CN116822316A - 一种基于神经网络的氮化镓器件寿命预测方法 - Google Patents
一种基于神经网络的氮化镓器件寿命预测方法 Download PDFInfo
- Publication number
- CN116822316A CN116822316A CN202210262325.1A CN202210262325A CN116822316A CN 116822316 A CN116822316 A CN 116822316A CN 202210262325 A CN202210262325 A CN 202210262325A CN 116822316 A CN116822316 A CN 116822316A
- Authority
- CN
- China
- Prior art keywords
- gallium nitride
- model
- neural network
- nitride device
- life prediction
- 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
- 229910002601 GaN Inorganic materials 0.000 title claims abstract description 89
- JMASRVWKEDWRBT-UHFFFAOYSA-N Gallium nitride Chemical compound [Ga]#N JMASRVWKEDWRBT-UHFFFAOYSA-N 0.000 title claims abstract description 70
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000004065 semiconductor Substances 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims description 17
- 230000007547 defect Effects 0.000 claims description 7
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 2
- 230000005669 field effect Effects 0.000 claims description 2
- 229910052710 silicon Inorganic materials 0.000 claims description 2
- 239000010703 silicon Substances 0.000 claims description 2
- 230000015556 catabolic process Effects 0.000 abstract description 23
- 238000006731 degradation reaction Methods 0.000 abstract description 22
- 238000011160 research Methods 0.000 abstract description 8
- 238000003062 neural network model Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 19
- 239000002784 hot electron Substances 0.000 description 15
- 238000004088 simulation Methods 0.000 description 14
- 229910002704 AlGaN Inorganic materials 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000005533 two-dimensional electron gas Effects 0.000 description 4
- 230000005684 electric field Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007648 laser printing Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 150000004767 nitrides Chemical class 0.000 description 1
- 230000006911 nucleation Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002161 passivation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012795 verification 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Junction Field-Effect Transistors (AREA)
Abstract
本发明公开了一种基于神经网络的氮化镓器件寿命预测方法。该方法的步骤包括：通过半导体器件仿真软件模拟氮化镓器件在不同应力下电学性能(如：漏极电流)随时间的退化；基于神经网络建立氮化镓器件寿命预测模型，并将氮化镓器件电学性能在不同应力下的退化作为数据集训练寿命预测模型，进而通过训练好的模型预测出正常工作条件下器件的使用寿命。本发明通过将半导体器件仿真软件与神经网络模型结合，可掌握氮化镓器件在不同应力下的退化情况，可预测出器件在正常工作条件下电学参数随时间的退化，进而计算出器件的寿命，为氮化镓器件的可靠性寿命研究提供新的思路。
Description
技术领域
本发明属于氮化镓器件寿命预测相关技术领域，更具体地，涉及一种基于神经网络的氮化镓器件寿命预测方法。
背景技术
作为宽禁带半导体材料的典型代表，GaN具有禁带宽度大，热导率高，电子饱和漂移速度大，临界击穿电场高，介电系数小，良好的化学稳定性等特点，是实现新一代大功率、高频率、高电压、高温和耐辐射电子器件的一类理想材料，目前主要应用在1)以白光照明和彩色显示为主的LED；2)以激光打印和光存储为主的激光器(LD，Laser Diode)；3)与雷达制导相关的紫外探测器；4)与雷达或通信相关的射频、大功率器件等方面。其中基于GaN异质结的HEMT是氮化物电子器件的主流结构，典型的代表器件是AlGaN/GaN HEMT，是微波毫米波功率器件和高效射频电力电子器件的核心结构，已经广泛应用于信息和通信、能源与控制等领域。然而，电应力条件下的可靠性问题限制了氮化镓器件大规模市场化应用，尤其是氮化镓器件在开态应力作用下存在自热效应、栅极电子注入、逆压电效应以及热电子效应等失效机制，这些可靠性方面的问题严重制约了氮化镓器件的使用寿命，因此，氮化镓器件的可靠性研究一直是国际研究中的热点问题。
传统的氮化镓器件可靠性寿命预估是利用加速应力实验对元器件进行大规模的寿命实验，得到的大量实验数据来建立数学模型，通过模型对器件在应力条件下的寿命进行外推后得到器件在正常工作条件下的寿命，这种方法需要人工进行大量的实验才能建立出较为完善的模型，评价时间长，效率低，成本高；同时，随着氮化镓器件的多功能化和半导体技术复杂化，传统的可靠性实验方法也很难适应新器件、新技术的要求。随着人工智能的不断发展与广泛应用，有研究者提出将神经网络算法用于可靠性评估，如：专利“一种深度学习算法的可靠性评估方法及系统”(专利公布号：CN 109711165 A)提出了深度学习的可靠性评估指标体系，可减少后期软件错误的开销；专利“基于遗传算法的BP神经网络的LED寿命预测”(专利公布号：CN 111814401 A)提出将神经网络用于预测LED的寿命等。然而，上述专利依旧基于大量的可靠性实验对算法模型进行训练，仍需耗费大量的时间与成本。
发明内容
针对现有技术的改进需求，本发明的目的在于提供一种基于神经网络的氮化镓器件寿命预测方法，将神经网络模型与半导体器件软件结合来挖掘器件失效机理与电学参数的关系，可快捷的进行氮化镓器件的寿命预测，成本低，时间短，效率高。
本发明的技术思路为：首先，利用半导体器件仿真软件建立氮化镓器件模型，并基于失效模型在氮化镓器件内部产生不同应力下对应的缺陷数量、俘获面积、能级位置等来模拟器件失效；然后，将仿真结果作为神经网络寿命预测模型的训练数据集，建立不同应力下氮化镓器件电学性能随应力及时间退化的神经网络模型；进而通过训练好的神经网络模型可以预测出氮化镓器件在正常工作条件下性能随时间的退化情况，最终可预测出器件的工作寿命。
本发明采用的具体技术方案为：
一种基于神经网络的氮化镓器件寿命预测方法，包括以下步骤：
(1)通过半导体器件仿真软件构建氮化镓器件模型；
(2)根据失效模型将电学应力施加在所述氮化镓器件模型上；
(3)通过半导体器件仿真软件模拟施加了电学应力的氮化镓器件模型的电学参数随时间变化的数据；
(4)构建神经网络寿命预测模型，该模型的输入层是电应力，输出层是器件的电学参数随时间变化的数据；
(5)利用步骤(3)中获得的数据对所述神经网络寿命预测模型进行训练；
(6)利用训练好的神经网络寿命预测模型预测氮化镓器件在正常工作条件下电学参数随时间的变化，得到预测的器件寿命时间。
进一步地，步骤(2)中，将多组不同的电学应力分别施加在所述氮化镓器件模型上。
优选地，步骤(2)中，根据硅基场效应晶体管中的电学失效模型，得出不同电学应力下氮化镓器件内部缺陷浓度变化，并将其施加在氮化镓器件模型上。
进一步地，步骤(4)中，采用BP算法构建所述神经网络寿命预测模型。神经网络寿命预测模型的输入为不同电学应力(如：漏极电压、栅极电压)，输出为器件的电学参数(如：漏极电流)随时间的变化。进一步，所述所述神经网络寿命预测模型预测氮化镓器件在正常工作条件下电学参数(如：漏极电流)随时间变化及寿命，给定输入为：氮化镓器件的正常工作条件，得出输出：氮化镓器件的电学参数随时间的变化；即可预测出在该失效模型下氮化镓器件的正常寿命时间。
从上述技术方案可以看出，本发明通过借助半导体器件仿真软件与氮化镓器件的失效模型模拟出氮化镓器件在不同失效机理下电学参数随时间的变化；通过建立神经网络寿命预测模型复现半导体器件仿真软件模拟氮化镓器件随时间退化结果，并且预测器件在正常工作条件下性能随时间的退化，进而预测出器件的寿命。与传统寿命预测方法相比，本发明能够快捷的预测出氮化镓器件的退化，减少加速实验工作量与时间，提高可靠性评价效率，具有耗时短，费用低，寿命预测效率高的特点，为氮化镓器件的可靠性寿命研究提供一种新的思路。
附图说明
图1是本发明预测方法的流程示意图；
图2是GaN HEMT器件的建模示意图，图中虚线表示的是器件内部二维电子气存在的位置；
图3是TCAD软件模拟热电子效应下，氮化镓器件的漏极电流随时间的变化；
图4是神经网络流程示意图；
图5是神经网络预测与仿真结果的对比(以Vds＝20V，Vds＝25V，Vds＝30V为例)；
图6是神经网络训练时的loss对比；
图7是神经网络验证时的loss对比；
图8是神经网络预测及TCAD软件模拟器件正常工作条件下的器件漏极电流(Ids)随时间退化的关系图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。所描述的实施例仅用于图示说明，而不是对本发明范围的限制。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
研究表明，开态应力下的热电子效应是氮化镓器件主要的电退化机理模型之一，会导致器件特性明显退化。因此，热电子效应已经成为氮化镓器件可靠性研究的主要方向之一。在以下本发明的具体实施方式中，研究的是氮化镓器件在热电子效应下的寿命预测，请参阅图1，图1是本发明具体实施例的一种基于神经网络的氮化镓器件寿命预测方法的流程图。如图1所示，主要包括以下步骤：
(1)利用半导体器件仿真软件构建氮化镓器件模型；
此实施例中，采用的是Sentaurus TCAD(Technology Computer Aided Design)软件来进行器件模拟。该软件是一款针对半导体工艺与器件特性模拟的专业仿真软件，能够考虑小尺寸工艺的半导体器件内部物理特性的量子力学理论和微观效应，更准确的模拟与分析器件的物理特性。
此实施例中，采用的氮化镓器件是基于GaN异质结的耗尽型GaN HEMT，当然也可以采用其他任意的氮化镓器件结构。本实施例器件的纵向结构自底向上分别为:AlN成核层(Nucleation layer)、GaN缓冲层、AlGaN势垒层、GaN帽层以及栅源、栅漏之间的Si3N4钝化层，其中AlGaN材料的Al摩尔组分为0.3，详细参数见表1。根据GaN HEMT的实际结构尺寸及材料参数，在TCAD软件里使用器件结构编辑器(SDE)建立器件几何结构模型，如图2所示。
表1 GaN HEMT模型详细参数
由于AlGaN/GaN异质结材料的特性，在其基础上制备的HEMT器件内部会发生很强的极化效应。在仿真时调用压应力模型物理模型模拟产生二维电子气，使器件仿真与实际器件特性更接近。此外，在器件模拟器(SDevice)内定义器件的物理模型，包括迁移率模型、异质结器件仿真模型、压电极化效应模型等，以及陷阱类型等器件模拟的关键参数，以及栅极电压、漏极电压等电学参数，使得器件仿真模型的基本电学特性与实际的GaN HEMT器件特性相吻合。
(2)根据失效模型将不同应力施加在氮化镓器件模型上；
研究表明，氮化镓器件在开态应力下的热电子效应是其主要的电退化机理模型之一，会导致器件特性明显退化。因此，热电子效应已经成为氮化镓器件可靠性研究的主要方向之一。因此，在具体实施例中，采用氮化镓器件的热电子效应作为优选实例进行说明。
热电子效应是由于当氮化镓器件处于开态/半开态条件下时，沟道中的二维电子气被高漏源电压Vds产生的强横向电场所加速，使得沟道中的电子获得足够高的动能继而成为高能“热电子”。加速后的高能热电子会跃出AlGaN/GaN异质结界面处的三角势阱，产生界面态陷阱，从而造成器件性能的持续退化。
根据幸运载流子模型，由于热载流子效应导致的界面态陷阱如下所示：
Vdsat＝Vgs-Vth
其中，为电子形成界面态所需要的临界能量，q为电子电量，λ为电子的平均自由程，W为器件的沟道宽度，Id是器件的漏极电流，Em是沟道电场大小，n是界面态产生的速率，Vds是器件的漏极与源极之间的电压，Vdsat是器件的饱和漏极电压，Vgs是器件的栅极与源极之间的电压，Vth是器件的阈值电压，L为沟道长度，t为加在器件上的应力时间，C为工艺相关的常数，C2为常数。仿真中三种热载流子应力设置为1)Vgs＝0V，Vds＝20V；2)Vgs＝1V，Vds＝25V和3)Vgs＝2V，Vds＝30V。
基于上述幸运载流子模型，可得出在不同热电子应力下，半导体器件内部缺陷数量的变化。由于热电子效应产生的缺陷主要为界面态，因此，将不同应力下的缺陷数量、俘获面积以及能级位置等施加在GaN HEMT模型中材料AlGaN/GaN界面处，以此模拟热电子效应对GaN HEMT器件产生作用。
(3)利用半导体器件仿真软件模拟不同应力下氮化镓器件的电学参数(如：漏极电流)随时间变化；
由于热电子效应导致半导体器件内部缺陷发生变化，从而导致沟道中二维电子气的密度降低，使得器件电学参数(如：漏极电流、导通电阻等)发生一定程度的退化，因此，采用漏极电流作为器件的退化观测参数。
其中，氮化镓器件电学性能(如：漏极电流)随时间的退化，表示为：
ΔIds＝Atn
式中，A代表常数，n代表与工艺相关的常数，t代表时间。
通过TCAD软件仿真模拟出不同应力(以Vds＝20V，Vds＝25V，Vds＝30V为例)、不同时间下氮化镓器件的漏极电流随的退化，如图3所示，在三组不同的电压条件下电流退化的斜率基本相等，约为0.49，符合热电子效应下氮化镓器件退化趋势。
(4)构建神经网络寿命预测模型；
采用BP算法构建神经网络寿命预测模型；规定BP神经网络的结构参数；
确定输入层神经元为2个，搭建4层的隐含层，每一层隐含层神经元个数分别为30、80、100以及100，每层隐含层的输出会经过激活函数后输入给下一层，输出层的神经元个数为59，如图4所示；
然后，将各个层链接起来，实现渐进式的数据蒸馏；
选择的激活函数为： 为修正线性单元(ReLU)。
确定损失函数表示为： 为仿真数据与网络输出的均方差；yi为训练样本的实际输出(即电学参数(漏极电流)随时间的实际变化)，/>为网络模型的预测输出；
选择的优化器是一种损失梯度更新参数的优化方法：Adam算法，此算法更新权重θt的公式如下：
mt＝β1mt-1+(1-β1)gt
式中β1，β2为指数衰减率，gt为梯度，为一阶矩估计，/>为二阶矩估计，α为学习率，ε为微调系数，θt-1为更新前的权重。
初步构建好BP神经网络寿命预测模型。
(5)利用步骤(3)中获得的数据进行神经网络寿命预测模型训练；
使用不同应力(漏极电压：25-60V，栅极电压：0-5V)作为神经网络的输入，器件的电学参数(漏极电流)随时间的变化作为神经网络的输出；
神经网络进行前向传播，计算均方差，使用优化器将误差进行后向传播，误差会通过隐藏层传递到输入层。误差将分配给所有神经元，调整网络的各个神经元权重，重复进行学习训练，当达到要求的精度或者达到学习上限次数，结束网络训练。
进一步调整训练参数(学习率，隐含层个数以及神经元个数)，优化模型使得网络模型预测数据与实验数据尽可能一致，如图5-7所示。
(6)利用步骤(5)中训练好的神经网络模型预测GaN HEMT器件在正常工作条件下电学参数(如：漏极电流)随时间变化及寿命。
通过训练好的神经网络模型可以预测出GaN HEMT器件在正常工作条件下(如：漏极电压：10V)电学性能随时间的变化，如图8所示。当器件漏极电流退化到10％时定义为器件的失效时间，因此，本实施例中，神经网络预测的器件在正常工作条件下的寿命大约为7年，通过TCAD软件结合幸运载流子模型仿真出的器件在正常工作条件下的寿命大约为7年，两者近似。
综上所述，本发明通过半导体器件仿真软件与失效模型模拟出氮化镓器件在不同失效机理下电学参数随时间的变化；通过神经网络复现半导体器件仿真软件模拟氮化镓器件随时间退化结果，并且预测器件在正常工作条件下性能随时间的退化，进而预测出器件的寿命。本发明能够快捷的预测出氮化镓器件的退化，具有耗时短，费用低，寿命预测效率高的特点，便于在短时间内有效预测器件在正常工作条件下的寿命。
本领域普通技术人员可以理解，以上所述仅为发明的优选实施例而已，并不用于限制发明，尽管参照前述实施例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。
Claims (4)
1.一种基于神经网络的氮化镓器件寿命预测方法，其特征在于，包括以下步骤：
(1)通过半导体器件仿真软件构建氮化镓器件模型；
(2)根据失效模型将电学应力施加在所述氮化镓器件模型上；
(3)通过半导体器件仿真软件模拟施加了电学应力的氮化镓器件模型的电学参数随时间变化的数据；
(4)构建神经网络寿命预测模型，该模型的输入层是电应力，输出层是器件的电学参数随时间变化的数据；
(5)利用步骤(3)中获得的数据对所述神经网络寿命预测模型进行训练；
(6)利用训练好的神经网络寿命预测模型预测氮化镓器件在正常工作条件下电学参数随时间的变化，得到预测的器件寿命时间。
2.根据权利要求1所述的一种基于神经网络的氮化镓器件寿命预测方法，其特征在于，步骤(2)中，将多组不同的电学应力分别施加在所述氮化镓器件模型上。
3.根据权利要求2所述的一种基于神经网络的氮化镓器件寿命预测方法，其特征在于，步骤(2)中，根据硅基场效应晶体管中的电学失效模型，得出不同电学应力下氮化镓器件内部缺陷浓度变化，并将其施加在氮化镓器件模型上。
4.根据权利要求1所述的一种基于神经网络的氮化镓器件寿命预测方法，其特征在于，步骤(4)中，采用BP算法构建所述神经网络寿命预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210262325.1A CN116822316A (zh) | 2022-03-17 | 2022-03-17 | 一种基于神经网络的氮化镓器件寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210262325.1A CN116822316A (zh) | 2022-03-17 | 2022-03-17 | 一种基于神经网络的氮化镓器件寿命预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116822316A true CN116822316A (zh) | 2023-09-29 |
Family
ID=88141541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210262325.1A Pending CN116822316A (zh) | 2022-03-17 | 2022-03-17 | 一种基于神经网络的氮化镓器件寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116822316A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117313625A (zh) * | 2023-11-29 | 2023-12-29 | 北京智芯微电子科技有限公司 | Mos器件寿命预测方法、装置和电子设备 |
-
2022
- 2022-03-17 CN CN202210262325.1A patent/CN116822316A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117313625A (zh) * | 2023-11-29 | 2023-12-29 | 北京智芯微电子科技有限公司 | Mos器件寿命预测方法、装置和电子设备 |
| CN117313625B (zh) * | 2023-11-29 | 2024-02-09 | 北京智芯微电子科技有限公司 | Mos器件寿命预测方法、装置和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ko et al. | A unified model for hot-electron currents in MOSFET's | |
| Miccoli et al. | Trapping and thermal effects analysis for AlGaN/GaN HEMTs by means of TCAD simulations | |
| CN108416167B (zh) | 一种GaN HEMT器件多物理场耦合大信号模型建立方法 | |
| CN116822316A (zh) | 一种基于神经网络的氮化镓器件寿命预测方法 | |
| Khandelwal | Advanced SPICE Model for GaN HEMTs (ASM-HEMT): A New Industry-Standard Compact Model for GaN-based Power and RF Circuit Design | |
| Kutub et al. | Artificial neural network-based (ANN) approach for characteristics modeling and prediction in GaN-on-Si power devices | |
| 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 | |
| KR20130010518A (ko) | 비정질 산화물 반도체 박막 트랜지스터의 커패시턴스 모델링 방법 및 그 장치 | |
| JP4966331B2 (ja) | 半導体回路劣化シミュレーション方法およびコンピュータプログラム媒体 | |
| Spata et al. | Deep learning algorithm for advanced level-3 inverse-modeling of silicon-carbide power MOSFET devices | |
| JP2009147296A (ja) | 薄膜トランジスタのソース−ドレイン電流モデリング方法及び装置 | |
| Kamal et al. | An efficient reliability simulation flow for evaluating the hot carrier injection effect in CMOS VLSI circuits | |
| CN116882344A (zh) | 半导体器件总剂量效应和热载流子效应耦合特性的仿真方法 | |
| Xi et al. | BSIM5 MOSFET Model | |
| CN116362035A (zh) | 一种硅基GaN HEMT器件衬底偏置效应仿真建模方法 | |
| CN114564907A (zh) | 一种GaN HEMT器件阈值电压及漏极电流模型的建立方法 | |
| Pozo et al. | Extreme GaN-What Happens When eGaN® FETs are Exposed to Voltage Levels Well Above Data Sheet Limits | |
| Lakhdar et al. | New optimized Dual-Material (DM) gate design to improve the submicron GaN-MESFETs reliability in subthreshold regime | |
| Curatola et al. | Detailed modeling of sub-100-nm MOSFETs based on Schro/spl uml/dinger DD per subband and experiments and evaluation of the performance gap to ballistic transport | |
| Stettler | Device and process modeling: 20 Years at Intel's other fab | |
| Jang et al. | Extraction of device structural parameters through DC/AC performance using an MLP neural network algorithm | |
| CN117313625B (zh) | Mos器件寿命预测方法、装置和电子设备 | |
| Cheng et al. | Novel model of a AlGaN/GaN high electron mobility transistor based on an artificial neural network | |
| Chen et al. | Automatic optimal design of field plate for silicon on insulator lateral double‐diffused metal oxide semiconductor using simulated annealing algorithm | |
| JP5292936B2 (ja) | 半導体素子特性シミュレーション装置、シミュレーション方法およびプログラム |
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 |