CN117236234B - 半导体器件模拟中迭代步数预测方法及装置 - Google Patents

Abstract

本发明公开了一种半导体器件模拟中迭代步数预测方法、装置、电子设备及存储介质。该方法包括：获取待评估半导体器件的初始值；将所述待评估半导体器件的初始值输入至预先训练完成的半导体器件迭代步数预测模型，得到所述待评估半导体器件的初始值对应的迭代步数；基于所述待评估半导体器件的初始值对应的迭代步数，确定所述待评估半导体器件的初始值对应的质量评估结果。上述技术方案，实现了半导体器件模拟中迭代算法的迭代步数的预测以及初始值质量的自动评估，有效提升了半导体器件初始值的选择效率，进而提升了半导体器件模拟的可靠性与效率。

Description

半导体器件模拟中迭代步数预测方法及装置

技术领域

本发明涉及半导体技术领域，尤其涉及一种半导体器件模拟中迭代步数预测方法、装置、电子设备及存储介质。

背景技术

在半导体器件模拟中，常使用牛顿法、拟牛顿法等非线性迭代方法解决复杂的数学和物理问题。

半导体器件初始值的选取对非线性迭代方法至关重要，良好的初始值对应的非线性迭代方法的迭代步数较少，可以快速收敛，而欠佳的初始值对应的非线性迭代方法的迭代步数较多，甚至无法达到收敛。

在实现本发明的过程中，发明人发现现有技术中至少存在以下技术问题：现有技术方案，无法实现迭代步数的预测，存在半导体器件模拟可靠性差和效率低的问题。

发明内容

本发明提供了一种半导体器件模拟中迭代步数预测方法、装置、电子设备及存储介质，以实现迭代步数的自动预测，提升半导体器件模拟的可靠性和效率。

根据本发明的一方面，提供了一种半导体器件模拟中迭代步数预测方法，包括：

获取待评估半导体器件的初始值；

将所述待评估半导体器件的初始值输入至预先训练完成的半导体器件迭代步数预测模型，得到所述待评估半导体器件的初始值对应的迭代步数；

基于所述待评估半导体器件的初始值对应的迭代步数，确定所述待评估半导体器件的初始值对应的质量评估结果。

根据本发明的另一方面，提供了一种半导体器件模拟中迭代步数预测装置，包括：

半导体器件初始值获取模块，用于获取待评估半导体器件的初始值；

迭代步数预测模块，用于将所述待评估半导体器件的初始值输入至预先训练完成的半导体器件迭代步数预测模型，得到所述待评估半导体器件的初始值对应的迭代步数；

质量评估结果确定模块，用于基于所述待评估半导体器件的初始值对应的迭代步数，确定所述待评估半导体器件的初始值对应的质量评估结果。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；

以及与所述至少一个处理器通信连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的半导体器件模拟中迭代步数预测方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的半导体器件模拟中迭代步数预测方法。

本发明实施例的技术方案，通过引入基于机器学习的半导体器件迭代步数预测模型，实现了半导体器件模拟中迭代算法的迭代步数的自动预测以及初始值质量的自动评估，有效提升了半导体器件初始值的选择效率，进而提升了迭代算法在半导体器件模拟中的可靠性与效率，从而确保半导体产品的质量与性能。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例一提供的一种半导体器件模拟中迭代步数预测方法的流程图；

图2是根据本发明实施例二提供的一种半导体器件模拟中迭代步数预测方法的流程图；

图3是根据本发明实施例三提供的一种半导体器件模拟中迭代步数预测装置的结构示意图；

图4是实现本发明实施例的半导体器件模拟中迭代步数预测方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在介绍具体实施例之前，先对半导体器件模拟中迭代步数预测方法的应用场景进行介绍。具体而言，半导体器件模拟中迭代步数预测方法可以应用于半导体器件模拟软件系统的非线性求解器中，该非线性求解器可以用于模拟半导体器件的非线性特性。

实施例一

图1为本发明实施例一提供的一种半导体器件模拟中迭代步数预测方法的流程图，本实施例可适用于非线性迭代方法的迭代步数预测的情况，该方法可以由半导体器件模拟中迭代步数预测装置来执行，该半导体器件模拟中迭代步数预测装置可以采用硬件和/或软件的形式实现，该半导体器件模拟中迭代步数预测装置可配置于计算机等电子设备中。如图1所示，该方法包括：

S110、获取待评估半导体器件的初始值。

在本公开实施例中，初始值是指半导体器件模拟中所使用的物理参数，物理参数的数量可以为一个或多个，其中，初始值可以包括但不限于电势、电子浓度和空穴浓度等物理参数。

具体地，电子设备可以响应于用户对待评估半导体器件的初始值输入操作，从而得到待评估半导体器件的初始值；还可以从电子设备预设存储路径下读取得到待评估半导体器件的初始值，在此不做具体限定。

S120、将所述待评估半导体器件的初始值输入至预先训练完成的半导体器件迭代步数预测模型，得到所述待评估半导体器件的初始值对应的迭代步数。

在本公开实施例中，半导体器件迭代步数预测模型是指预先训练得到的分类模型，可以用于对半导体器件模拟的非线性迭代算法的迭代步数进行预测。其中，半导体器件迭代步数预测模型可以预先通过大量的训练样本数据进行训练得到，在所训练的预测模型中，会预先对训练样本数据中初始值进行特征提取，并基于提取的特征信息对预测模型的模型参数进行训练，并通过不断调整模型参数，使得预测模型的输出结果与训练样本数据中步数标签之间的距离偏差逐渐减小并趋于稳定。

具体地，可以将待评估半导体器件的初始值，作为输入数据输入至预先训练出的半导体器件迭代步数预测模型中；半导体器件迭代步数预测模型基于待评估半导体器件的初始值预测得到半导体器件模拟的非线性迭代算法的迭代步数，并加以输出。

可选地，待评估半导体器件的初始值包括电势参数、电子浓度参数、空穴浓度参数、温度参数、电场参数、半导体材料属性、半导体器件结构参数、时间参数、边界条件、杂质分布中的一项或多项；相应的，将待评估半导体器件的初始值输入至预先训练完成的半导体器件迭代步数预测模型，得到待评估半导体器件的初始值对应的迭代步数，包括：将电势参数、电子浓度参数、空穴浓度参数、温度参数、电场参数、半导体材料属性、半导体器件结构参数、时间参数、边界条件、杂质分布中的一项或多项确定为半导体器件迭代步数预测模型的输入数据；将输入数据，输入至预先训练完成的半导体器件迭代步数预测模型，通过半导体器件迭代步数预测模型对输入数据进行预测，得到待评估半导体器件的初始值对应的迭代步数。

在一些实施例中，可以将电势、电子浓度和空穴浓度确定为半导体器件迭代步数预测模型的输入数据。在一些实施例中，还可以将电势、电子浓度、空穴浓度和全部或部分梯度信息确定为半导体器件迭代步数预测模型的输入数据。在一些实施例中，也可以将电势、电子浓度、空穴浓度和函数值信息确定为半导体器件迭代步数预测模型的输入数据。需要说明的是，通过将梯度信息和/或函数值信息加入输入数据，可以提升输入数据的丰富度，以便半导体器件迭代步数预测模型实现准确预测。

可以理解的是，初始值中的具体物理参数可以根据半导体器件模型进行选取或确定，换言之，不同的半导体器件模型对应的初始值不同，其中，半导体器件模型包括但不限于漂移-扩散模型、晶格加热模型、能量平衡模型、碰撞电离模型、能带间隧穿模型等，在此不做限定。

示例性地，可以将半导体器件的空间区域分割成网格，对于任一网格区域，可以用如下微分方程组表示：

其中，表示半导体器件材料的电容率，/>表示电势，/>表示基本电荷，/>表示电子浓度，/>表示空穴浓度，/>表示半导体器件的掺杂浓度，/>表示时间，/>表示载流子的生成量，/>表示载流子的负荷量，/>表示电子的空穴密度，/>表示空穴的电流密度，/>表示半导体器件材料中电子的迁移率，/>表示半导体器件材料中空穴的迁移率，/>表示半导体器件材料中电子的扩散率，/>表示半导体器件材料中空穴的扩散率。需要说明的是，上述微分方程组可以用于半导体器件的数值模拟和仿真。

需要说明的是，上述微分方程组可以用于半导体器件的数值模拟和仿真。

S130、基于所述待评估半导体器件的初始值对应的迭代步数，确定所述待评估半导体器件的初始值对应的质量评估结果。

其中，迭代步数是指以初始值为起始点进行迭代直至迭代停止的迭代步数。在本公开实施例中，可以根据待评估半导体器件的初始值对应的迭代步数判断待评估半导体器件的初始值是否合格，以得到质量评估结果，其中，质量评估结果可以为初始值质量合格或者初始值质量不合格。

具体地，若待评估半导体器件的初始值对应的迭代步数小于预设步数阈值，则确定待评估半导体器件的初始值对应的质量评估结果为质量合格；若待评估半导体器件的初始值对应的迭代步数不小于预设步数阈值，则确定待评估半导体器件的初始值对应的质量评估结果为质量不合格。需要说明的是，在质量评估结果为质量合格的情况下，可以使用该初始值对半导体器件进行非线性迭代，避免不必要的迭代，以提升迭代算法在半导体器件模拟中的可靠性与效率。

示例性地，预设步数阈值可以为100，若待评估半导体器件的初始值对应的迭代步数为70，则待评估半导体器件的初始值对应的质量评估结果为质量合格，若待评估半导体器件的初始值对应的迭代步数为130，则待评估半导体器件的初始值对应的质量评估结果为质量不合格。

在一些可选实施例中，质量评估结果还可以划分为多个等级，例如各等级可以为优秀、良好、普通和不合格，或者各等级还可以为第一等级、第二等级和第三等级，需要说明的是，上述质量评估结果的多等级划分仅是示例，并非对质量评估结果对应等级的限定。可以理解的是，对质量评估结果等级划分的越多或者越详细，其质量评估结果就越准确、可靠，有效提升了半导体器件初始值选择的准确性。

本发明实施例的技术方案，通过引入基于机器学习的半导体器件迭代步数预测模型，实现了半导体器件模拟中迭代算法的迭代步数的自动预测以及初始值质量的自动评估，有效提升了半导体器件初始值的选择效率，进而提升了迭代算法在半导体器件模拟中的可靠性与效率，从而确保半导体产品的质量与性能。

实施例二

图2为本发明实施例二提供的一种半导体器件模拟中迭代步数预测方法的流程图，本实施例的方法与上述实施例中提供的半导体器件模拟中迭代步数预测方法中各个可选方案可以结合。本实施例提供的半导体器件模拟中迭代步数预测方法进行了进一步优化。可选的，在所述获取待评估半导体器件的初始值之前，还包括：获取半导体器件的多个初始近似根；对于任一初始近似根，将所述初始近似根输入至预先配置的非线性迭代优化模型中，得到初始近似根停止迭代时的迭代步数；基于各初始近似根以及各初始近似根对应的停止迭代时的迭代步数，对待训练的分类模型进行训练，得到半导体器件迭代步数预测模型。

如图2所示，该方法包括：

S210、获取半导体器件的多个初始近似根。

在本公开实施例中，初始近似根是指半导体器件的训练样本数据中的初始值。

具体地，可以从半导体器件的初始近似根集合中随机或固定选取多个初始近似根。

S220、对于任一初始近似根，将所述初始近似根输入至预先配置的非线性迭代优化模型中，得到初始近似根对应的停止迭代时的迭代步数。

其中，非线性迭代优化模型可以通过牛顿法或者拟牛顿法等非线性迭代算法构建得到。

具体地，可以使用牛顿法或者拟牛顿法等非线性迭代算法构建的非线性迭代优化模型对半导体器件的初始近似根进行迭代更新，并记录各近似根以及非线性迭代算法的收敛情况，若收敛，则记录迭代停止时的迭代步数，若不收敛，则可以将预先设置的最大迭代步数作为迭代停止时的迭代步数。

在本公开实施例中，将初始近似根输入至预先配置的非线性迭代优化模型中，得到初始近似根对应的停止迭代时的迭代步数，可以包括但不限于：将初始近似根输入至预先配置的非线性迭代优化模型中，通过非线性迭代优化模型确定初始近似根对应的下一近似根；将下一近似根更新为当前近似根，通过非线性迭代优化模型确定当前近似根对应的下一近似根，重复当前步骤，直至满足预设停止条件，结束迭代优化过程，并记录初始近似根对应的停止迭代时的迭代步数。

示例性地，非线性迭代优化模型可以为：

；

其中,表示第n次迭代的近似根，即当前近似根，/>表示第n+1次迭代的近似根，即下一近似根，/>表示第n次迭代的雅可比矩阵的逆矩阵,/>表示第n次迭代的函数值向量。在每次迭代之后，可以判断是否满足预设停止条件，在满足预设停止条件的情况下，结束迭代优化过程，并确定初始近似根对应的质量评估结果。其中，预设停止条件的数量可以为一个或多个，例如预设停止条件可以为牛顿法停止条件或者其他用户自定的停止条件。

可选地，预设停止条件包括以下条件中一项或多项：若半导体器件对应函数值的范数小于预设范数阈值，则结束迭代优化过程；若当前近似根与下一近似根的差值小于预设差值阈值，则结束迭代优化过程；若当前近似根对应的函数值和下一近似根对应的函数值的差值小于预设函数差值阈值，则结束迭代优化过程；在迭代优化过程中，对于任一相邻的近似根，确定相邻的近似根之间的差值，若各相邻的近似根之间的差值中存在连续多次小于预设差值阈值，则结束迭代优化过程；在迭代优化过程中，对于任一相邻的近似根对应的函数值，确定相邻的近似根对应函数值之间的差值，若各相邻的近似根对应的函数值之间的差值中存在连续多次小于预设函数差值阈值，则结束迭代优化过程；若当前迭代次数超过预设最大迭代次数，则结束迭代优化过程。

在一些实施例中，可以用表示半导体器件对应函数值的范数，预设范数阈值可以为接近零的数值，例如0.01等，当/>小于预设范数阈值时，表明当前迭代次数的近似根已经逼近解，可以结束迭代优化过程。

在一些实施例中，当前近似根与下一近似根为连续两次迭代得到的近似根，在当前近似根与下一近似根的差值小于预设差值阈值的情况下，表明近似根已经足够稳定，可以结束迭代优化过程，其中，预设差值阈值可以根据半导体器件模拟需求进行设定，在此不做具体限定。

在一些实施例中，可以用表示当前近似根对应的函数值，/>表示下一近似根对应的函数值，若/>与/>的差值小于预设函数差值阈值，则可以结束迭代优化过程，同理，预设函数差值阈值也可以根据半导体器件模拟需求进行设定，在此不做具体限定。

在一些实施例中，在各相邻的近似根之间的差值中存在连续多次小于预设差值阈值的情况下，表明近似根已经足够稳定，可以结束迭代优化过程。需要说明的是，该预设停止条件可以规避单次差值错误导致判断失误的情况发生，从而提升质量评估结果的准确性和可靠性。

在一些实施例中，在各相邻的近似根对应的函数值之间的差值中存在连续多次小于预设函数差值阈值的情况下，则可以结束迭代优化过程。该预设停止条件可以规避单次差值错误导致判断失误的情况发生，提升了质量评估结果的准确性和可靠性。其中，多次可以为两次、三次或者三次以上，在此不做具体限定。

在一些实施例中，当前迭代次数可以超过预设最大迭代次数，表明非线性迭代优化模型的迭代已经完成，从而可以结束迭代优化过程。

需要说明的是，满足上述任何一个预设停止条件均可以结束迭代过程。如果不满足预设停止条件，则继续通过非线性迭代优化模型进行下一轮迭代，直至满足预设停止条件。

S230、基于各初始近似根以及各初始近似根对应的停止迭代时的迭代步数，对待训练的分类模型进行训练，得到半导体器件迭代步数预测模型。

其中，待训练的分类模型进行训练可以为逻辑回归模型或者其他机器学习分类算法，例如，其他机器学习分类算法可以为决策树、支持向量机、随机森林、朴素贝叶斯等，在此不做限定。

可选地，基于各初始近似根以及各初始近似根对应的停止迭代时的迭代步数，对待训练的分类模型进行训练，得到半导体器件迭代步数预测模型，包括：对于任一初始近似根，获取初始近似根对应的停止迭代时的迭代步数对应的标签；将初始近似根输入至待训练的分类模型，得到初始近似根对应的预测步数标识；根据初始近似根对应的预测步数标识和初始近似根对应的停止迭代时的迭代步数对应的标签确定模型损失值；根据模型损失值，对待训练的分类模型进行参数调整，直至满足预设训练停止条件，得到半导体器件迭代步数预测模型。

其中，迭代步数对应的标签为根据迭代步数所属区间设置的标识信息，例如其可以用英文字母或者其他符号表示。同理，预测步数标识为预测得到的迭代步数所属区间的标识信息。

表1

示例性地，对于任一初始近似根以及该初始近似根对应的停止迭代时的迭代步数可以如表1所示，其中，表示维度w，/>表示初始近似根，/>表示第n次迭代得到的近似根。可以理解的是，若从/>出发到/>收敛，则需要的迭代步数为k；若从/>出发到/>收敛，则需要的迭代步数为k-1。

为了便于模型训练，可以将迭代步数进行的区间划分，并对各迭代步数区间打上标签。示例性地，如表2所示，可以对k、k-1打上A标签，对k-2、k-3打上B标签等。此外，如表3所示，对于初始近似根对应的非线性迭代方法不收敛的情况，可以对该初始近似根以及该初始近似根迭代得到的近似根打上F标签。

表2

表3

在得到表2和表3之后，可以将表2和/或表3的全部或者部分数据作为训练样本，以供分类模型进行训练，训练样本一共有A、B、C、D、E、F共6个类别。其中，分类模型可以选取逻辑回归多分类模型，训练逻辑回归多分类模型的损失函数可以选取交叉熵损失函数或者其他损失函数，在此不做限定。逻辑回归多分类模型的输出可以表示为：

其中，。最终逻辑回归多分类模型输出的预测步数的区间是概率最大的类别代表的步数区间。/>表示在给定半导体器件的初始近似根X的情况下，迭代步数落在A区间的概率。

需要注意的是，上述A、B、C、D、E、F迭代步数区间的划分仅是示例，并非对本公开实施例方案的具体限定。迭代步数区间的划分尺度可以根据半导体器件模拟需求进行自定义设置，在此不做限定。

S240、获取待评估半导体器件的初始值。

S250、将所述待评估半导体器件的初始值输入至预先训练完成的半导体器件迭代步数预测模型，得到所述待评估半导体器件的初始值对应的迭代步数。

S260、基于所述待评估半导体器件的初始值对应的迭代步数，确定所述待评估半导体器件的初始值对应的质量评估结果。

本发明实施例的技术方案，通过将各初始近似根以及各初始近似根对应的停止迭代时的迭代步数作为模型训练数据，对待训练的分类模型进行训练，得到了能够自动预测迭代步数的半导体器件迭代步数预测模型，为半导体器件初始值的高效选取奠定了基础。

实施例三

图3为本发明实施例三提供的一种半导体器件模拟中迭代步数预测装置的结构示意图。如图3所示，该装置包括：

半导体器件初始值获取模块310，用于获取待评估半导体器件的初始值；

迭代步数预测模块320，用于将所述待评估半导体器件的初始值输入至预先训练完成的半导体器件迭代步数预测模型，得到所述待评估半导体器件的初始值对应的迭代步数；

质量评估结果确定模块330，用于基于所述待评估半导体器件的初始值对应的迭代步数，确定所述待评估半导体器件的初始值对应的质量评估结果。

本发明实施例的技术方案，通过引入基于机器学习的半导体器件迭代步数预测模型，实现了半导体器件模拟中迭代算法的迭代步数的自动预测以及初始值质量的自动评估，有效提升了半导体器件初始值的选择效率，进而提升了迭代算法在半导体器件模拟中的可靠性与效率，从而确保半导体产品的质量与性能。

在一些可选的实施方式中，所述待评估半导体器件的初始值包括电势参数、电子浓度参数、空穴浓度参数、温度参数、电场参数、半导体材料属性、半导体器件结构参数、时间参数、边界条件、杂质分布中的一项或多项；

相应的，迭代步数预测模块320，具体用于：

将电势参数、电子浓度参数、空穴浓度参数、温度参数、电场参数、半导体材料属性、半导体器件结构参数、时间参数、边界条件、杂质分布中的一项或多项确定为半导体器件迭代步数预测模型的输入数据；

将所述输入数据，输入至预先训练完成的半导体器件迭代步数预测模型，通过所述半导体器件迭代步数预测模型对所述输入数据进行预测，得到所述待评估半导体器件的初始值对应的迭代步数。

在一些可选的实施方式中，质量评估结果确定模块330，具体用于：

若所述待评估半导体器件的初始值对应的迭代步数小于预设步数阈值，则确定所述待评估半导体器件的初始值对应的质量评估结果为质量合格；

若所述待评估半导体器件的初始值对应的迭代步数不小于预设步数阈值，则确定所述待评估半导体器件的初始值对应的质量评估结果为质量不合格。

在一些可选的实施方式中，半导体器件模拟中迭代步数预测装置，还包括：

初始近似根获取模块，用于获取半导体器件的多个初始近似根；

迭代步数确定模块，用于对于任一初始近似根，将所述初始近似根输入至预先配置的非线性迭代优化模型中，得到初始近似根对应的停止迭代时的迭代步数；

分类模型训练模块，用于基于各初始近似根以及各初始近似根对应的停止迭代时的迭代步数，对待训练的分类模型进行训练，得到半导体器件迭代步数预测模型。

在一些可选的实施方式中，迭代步数确定模块，具体用于：

将所述初始近似根输入至预先配置的非线性迭代优化模型中，通过所述非线性迭代优化模型确定所述初始近似根对应的下一近似根；

将下一近似根更新为当前近似根，通过所述非线性迭代优化模型确定所述当前近似根对应的下一近似根，重复当前步骤，直至满足预设停止条件，结束迭代优化过程，并记录初始近似根对应的停止迭代时的迭代步数。

在一些可选的实施方式中，所述预设停止条件包括以下条件中一项或多项：

若半导体器件对应函数值的范数小于预设范数阈值，则结束迭代优化过程；

若当前近似根与下一近似根的差值小于预设差值阈值，则结束迭代优化过程；

若当前近似根对应的函数值和下一近似根对应的函数值的差值小于预设函数差值阈值，则结束迭代优化过程；

在迭代优化过程中，对于任一相邻的近似根，确定相邻的近似根之间的差值，若各相邻的近似根之间的差值中存在连续多次小于预设差值阈值，则结束迭代优化过程；

在迭代优化过程中，对于任一相邻的近似根对应的函数值，确定相邻的近似根对应函数值之间的差值，若各相邻的近似根对应的函数值之间的差值中存在连续多次小于预设函数差值阈值，则结束迭代优化过程；

若当前迭代次数超过预设最大迭代次数，则结束迭代优化过程。

在一些可选的实施方式中，分类模型训练模块，具体用于：

对于任一初始近似根，获取所述初始近似根对应的停止迭代时的迭代步数对应的标签；

将所述初始近似根输入至待训练的分类模型，得到初始近似根对应的预测步数标识；

根据所述初始近似根对应的预测步数标识和所述初始近似根对应的停止迭代时的迭代步数对应的标签确定模型损失值；

根据所述模型损失值，对待训练的分类模型进行参数调整，直至满足预设训练停止条件，得到半导体器件迭代步数预测模型。

本发明实施例所提供的半导体器件模拟中迭代步数预测装置可执行本发明任意实施例所提供的半导体器件模拟中迭代步数预测方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器（ROM）12、随机访问存储器（RAM）13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器（ROM）12中的计算机程序或者从存储单元18加载到随机访问存储器（RAM）13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。I/O接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如半导体器件模拟中迭代步数预测方法，该方法包括：

获取待评估半导体器件的初始值；

将所述待评估半导体器件的初始值输入至预先训练完成的半导体器件迭代步数预测模型，得到所述待评估半导体器件的初始值对应的迭代步数；

基于所述待评估半导体器件的初始值对应的迭代步数，确定所述待评估半导体器件的初始值对应的质量评估结果。

在一些实施例中，半导体器件模拟中迭代步数预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的半导体器件模拟中迭代步数预测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行半导体器件模拟中迭代步数预测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、系统级芯片（SOC）、复杂可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (7)

1.一种半导体器件模拟中迭代步数预测方法，其特征在于，包括：

获取半导体器件的多个初始近似根，所述初始近似根是指半导体器件的训练样本数据中的初始值，所述初始值包括电势参数、电子浓度参数、空穴浓度参数、温度参数、电场参数、半导体材料属性、半导体器件结构参数、时间参数、边界条件、杂质分布中的一项或多项；

对于任一初始近似根，将所述初始近似根输入至预先配置的非线性迭代优化模型中，得到初始近似根对应的停止迭代时的迭代步数；

基于各初始近似根以及各初始近似根对应的停止迭代时的迭代步数，对待训练的分类模型进行训练，得到半导体器件迭代步数预测模型；

获取待评估半导体器件的初始值；

将所述待评估半导体器件的初始值输入至预先训练完成的半导体器件迭代步数预测模型，得到所述待评估半导体器件的初始值对应的迭代步数，半导体器件迭代步数预测模型是指预先训练得到的分类模型，用于对半导体器件模拟的非线性迭代算法的迭代步数进行预测；

基于所述待评估半导体器件的初始值对应的迭代步数，确定所述待评估半导体器件的初始值对应的质量评估结果；

所述将所述初始近似根输入至预先配置的非线性迭代优化模型中，得到初始近似根对应的停止迭代时的迭代步数，包括：

将所述初始近似根输入至预先配置的非线性迭代优化模型中，通过所述非线性迭代优化模型确定所述初始近似根对应的下一近似根；

将下一近似根更新为当前近似根，通过所述非线性迭代优化模型确定所述当前近似根对应的下一近似根，重复当前步骤，直至满足预设停止条件，结束迭代优化过程，并记录初始近似根对应的停止迭代时的迭代步数；

所述预设停止条件包括以下条件中一项或多项：

若半导体器件对应函数值的范数小于预设范数阈值，则结束迭代优化过程；

若当前近似根与下一近似根的差值小于预设差值阈值，则结束迭代优化过程；

若当前近似根对应的函数值和下一近似根对应的函数值的差值小于预设函数差值阈值，则结束迭代优化过程；

在迭代优化过程中，对于任一相邻的近似根，确定相邻的近似根之间的差值，若各相邻的近似根之间的差值中存在连续多次小于预设差值阈值，则结束迭代优化过程；

在迭代优化过程中，对于任一相邻的近似根对应的函数值，确定相邻的近似根对应函数值之间的差值，若各相邻的近似根对应的函数值之间的差值中存在连续多次小于预设函数差值阈值，则结束迭代优化过程；

若当前迭代次数超过预设最大迭代次数，则结束迭代优化过程。

2.根据权利要求1所述的方法，其特征在于，所述将所述待评估半导体器件的初始值输入至预先训练完成的半导体器件迭代步数预测模型，得到所述待评估半导体器件的初始值对应的迭代步数，包括：

将电势参数、电子浓度参数、空穴浓度参数、温度参数、电场参数、半导体材料属性、半导体器件结构参数、时间参数、边界条件、杂质分布中的一项或多项确定为半导体器件迭代步数预测模型的输入数据；

将所述输入数据，输入至预先训练完成的半导体器件迭代步数预测模型，通过所述半导体器件迭代步数预测模型对所述输入数据进行预测，得到所述待评估半导体器件的初始值对应的迭代步数。

3.根据权利要求1所述的方法，其特征在于，所述基于所述待评估半导体器件的初始值对应的迭代步数，确定所述待评估半导体器件的初始值对应的质量评估结果，包括：

若所述待评估半导体器件的初始值对应的迭代步数小于预设步数阈值，则确定所述待评估半导体器件的初始值对应的质量评估结果为质量合格；

若所述待评估半导体器件的初始值对应的迭代步数不小于预设步数阈值，则确定所述待评估半导体器件的初始值对应的质量评估结果为质量不合格。

4.根据权利要求1所述的方法，其特征在于，所述基于各初始近似根以及各初始近似根对应的停止迭代时的迭代步数，对待训练的分类模型进行训练，得到半导体器件迭代步数预测模型，包括：

对于任一初始近似根，获取所述初始近似根对应的停止迭代时的迭代步数对应的标签；

将所述初始近似根输入至待训练的分类模型，得到初始近似根对应的预测步数标识；

根据所述初始近似根对应的预测步数标识和所述初始近似根对应的停止迭代时的迭代步数对应的标签确定模型损失值；

根据所述模型损失值，对待训练的分类模型进行参数调整，直至满足预设训练停止条件，得到半导体器件迭代步数预测模型。

5.一种半导体器件模拟中迭代步数预测装置，其特征在于，包括：

初始近似根获取模块，用于获取半导体器件的多个初始近似根，所述初始近似根是指半导体器件的训练样本数据中的初始值，所述初始值包括电势参数、电子浓度参数、空穴浓度参数、温度参数、电场参数、半导体材料属性、半导体器件结构参数、时间参数、边界条件、杂质分布中的一项或多项；

迭代步数确定模块，用于对于任一初始近似根，将所述初始近似根输入至预先配置的非线性迭代优化模型中，得到初始近似根对应的停止迭代时的迭代步数；

分类模型训练模块，用于基于各初始近似根以及各初始近似根对应的停止迭代时的迭代步数，对待训练的分类模型进行训练，得到半导体器件迭代步数预测模型；

半导体器件初始值获取模块，用于获取待评估半导体器件的初始值；

迭代步数预测模块，用于将所述待评估半导体器件的初始值输入至预先训练完成的半导体器件迭代步数预测模型，得到所述待评估半导体器件的初始值对应的迭代步数，半导体器件迭代步数预测模型是指预先训练得到的分类模型，用于对半导体器件模拟的非线性迭代算法的迭代步数进行预测；

质量评估结果确定模块，用于基于所述待评估半导体器件的初始值对应的迭代步数，确定所述待评估半导体器件的初始值对应的质量评估结果；

迭代步数确定模块，具体用于：

将所述初始近似根输入至预先配置的非线性迭代优化模型中，通过所述非线性迭代优化模型确定所述初始近似根对应的下一近似根；

将下一近似根更新为当前近似根，通过所述非线性迭代优化模型确定所述当前近似根对应的下一近似根，重复当前步骤，直至满足预设停止条件，结束迭代优化过程，并记录初始近似根对应的停止迭代时的迭代步数；

所述预设停止条件包括以下条件中一项或多项：

若半导体器件对应函数值的范数小于预设范数阈值，则结束迭代优化过程；

若当前近似根与下一近似根的差值小于预设差值阈值，则结束迭代优化过程；

若当前近似根对应的函数值和下一近似根对应的函数值的差值小于预设函数差值阈值，则结束迭代优化过程；

在迭代优化过程中，对于任一相邻的近似根，确定相邻的近似根之间的差值，若各相邻的近似根之间的差值中存在连续多次小于预设差值阈值，则结束迭代优化过程；

在迭代优化过程中，对于任一相邻的近似根对应的函数值，确定相邻的近似根对应函数值之间的差值，若各相邻的近似根对应的函数值之间的差值中存在连续多次小于预设函数差值阈值，则结束迭代优化过程；

若当前迭代次数超过预设最大迭代次数，则结束迭代优化过程。

6.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；

以及与所述至少一个处理器通信连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的半导体器件模拟中迭代步数预测方法。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-4中任一项所述的半导体器件模拟中迭代步数预测方法。