与目标性能的差异,依靠经验对几何参数集进行修正并代入TCAD数值仿真软件再次仿真,重复该过程直到满足设计要求。近年来,机器学习算法通过学习输入几何参数与输出电学性能之间的关系建立智能的预测模型,该方法构建的模型精度高、速度快且完全不存在收敛性问题。但结终端结构的设计方面仍然广泛依赖设计人员,有以下不足仍待改进:
1、依赖于人工调整的功率器件结终端几何参数设计对于设计人员的知识储备与设计经验要求高,需要设计者拥有丰富的半导体器件物理和工艺知识作为支撑,造成了设计效率较低。
2、人工调整过程需要花费大量时间,造成设计周期较长。
发明内容
发明目的:本发明的目的在于提供一种基于模拟退火算法的半导体器件结终端几何参数设计方法,通过模拟退火算法对结终端结构几何参数进行设计,可设计出较优的器件结终端结构,大幅提升器件性能,加快器件开发速度。
技术方案:本发明的一种基于模拟退火算法的半导体器件结终端几何参数设计方法,包括如下步骤:
步骤1:确定除待设计结终端结构几何参数以外的器件参数并设为定值;
步骤2:确定待设计的结终端结构几何参数的取值范围;
步骤3:搭建基于模拟退火算法的器件结终端结构几何参数设计框架,并定义基于电学性能指标的优化函数;
步骤4:定义循环设计周期,运行步骤3中搭建好的器件结终端结构几何参数设计框架;
步骤5:输出定义循环周期内使优化函数达到极值的器件结终端结构几何参数和对应最优的电学性能;
步骤6:基于步骤5的器件结终端结构几何参数和对应最优的电学性能设计半导体功率器件结终端结构。
进一步的,所述步骤1中,除待设计结终端结构几何参数以外器件参数包括源漏掺杂浓度,漂移区浓度,埋氧层厚度,漂移区厚度,衬底浓度及厚度。
进一步的,所述步骤3中,搭建基于模拟退火算法的器件结终端结构几何参数设计框架具体包括:
步骤3.1:设置模拟退火算法参数;
步骤3.2:设置模拟退火算法的降温策略;
步骤3.3:确定器件结终端结构几何参数的扰动策略,产生新解;
步骤3.4:调用TCAD仿真器或利用机器学习模型确定新解预测方案;
步骤3.5:定义优化函数。
进一步的,步骤3.1中,模拟退火算法参数包括初始结终端结构几何参数、温度参数、降温速率、内循环次数、循环设计周期,依据具体采用的结终端技术设置具体值。
进一步的,步骤3.2中,模拟退火算法的降温策略为 ,其中T i 为第i次迭代时的温度,T 0为温度初始值,i为迭代次数,/>为降温速率。
进一步的,步骤3.3中,所述结终端结构几何参数的扰动策略为:
;其中/>为上一次选中的结终端结构几何参数中的第i个元素,/>为新生成的结终端结构几何参数中的第i个元素,r是一个处于内的随机数,/>和/>分别表示第i个元素的上界和下界;最后对新结终端结构几何参数值进行范围约束:
。
进一步的,步骤3.5中,采用公式(1)确定优化函数:
其中,正负号依据具体性能指标进行设置,若该指标越大器件性能越好,则设为负号,反之设为正号,i为不同类型的器件性能指标,n为器件性能指标总个数,x选自于器件结终端结构几何参数取值范围,为功率器件一种预测的性能指标,/>为初始结构下功率器件一种性能指标,/>为不同类型的器件性能指标设计的权重。
进一步的,所述步骤4具体包括:
步骤4.1:初始化参数,给步骤3中的模拟退火算法参数设置具体值;
步骤4.2:在当前温度下,通过步骤3中的扰动策略对当前结终端结构几何参数进行扰动,得到新的结终端结构几何参数;
步骤4.3:调用TCAD仿真或者机器学习模型对新结构的器件电学性能进行预测;
步骤4.4:利用预测值计算优化函数值,将新产生的结终端结构几何参数集对应的优化函数值减去上一次选中的结终端结构几何参数集对应的优化函数值,得到;
步骤4.5:如果的小于0,说明新的结终端结构几何参数更优,接受新解;如果/>大于0,以概率/>接受新解,其中/>为目标函数的变化量,T为当前温度;
步骤4.6:在当前温度下,重复步骤4.2-4.5,直到循环次数达到内循环次数;
步骤4.7:通过步骤3中的降温策略降低温度,重复步骤4.2-4.6,直到达到循环设计周期或者温度下降到预设阈值。
进一步的,步骤5中,所述结终端的技术包括场板技术、漂移区横向变厚度技术、横向变掺杂;所述电学性能为击穿电压或导通电阻。
进一步的,步骤6中,所述半导体功率器件的类型为体硅LDMOS、SOI-LDMOS、高迁移率晶体管、IGBT或MOSFET器件。
进一步的,步骤3中所述的除采用模拟退火算法之外,还可采用差分进化算法、遗传算法或粒子群算法。
有益效果:与现有技术相比,本发明具有如下显著优点:
1、本发明通过模拟退火算法对半导体功率器件结终端结构几何参数进行优化设计,相较于传统依赖人工进行结终端几何参数调整的方案,无需任何专家经验,可实现自动的结终端结构几何参数优化设计。
2、本发明设计的结终端结构几何参数可显著提升器件的性能。
3、传统基于人工经验调整结终端参数耗费周期长,成本高。本发明提出的基于模拟退火算法的方案可在数分钟至数小时内完成结终端几何参数的优化,效率高。
4、相较于其他方法,模拟退火算法具有全局优化能力,在搜索过程中可以避免陷入局部最优结终端几何参数,增加了全局搜索的概率。该方案更加适用于复杂的、存在局部最优解的结终端几何参数优化问题。
附图说明
图1为本发明的基于模拟退火算法的半导体功率器件结终端几何参数设计技术流程图;
图2为本发明实施例中带场板的绝缘衬底上的硅(Silicon-on-insulator,简写SOI)横向扩散金属氧化物半导体(Lateral Double-diffused Metal OxideSemiconductor,LDMOS)的结构示意图。
图3为本发明实施例中阶梯型漂移区变厚度(VLT)的绝缘衬底上的硅(Silicon-on-insulator,简写SOI)横向扩散金属氧化物半导体(Lateral Double-diffused MetalOxide Semiconductor,LDMOS)的结构示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
下面结合附图和具体实施例对本发明做进一步详细说明。对半导体功率器件典型实例即SOI LDMOS场板结构几何参数设计结果进行说明。
如图1所示,本发明的基于模拟退火算法的半导体功率器件结终端结构几何参数设计技术,包括如下步骤:
步骤1:确定除待设计结终端结构几何参数以外的器件参数并设为定值;
步骤2:确定待设计的结终端结构几何参数的取值空间;
步骤3:定义基于电学性能指标的优化函数,搭建基于模拟退火算法的器件结终端结构几何参数设计框架;
步骤4:定义循环设计周期,运行步骤3中搭建好的设计框架;
步骤5:输出定义循环周期内使优化函数达到极值的器件结终端结构几何参数和对应最优的电学性能。
实施例1
图2给出了带场板的SOI LDMOS的结构示意图。
以SOI LDMOS的场板结构几何参数设计为例进行分析,本发明的器件结终端结构几何参数设计流程如下所示:
步骤1:确定除待设计场板结构几何参数以外器件参数并设为定值,包括器件漂移区浓度N d 、漂移区长度L、顶层硅厚度t s 、埋氧层厚度t ox 。
步骤2:确定待设计的场板结构几何参数取值空间,其中待设计的场板结构几何参数包括栅极场板下氧化层厚度t gfp ,栅极场板长度L gfp ,漏极场板下氧化层厚度t dfp ,漏极场板长度L dfp ,表1给出了场板结构几何参数的取值空间。
表1 场板结构几何参数范围
步骤3:定义基于器件击穿电压的优化函数,搭建基于模拟退火算法的器件场板结构几何参数设计框架,具体包括:
31、模拟退火算法参数包括初始场板结构几何参数,温度参数、降温速率、内循环次数、循环设计周期;
32、模拟退火算法的降温策略为,其中Ti 为第i次迭代时的温度,T0为温度初始值,i为迭代次数,/>为降温速率;
33、场板结构几何参数的扰动策略为,其中/>为上一次选中的场板结构几何参数中的第i个元素,/>为新生成的场板结构几何参数中的第i个元素,r是一个处于/>内的随机数,/>和/>分别表示第i个元素的上界和下界,/>,/>。最后对新场板结构几何参数值进行范围约束,/>;
34、选用机器学习模型预测器件击穿电压;
35、优化函数为,BVp (x)为功率器件预测的击穿电压,BV0为初始结构下功率器件的击穿电压,权重为1。
步骤4:设置设计框架所需参数,初始场板结构几何参数为用户输入的几何参数,温度参数中最高温度设为1,最低温度设为1e-5、降温速率设为0.6、内循环次数为20次,迭代次数为30次。
步骤5:在当前温度下,通过步骤3中的扰动策略,对当前场板结构几何参数集x进行扰动,得到新的场板结构几何参数集。
步骤6:调用机器学习模型对新结构下器件的击穿电压进行预测。
步骤7:计算步骤3中确定的优化函数,将新产生的几何参数集对应的优化函数值减去上一次选中的几何参数集对应的优化函数值,得到/>。
步骤8:如果小于0,说明新的场板结构几何参数更优,接受新解。如果/>的变化量大于0,以概率/>接受新解,其中/>为优化函数值的变化量,T为当前温度。
步骤9:在当前温度T下,重复20次步骤4到8。
步骤10:按照步骤2中确定的降温策略降低温度,重复上述步骤4到9,直到达到指定的迭代次数或者温度下降到足够小的值。
步骤11:当模拟退火算法停止迭代时,输出经过优化的场板结构几何参数集和此结构下SOI LDMOS的击穿电压。
将上述方式运用到实例中,给出结果对本发明进一步说明。即已知除待设计场板结构几何参数以外器件参数值,包括器件漂移区浓度N d、漂移区长度L、顶层硅厚度t s、埋氧层厚度t ox,已知场板结构几何参数包括栅极场板下氧化层厚度t gfp,栅极场板长度L gfp,漏极场板下氧化层厚度t dfp,漏极场板长度L dfp取值空间,给出优化后的SOI LDMOS场板结构几何参数和器件击穿电压为实例。
表2给出了5组不同结构的SOI LDMOS器件,其场板结构几何参数集优化设计前后的击穿电压。通过表2可以看出,采用基于模拟退火算法的功率器件结端结构几何参数设计技术可以快速优化设计器件的场板结构,大幅提升器件的击穿电压。
表2 不同器件参数下场板优化后SOI LDMOS击穿电压
其中例子5中设计场板结构几何参数后击穿电压并无提升,经过分析发现,是由于器件击穿位置发生在体内,而场板技术是通过优化器件表内电场分布从而提高器件击穿电压的,所以此时不论如何改变场板结构都不能提升器件的击穿电压。
表3进一步给出了20组SOI LDMOS其场板设计后击穿电压的平均提升幅度以及平均优化时间。
表3 场板设计后SOI LDMOS击穿电压平均提升幅度以及平均优化时间
实施例2:
以阶梯式横向变厚度SOI VLT LDMOS的阶梯结构几何参数设计为例进行分析,本发明的器件结终端结构几何参数优化流程如下所示:
步骤1:确定除待设计阶梯结构几何参数以外的器件参数并设为定值,包括器件漂移区浓度、埋氧层厚度。
步骤2:确定待设计的阶梯结构几何参数的取值空间,其中待设计的阶梯结构几何参数包括阶梯层数n, 每层阶梯长度L,每层阶梯厚度t,表4给出了阶梯结构几何参数的取值空间。
表4 阶梯结构几何参数取值范围
步骤3:定义基于器件击穿电压和导通电阻的优化函数,搭建基于模拟退火算法的器件阶梯结构几何参数设计框架,具体包括:
31、模拟退火算法参数包括初始阶梯结构几何参数,温度参数、降温速率、内循环次数、循环设计周期;
32、模拟退火算法的降温策略为,其中Ti 为第i次迭代时的温度,T0为温度初始值,i为迭代次数,/>为降温速率;
33、阶梯结构几何参数的扰动策略为,其中/>为上一次选中的阶梯结构几何参数中的第i个元素,/>为新生成的阶梯结构几何参数中的第i个元素,/>是一个处于/>内的随机数,/>和/>分别表示第i个元素的上界和下界,/>,/>。最后对新阶梯结构几何参数值进行范围约束,;
34、选用机器学习模型预测器件击穿电压;
35、优化函数为,/>为功率器件预测的击穿电压,BV0为初始结构下功率器件的击穿电压;Rp(x)为功率器件预测的导通电阻,R0为初始结构下功率器件的导通电阻,两者权重相同且设为1。
步骤4:设置设计框架所需参数,初始阶梯结构几何参数为用户输入的几何参数,温度参数中最高温度设为1,最低温度设为1e-5、降温速率设为0.6、内循环次数为20次,迭代次数为30次。
步骤5:在当前温度下,通过步骤3中的扰动策略,对当前阶梯结构几何参数集x进行扰动,得到新的阶梯结构几何参数集。
步骤6:调用机器学习模型对新结构下器件的击穿电压和导通电阻进行预测。
步骤7:计算步骤3中确定的优化函数,将新产生的几何参数集对应的优化函数值减去上一次选中的几何参数集对应的优化函数值,得到。
步骤8:如果变化量小于0,说明新的阶梯结构几何参数更优,接受新解。如果/>的变化量大于0,以概率/>接受新解,其中/>为优化函数的变化量,T为当前温度。
步骤9:在当前温度T下,重复20次步骤4到6。
步骤10:按照步骤2中确定的降温策略降低温度,重复上述步骤4到7,直到达到指定的迭代次数或者温度下降到足够小的值。
步骤11:当模拟退火算法停止迭代时,输出经过优化的阶梯结构几何参数集和此结构下SOI VLT LDMOS的击穿电压与导通电阻。
将上述方式运用到实例中,给出结果对本发明进一步说明。即已知除待设计阶梯结构几何参数以外器件参数值,包括器件漂移区浓度N d、埋氧层厚度t ox,已知阶梯结构几何参数包括阶梯层数n, 每层阶梯长度L,每层阶梯厚度t的取值空间,给出优化设计后的SOILDMOS阶梯结构几何参数和器件击穿电压、导通电阻为实例。
表5给出了5组不同结构的SOI VLT LDMOS器件,其阶梯结构几何参数集优化设计前后的击穿电压与导通电阻。通过表2可以看出,采用基于模拟退火算法的功率器件结端结构优化技术可以快速优化器件的阶梯结构,大幅提升器件性能。
表5 不同器件参数下阶梯结构优化后SOI VLT LDMOS击穿电压与导通电阻
表6给出了20组不同结构的SOI VLT LDMOS器件,其阶梯结构优化后的击穿电压以及导通电阻改善幅度以及平均优化时间。通过表6可以看出,采用基于模拟退火算法的半导体功率器件结端结构设计技术可以快速优化SOI VLT LDMOS器件的阶梯结构,大幅提升器件的性能。
表6阶梯结构优化后的SOI VLT LDMOS性能平均提升幅度以及平均优化时间
综上,本发明提出的基于模拟退火算法的半导体功率器件结终端结构几何参数设计技术,首先确定除待设计结终端结构几何参数以外器件参数并设为定值,然后确定待设计的结终端结构几何参数的取值空间,接着定义基于电学性能指标的优化函数,搭建基于模拟退火算法的器件结终端结构设计框架,再定义循环设计周期,运行搭建好的设计框架;最后输出器件结终端结构几何参数值和对应最优的电学性能。本发明基于模拟退火算法,对器件的结终端结构几何参数进行设计,无需人工参与,可实现器件电学性能的优化。
Claims (10)
1.一种基于模拟退火算法的半导体器件结终端几何参数设计方法,其特征在于,包括如下步骤:
步骤1:确定除待设计结终端结构几何参数以外的器件参数并设为定值;
步骤2:确定待设计的结终端结构几何参数的取值范围;
步骤3:搭建基于模拟退火算法的器件结终端结构几何参数设计框架,并定义基于电学性能指标的优化函数;
步骤4:定义循环设计周期,运行步骤3中搭建好的器件结终端结构几何参数设计框架;
步骤5:在步骤2中确定的结终端结构几何参数的取值范围中,输出定义循环周期内使优化函数达到极值的器件结终端结构几何参数和对应最优的电学性能;
步骤6:基于步骤5的器件结终端结构几何参数和对应最优的电学性能设计半导体功率器件结终端结构。
2.根据权利要求1所述的一种基于模拟退火算法的半导体器件结终端几何参数设计方法,其特征在于,所述步骤1中,除待设计结终端结构几何参数以外器件参数包括源漏掺杂浓度,漂移区浓度,埋氧层厚度,漂移区厚度,衬底浓度及厚度。
3.根据权利要求1所述的一种基于模拟退火算法的半导体器件结终端几何参数设计方法,其特征在于,所述步骤3中,搭建基于模拟退火算法的器件结终端结构几何参数设计框架具体包括:
步骤3.1:设置模拟退火算法参数;
步骤3.2:设置模拟退火算法的降温策略;
步骤3.3:确定器件结终端结构几何参数的扰动策略,产生新解;
步骤3.4:调用TCAD仿真器或利用机器学习模型确定新解预测方案;
步骤3.5:定义优化函数。
4.根据权利要求3所述的一种基于模拟退火算法的半导体器件结终端几何参数设计方法,其特征在于,步骤3.1中,模拟退火算法参数包括初始结终端结构几何参数、温度参数、降温速率、内循环次数、循环设计周期,依据具体采用的结终端技术设置具体值。
5.根据权利要求3所述的一种基于模拟退火算法的半导体器件结终端几何参数设计方法,其特征在于,步骤3.2中,模拟退火算法的降温策略为 ,其中T i 为第i次迭代时的温度,T 0为温度初始值,i为迭代次数,/>为降温速率。
6.根据权利要求3所述的一种基于模拟退火算法的半导体器件结终端几何参数设计方法,其特征在于,步骤3.3中,所述结终端结构几何参数的扰动策略为:
;
其中为上一次选中的结终端结构几何参数中的第i个元素,/>为新生成的结终端结构几何参数中的第i个元素,r是一个处于/>内的随机数,/>和/>分别表示第i个元素的上界和下界;最后对新结终端结构几何参数值进行范围约束:
。
7.根据权利要求3所述的一种基于模拟退火算法的半导体器件结终端几何参数设计方法,其特征在于,步骤3.5中,采用公式(1)确定优化函数:
其中,正负号依据具体性能指标进行设置,若该指标越大器件性能越好,则设为负号,反之设为正号,i为不同类型的器件性能指标,n为器件性能指标总个数,x选自于器件结终端结构几何参数取值范围,为功率器件一种预测的性能指标,/>为初始结构下功率器件一种性能指标,/>为不同类型的器件性能指标设计的权重。
8.根据权利要求1所述的一种基于模拟退火算法的半导体器件结终端几何参数设计方法,其特征在于,所述步骤4具体包括:
步骤4.1:初始化参数,给步骤3中的模拟退火算法参数设置具体值;
步骤4.2:在当前温度下,通过步骤3中的扰动策略对当前结终端结构几何参数进行扰动,得到新的结终端结构几何参数;
步骤4.3:调用TCAD仿真或者机器学习模型对新结构的器件电学性能进行预测;
步骤4.4:利用预测值计算优化函数值,将新产生的结终端结构几何参数集对应的优化函数值减去上一次选中的结终端结构几何参数集对应的优化函数值,得到;
步骤4.5:如果的小于0,说明新的结终端结构几何参数更优,接受新解;如果/>大于0,以概率/>接受新解,其中/>为目标函数的变化量,T为当前温度;
步骤4.6:在当前温度下,重复步骤4.2-4.5,直到循环次数达到内循环次数;
步骤4.7:通过步骤3中的降温策略降低温度,重复步骤4.2-4.6,直到达到循环设计周期或者温度下降到预设阈值。
9.根据权利要求1所述的一种基于模拟退火算法的半导体器件结终端几何参数设计方法,其特征在于,步骤5中,所述结终端的技术包括场板技术、漂移区横向变厚度技术、横向变掺杂;所述电学性能为击穿电压或导通电阻。
10.根据权利要求1所述的一种基于模拟退火算法的半导体器件结终端几何参数设计方法,其特征在于,步骤6中,所述半导体功率器件的类型为体硅LDMOS、SOI-LDMOS、高迁移率晶体管、IGBT或MOSFET器件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310827829.8A CN116562173B (zh) | 2023-07-07 | 2023-07-07 | 基于模拟退火算法的半导体器件结终端几何参数设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310827829.8A CN116562173B (zh) | 2023-07-07 | 2023-07-07 | 基于模拟退火算法的半导体器件结终端几何参数设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116562173A true CN116562173A (zh) | 2023-08-08 |
CN116562173B CN116562173B (zh) | 2023-09-12 |
Family
ID=87486480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310827829.8A Active CN116562173B (zh) | 2023-07-07 | 2023-07-07 | 基于模拟退火算法的半导体器件结终端几何参数设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116562173B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020106819A1 (en) * | 2000-06-16 | 2002-08-08 | Katsuya Nozawa | Structure evaluating method, method for manufacturing semiconductor devices, and recording medium |
CN104035017A (zh) * | 2014-06-12 | 2014-09-10 | 中国科学院上海技术物理研究所 | 金属半导体接触的非线性传输线模型及参数的拟合方法 |
CN112149372A (zh) * | 2020-09-08 | 2020-12-29 | 珠海格力电器股份有限公司 | 器件仿真模型的构建方法、装置、设备及存储介质 |
CN113449461A (zh) * | 2021-06-08 | 2021-09-28 | 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)) | 开关器件老化等效方法 |
CN114091283A (zh) * | 2021-11-29 | 2022-02-25 | 江南大学 | 一种磁隧道结器件的建模及优化方法 |
-
2023
- 2023-07-07 CN CN202310827829.8A patent/CN116562173B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020106819A1 (en) * | 2000-06-16 | 2002-08-08 | Katsuya Nozawa | Structure evaluating method, method for manufacturing semiconductor devices, and recording medium |
CN104035017A (zh) * | 2014-06-12 | 2014-09-10 | 中国科学院上海技术物理研究所 | 金属半导体接触的非线性传输线模型及参数的拟合方法 |
CN112149372A (zh) * | 2020-09-08 | 2020-12-29 | 珠海格力电器股份有限公司 | 器件仿真模型的构建方法、装置、设备及存储介质 |
CN113449461A (zh) * | 2021-06-08 | 2021-09-28 | 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)) | 开关器件老化等效方法 |
CN114091283A (zh) * | 2021-11-29 | 2022-02-25 | 江南大学 | 一种磁隧道结器件的建模及优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116562173B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Baliga et al. | Power mosfets | |
CN112232008B (zh) | 一种mosfet器件本征特性参数的描述模型及参数辨识方法 | |
Yang et al. | An improved Fourier-series-based IGBT model by mitigating the effect of Gibbs phenomenon at turn on | |
CN116562173B (zh) | 基于模拟退火算法的半导体器件结终端几何参数设计方法 | |
CN114004067A (zh) | Mosfet开关管特性模型建立方法、装置、设备及介质 | |
CN112685958B (zh) | 一种基于神经网络的SiC MOSFET阻断电压确定方法 | |
CN102623345B (zh) | 一种内嵌多n岛p沟道超结器件及其制备方法 | |
CN106383941A (zh) | 用于描述ldmos晶体管电容特性的仿真方法 | |
CN111428422B (zh) | 一种基于器件性能的resurf功率器件结构自动优化方法 | |
CN111159921B (zh) | 一种igbt的设计方法 | |
JP2003077934A (ja) | ポケット注入mosfetのしきい値電圧の計算方法 | |
CN102593007B (zh) | 一种内嵌多p岛n沟道超结器件及其制备方法 | |
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 | |
US20090007046A1 (en) | Layout Method for Vertical Power Transistors Having a Variable Channel Width | |
CN115048896A (zh) | 一种适用于igbt集总电荷模型的非线性电容模型及建模方法 | |
JP2013232135A (ja) | レイアウト設計装置、レイアウト設計方法およびプログラム | |
CN115083920B (zh) | 电荷平衡阈值电压可调的碳化硅mosfet的制造方法 | |
CN221304697U (zh) | 一种电荷平衡阈值电压可调的碳化硅mosfet | |
Li et al. | Capacitance characteristic optimization of germanium MOSFETs with aluminum oxide by using a semiconductor-device-simulation-based multi-objective evolutionary algorithm method | |
CN118656972A (zh) | 基于最优目标函数的sti ldmos器件的自动设计方法及系统 | |
CN114880880B (zh) | 一种sgt mosfet器件优化设计方法 | |
CN117744269A (zh) | 一种SiC功率MOSFET器件结构的优化设计方法 | |
CN118246385A (zh) | 一种调整沟槽pitch优化IGBT芯片电流密度的方法 | |
Yao et al. | Efficient Automatic Design of IGBT Structural Parameters Using Differential Evolution and Machine Learning Model | |
CN103902761B (zh) | 一种沟槽型mos器件的导通电阻的仿真分析方法 |
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 |