CN117236261B - Mos管参数模型的构建方法、装置、设备及存储介质 - Google Patents
Mos管参数模型的构建方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117236261B CN117236261B CN202311515455.2A CN202311515455A CN117236261B CN 117236261 B CN117236261 B CN 117236261B CN 202311515455 A CN202311515455 A CN 202311515455A CN 117236261 B CN117236261 B CN 117236261B
- Authority
- CN
- China
- Prior art keywords
- characteristic
- model
- voltage
- mos tube
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013136 deep learning model Methods 0.000 claims abstract description 25
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 59
- 239000011159 matrix material Substances 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 45
- 238000005192 partition Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000007726 management method Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 46
- 230000008859 change Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 5
- 238000013523 data management Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Abstract
本发明涉及数据处理的技术领域，公开了一种MOS管参数模型的构建方法、装置、设备及存储介质。所述MOS管参数模型的构建方法包括：从预先构建的电压‑电流数据集库中获取多种型号的MOS管的特性数据；将所述特性数据输入至训练后的深度学习模型中进行预测，得到不同电压和电流下的MOS管参数变化趋势结果，并将所述MOS管参数变化趋势结果转换为对应的特性趋势图；本发明通过机器学习模型对特性图像进行训练，建立了可解释、预测能力强的MOS管参数模型，提高了MOS管的应用效果。
Description
技术领域
本发明涉及数据处理的技术领域，尤其涉及一种MOS管参数模型的构建方法、装置、设备及存储介质。
背景技术
近年来，金属氧化物半导体场效应晶体管（MOS管）在电子和微电子工业中的应用日益增多，其特性对电路的性能和稳定性起到了至关重要的作用。为了更好地了解和利用MOS管，需要对其在不同的电压和电流条件下的特性进行深入研究。
传统上，研究人员主要依靠实验手段来获取MOS管的特性数据，这种方法既费时又费力，而且由于实验条件的限制，很难获取到完整和连续的特性数据。此外，传统的数据分析方法往往基于经验和试错，缺乏对数据深度和宽度的深入挖掘，因此很难得到准确和全面的特性趋势图。
随着深度学习和机器学习技术的快速发展，利用这些先进的技术对MOS管的特性数据进行分析和预测成为可能。然而，如何有效地从大量的数据中提取有用的MOS管参数信息，以及如何构建MOS管参数模型，仍然是一个亟待解决的问题。
发明内容
本发明提供了一种MOS管参数模型的构建方法、装置、设备及存储介质，用于解决如何构建MOS管参数模型的技术问题。
本发明第一方面提供了一种MOS管参数模型的构建方法，所述MOS管参数模型的构建方法包括：
从预先构建的电压-电流数据集库中获取多种型号的MOS管的特性数据；其中，所述电压-电流数据集库包括在多种电压和电流状况下的MOS管特性数据；
将所述特性数据输入至训练后的深度学习模型中进行预测，得到不同电压和电流下的MOS管参数变化趋势结果，并将所述MOS管参数变化趋势结果转换为对应的特性趋势图；其中，所述特性趋势图至少包含一个从最小电压到最大电压的连续或离散序列；
创建一个特性矩阵；其中，所述特性矩阵的行代表不同的检测点或时间，所述特性矩阵的列代表不同的电压或电流输入；
基于预设的矩阵分析算法对所述特性矩阵进行分析，以确定各电压或电流状态下与MOS管参数间的函数关系；基于所述函数关系，计算所述函数关系对应的函数关系强度和函数关系方向指标；
根据函数关系强度、函数关系方向指标和每个电压或电流状态下的MOS管参数，计算所述特性趋势图的得分，生成对应的预测值，并映射所述预测值到预先设定的图像中形成特性图像；
将特性图像输入到预先选定的机器学习模型中进行训练，得到MOS管参数模型；其中，所述MOS管参数模型用于预测任何电压或电流输入条件下MOS管的特性。
可选的，在本发明第一方面的第一种实现方式中，所述特性趋势图还包含一个从最小电流到最大电流的连续或离散序列。
可选的，在本发明第一方面的第二种实现方式中，所述深度学习模型的训练过程，包括：
采集MOS管在各种工作状态下的特性电压样本数据和特性电流样本数据；其中，所述特性电压样本数据和所述特性电流样本数据均包括相应的标签；
基于预设的卷积网络模型对所述特性电压样本数据进行特性提取，生成第一特性向量；基于预设的卷积网络模型对所述特性电流样本数据进行特性提取，生成第二特性向量；
基于预设的向量拼接算法，将所述第一特性向量和所述第二特性向量进行拼接处理，得到第一拼接向量；
将第一拼接向量输入到预设的第一特性编码模型中进行编码处理，生成第一编码向量；
将第一编码向量输入到预设的第二特性编码模型进行编码处理，得到第二编码向量；
将第一拼接向量、第二编码向量及相应的标签输入到分类层进行训练，通过迭代优化预设的第一特性编码模型和第二特性编码模型的模型参数，直至分类层的损失函数达到收敛，完成模型训练，将卷积网络模型、第一特性编码模型、第二特性编码模型以及分类层进行组合，得到所述深度学习模型。
可选的，在本发明第一方面的第三种实现方式中，所述从预先构建的电压-电流数据集库中获取多种型号的MOS管的特性数据的步骤之前，包括：
创建一个电压-电流数据集库，并生成分区数据表；其中，所述电压-电流数据集库用于储存各种工作状态下的MOS管的特性数据；
将分区数据表按照预设的转换规则转换为多个子分区表；其中，每个子分区表对应MOS管的一种工作状态；
对每个子分区表进行哈希计算，得到对应的哈希值，将所述哈希值串联得到字符串，并将所述字符串转化为对应的图像，将所述图像保存到电压-电流数据集库中；
从预设的标记数据库中获取标识列，在预设的字符分配规则下，将标识列划分为多个字符区间，从各个字符区间挑选出指定位置的字母，并将选择出的字母与预设字符匹配进行匹配，得到匹配后的各个匹配字母，将匹配后的各个匹配字母进行随机组合，得到目标字符区间，获取目标字符区间中指定字符作为特性标记；
将特性标记发送至数据库管理端；其中，所述数据库管理端根据所述特性标记生成对应的加密秘钥；
接收数据库管理端返回的加密秘钥后，利用所述加密秘钥对电压-电流数据集库进行加密，得到加密后的电压-电流数据集库。
可选的，在本发明第一方面的第四种实现方式中，所述第一特性编码模型和所述第二特性编码模型用于对特性电压样本数据和特性电流样本数据进行降噪。
本发明第二方面提供了一种MOS管参数模型的构建装置，所述MOS管参数模型的构建装置包括：
获取模块，用于从预先构建的电压-电流数据集库中获取多种型号的MOS管的特性数据；其中，所述电压-电流数据集库包括在多种电压和电流状况下的MOS管特性数据；
预测模块，用于将所述特性数据输入至训练后的深度学习模型中进行预测，得到不同操作电压和电流下的MOS管参数变化趋势结果，并将所述MOS管参数变化趋势结果转换为对应的特性趋势图；其中，所述特性趋势图至少包含一个从最小电压到最大电压的连续或离散序列；
创建模块，用于创建一个特性矩阵；其中，所述特性矩阵的行代表不同的检测点或时间，所述特性矩阵的列代表不同的电压或电流输入；
分析模块，用于基于预设的矩阵分析算法对所述特性矩阵进行分析，以确定各电压或电流状态下与MOS管参数间的函数关系；基于所述函数关系，计算所述函数关系对应的函数关系强度和函数关系方向指标；
计算模块，用于根据函数关系强度、函数关系方向指标和每个电压或电流状态下的MOS管参数，计算所述特性趋势图的得分，生成对应的预测值，并映射所述预测值到预先设定的图像中形成特性图像；
训练模块，用于将特性图像输入到预先选定的机器学习模型中进行训练，得到MOS管参数模型；其中，所述MOS管参数模型用于预测任何电压或电流输入条件下MOS管的特性。
本发明第三方面提供了一种MOS管参数模型的构建设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述MOS管参数模型的构建设备执行上述的MOS管参数模型的构建方法。
本发明的第四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中存储有指令，当其在计算机上运行时，使得计算机执行上述的MOS管参数模型的构建方法。
本发明提供的技术方案中，有益效果：本发明提供一种MOS管参数模型的构建方法、装置、设备及存储介质，通过从预先构建的电压-电流数据集库中获取多种型号的MOS管的特性数据；将所述特性数据输入至训练后的深度学习模型中进行预测，得到不同电压和电流下的MOS管参数变化趋势结果，并将所述MOS管参数变化趋势结果转换为对应的特性趋势图；再创建一个特性矩阵；基于预设的矩阵分析算法对所述特性矩阵进行分析，以确定各电压或电流状态下与MOS管参数间的函数关系；基于所述函数关系，计算所述函数关系对应的函数关系强度和函数关系方向指标；根据函数关系强度、函数关系方向指标和每个电压或电流状态下的MOS管参数，计算所述特性趋势图的得分，生成对应的预测值，并映射所述预测值到预先设定的图像中形成特性图像；将特性图像输入到预先选定的机器学习模型中进行训练，得到MOS管参数模型。本发明通过预先构建的电压-电流数据集库获取MOS管的特性数据，提高了数据的收集效率，而且能获取到更加全面和连续的数据。利用深度学习模型对特性数据进行预测和分析，可以更加精确和科学地了解MOS管在不同电压和电流条件下的特性变化趋势。通过创建特性矩阵和预设的矩阵分析算法，可以更好地探究和挖掘MOS管特性与电压或电流之间的函数关系，通过函数关系强度和函数关系方向指标，可以更直观地反映和比较MOS管在不同电压或电流状态下的性能，这有助于研究人员更快更好地理解和掌握MOS管的工作原理和性能特性。通过机器学习模型对特性图像进行训练，建立了可解释、预测能力强的MOS管参数模型，提高了MOS管的应用效果。
附图说明
图1为本发明实施例中MOS管参数模型的构建方法的一个实施例示意图；
图2为本发明实施例中MOS管参数模型的构建装置的一个实施例示意图。
具体实施方式
本发明实施例提供了一种MOS管参数模型的构建方法、装置、设备及存储介质。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”、“第三”、“第四”等（如果存在）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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中MOS管参数模型的构建方法的一个实施例包括：
步骤101、从预先构建的电压-电流数据集库中获取多种型号的MOS管的特性数据；其中，所述电压-电流数据集库包括在多种电压和电流状况下的MOS管特性数据；
可以理解的是，本发明的执行主体可以为MOS管参数模型的构建装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，以下为实现步骤101的具体流程：
确定需求：确定需要获取的多种型号的MOS管特性数据以及所需要的电压和电流条件。
建立电压-电流数据集库：根据需求，搜集并整理已有的电压-电流数据集库。该库可以包括多种型号的MOS管在不同电压和电流条件下的特性数据。
数据获取：从预先构建的电压-电流数据集库中选择相应的MOS管型号，获取所需的特性数据。这可以通过查询数据库、从文献或厂商资料中提取数据来完成。
数据整理：将获取到的数据按照所需的格式进行整理和分类。可以使用电子表格软件或自定义脚本进行数据整理，以便后续的分析和使用。
特性数据验证：对获取到的特性数据进行验证，并确保其准确性和可靠性。这可以通过与已有数据进行对比、使用模拟器进行仿真或通过实验测量等方法来完成。
数据存储和管理：将验证后的特性数据储存到适当的文件或数据库中，以供后续使用。可以使用专门的数据管理系统或自行开发的程序进行数据存储和管理，确保数据的安全性和可检索性。
数据标注和关联：对存储的特性数据进行标注和关联，以便后续的查询和应用。这可以包括添加MOS管的型号、尺寸、工艺参数等信息，并与其他相关数据进行关联。
数据维护和更新：定期维护和更新电压-电流数据集库，以保持其中的数据完整和最新。可以定期收集新的特性数据，并根据需要对数据库进行扩充和修正。
步骤102、将所述特性数据输入至训练后的深度学习模型中进行预测，得到不同电压和电流下的MOS管参数变化趋势结果，并将所述MOS管参数变化趋势结果转换为对应的特性趋势图；其中，所述特性趋势图至少包含一个从最小电压到最大电压的连续或离散序列；
具体的，以下为实现步骤102的具体流程：
准备深度学习模型：在实施例中，选择使用适用于回归问题的深度学习模型，例如多层感知机（Multilayer Perceptron，MLP）或卷积神经网络（Convolutional NeuralNetwork，CNN）。通过训练该模型，可以将输入的特性数据映射到对应的MOS管参数变化趋势结果。
数据预处理：将特性数据按照一定的标准进行预处理，以确保与深度学习模型的输入要求相符。这可能包括将数据进行归一化、调整数据形状等步骤。
深度学习模型训练：使用预处理后的特性数据作为输入，将其与对应的MOS管参数变化趋势结果进行配对。通过对训练集进行反向传播和优化算法的迭代训练，调整深度学习模型的权重和偏差，以使模型能够准确预测特性数据与MOS管参数变化趋势结果之间的关系。
模型验证：使用独立于训练集的验证集数据对训练后的深度学习模型进行验证。通过对比预测结果与已知MOS管参数变化趋势结果的差异，评估模型的准确性和泛化能力。
MOS管参数预测：使用预训练的深度学习模型，输入所需的特性数据。模型将为每个输入数据点预测相应的MOS管参数变化趋势结果，包括电流、电压或其他特定的参数。
特性趋势图生成：根据预测的MOS管参数变化趋势结果，将其转换为对应的特性趋势图。例如，可以通过绘制电压和电流在不同电压范围内的变化曲线，创建一个从最小电压到最大电压的连续或离散序列。
数据分析和解读：对生成的特性趋势图进行分析和解读，以获得对MOS管参数在不同电压和电流条件下的变化规律的深入理解。这可以为电路设计、工艺验证和优化等领域提供有价值的信息。
步骤103、创建一个特性矩阵；其中，所述特性矩阵的行代表不同的检测点或时间，所述特性矩阵的列代表不同的电压或电流输入；
具体的，以下为实现步骤103的具体流程：
收集特性数据：从先前构建的电压-电流数据集库中选择适应需求的MOS管特性数据，并记录下不同电压或电流输入对应的特性数值。
确定检测点或时间：根据实际需求，确定特性矩阵中的行数，每行代表一个特定的检测点或时间。例如，可以选择等间隔采样，使得特性矩阵的每一行代表特定的时间点或检测点。
确定电压或电流输入：根据特性数据中涉及的不同电压或电流输入范围，确定特性矩阵中的列数。每列代表不同的电压或电流输入值。
创建特性矩阵：根据上述步骤中确定的行和列的数量，创建一个空的特性矩阵。特性矩阵的维数为"行数 x 列数"。
填充特性矩阵：根据所收集的特性数据，将相应的特性数值填充到特性矩阵的对应位置。每个元素代表特定检测点或时间下，对应电压或电流输入的特性数值。
特性矩阵标注：可以根据需要为特性矩阵的行和列添加具体标注，以便后续的分析和解读。例如，可以为行添加时间戳或检测点标号，为列添加电压或电流输入值。
步骤104、基于预设的矩阵分析算法对所述特性矩阵进行分析，以确定各电压或电流状态下与MOS管参数间的函数关系；基于所述函数关系，计算所述函数关系对应的函数关系强度和函数关系方向指标；
具体的，以下为实现步骤104的具体流程：
设定矩阵分析算法：选择适合的矩阵分析算法，用于分析特性矩阵中各电压或电流状态与MOS管参数之间的函数关系。例如，可以采用主成分分析（Principal ComponentAnalysis，PCA）、线性回归（Linear Regression）、神经网络等算法。
函数关系分析：应用所选的矩阵分析算法，对特性矩阵进行分析。算法通过分析特性矩阵中各元素之间的关系，寻找与MOS管参数之间的函数关系。这些函数关系可以描述电压或电流输入对MOS管参数的影响。
计算函数关系强度：根据分析得到的函数关系，计算函数关系的强度指标。这可以通过统计学方法、相关系数分析等技术来衡量。函数关系强度指标提供了不同电压或电流状态下对MOS管参数变化的整体趋势和敏感度。
计算函数关系方向指标：基于函数关系，计算函数关系方向指标。这指示了电压或电流输入增加时，相应MOS管参数是增加还是减少。这可以通过计算函数关系的斜率、导数等指标来实现。
结果解读：解读函数关系强度和函数关系方向指标的计算结果，从中获取关于不同电压或电流状态下MOS管参数变化的信息。这可以对电子设备设计、系统分析和工艺优化等领域提供有价值的洞察。
步骤105、根据函数关系强度、函数关系方向指标和每个电压或电流状态下的MOS管参数，计算所述特性趋势图的得分，生成对应的预测值，并映射所述预测值到预先设定的图像中形成特性图像；
具体的，以下为实现步骤105的具体流程：
根据函数关系强度、函数关系方向指标和每个电压或电流状态下的MOS管参数，计算特性趋势图的得分。
生成预测值：利用得分和函数关系强度对函数关系进行加权处理，生成预测值。加权的目的是将函数关系对应的特性趋势图给予更高的权重。
映射到图像：将预测值映射到预先设定的图像中，形成特性图像。映射的目的是将预测值与图像上的特定位置相对应，以便用户能够直观地观察和比较不同电压或电流状态下的特性趋势。
步骤106、将特性图像输入到预先选定的机器学习模型中进行训练，得到MOS管参数模型；其中，所述MOS管参数模型用于预测任何电压或电流输入条件下MOS管的特性。
具体的，以下为实现步骤106的具体流程：
数据准备：将步骤105中生成的特性图像作为输入数据，同时将对应的MOS管参数作为目标输出数据，构建训练数据集。每个特性图像与其对应的MOS管参数形成一组训练样本。
构建机器学习模型：选择合适的机器学习模型用于训练。常用的模型包括神经网络、决策树、支持向量机等。这些模型能够通过学习输入输出之间的映射关系来进行预测。
数据预处理：对训练数据进行预处理，包括归一化、标准化等操作。预处理的目的是消除数据间的量纲差异，提高模型训练的稳定性和效果。
模型训练：使用训练数据集对机器学习模型进行训练。训练过程通过优化模型的参数，使得模型能够在输入特性图像的基础上准确预测出对应的MOS管参数。
模型评估：使用验证数据集对训练得到的模型进行评估，计算模型的准确性和泛化能力。常用的评估指标包括均方误差、平均绝对误差、决定系数等。
本发明实施例中MOS管参数模型的构建方法的另一个实施例包括：
所述特性趋势图还包含一个从最小电流到最大电流的连续或离散序列。
本发明实施例中MOS管参数模型的构建方法的另一个实施例包括：所述深度学习模型的训练过程，包括：
采集MOS管在各种工作状态下的特性电压样本数据和特性电流样本数据；其中，所述特性电压样本数据和所述特性电流样本数据均包括相应的标签；
基于预设的卷积网络模型对所述特性电压样本数据进行特性提取，生成第一特性向量；基于预设的卷积网络模型对所述特性电流样本数据进行特性提取，生成第二特性向量；
基于预设的向量拼接算法，将所述第一特性向量和所述第二特性向量进行拼接处理，得到第一拼接向量；
将第一拼接向量输入到预设的第一特性编码模型中进行编码处理，生成第一编码向量；
将第一编码向量输入到预设的第二特性编码模型进行编码处理，得到第二编码向量；
将第一拼接向量、第二编码向量及相应的标签输入到分类层进行训练，通过迭代优化预设的第一特性编码模型和第二特性编码模型的模型参数，直至分类层的损失函数达到收敛，完成模型训练，将卷积网络模型、第一特性编码模型、第二特性编码模型以及分类层进行组合，得到所述深度学习模型。
具体的，以下为实现所述深度学习模型的训练过程的具体细化：
卷积网络模型：采用卷积神经网络（CNN）作为卷积网络模型。CNN由多个卷积层、池化层和全连接层组成。卷积层用于提取输入图像的特征，池化层用于降低特征图的尺寸并保留关键信息，全连接层用于进行分类或回归任务。可以采用不同的CNN结构，如LeNet-5、AlexNet、VGGNet或ResNet，根据特定的应用需求来选择合适的网络架构。
特性提取：针对特性电压样本数据和特性电流样本数据，分别输入到预设的卷积网络模型中进行特性提取。在每个样本数据经过卷积层和池化层之后，得到一个特征图。可以通过调整卷积核的大小、数量和池化方式来控制特征提取的效果。
向量拼接：将特性电压样本数据和特性电流样本数据经过卷积网络模型之后得到的特征图进行拼接处理。具体方式可以是将两个特征图按照通道维度进行连接，形成一个更维度更高的特征图。拼接后得到的特征图即为第一拼接向量。
特性编码处理：将第一拼接向量输入到预设的第一特性编码模型中进行编码处理。可以采用自动编码器（Autoencoder）作为第一特性编码模型，它由编码器和解码器组成。编码器将输入的特征向量映射到一个低维编码空间，解码器将低维编码还原为重建的特征向量。通过训练自动编码器，可以学习到输入特征的压缩表示。
分类层训练：将第一拼接向量、第一特性编码向量及相应的标签输入到分类层中进行训练。分类层可以是全连接层，输出对应的MOS管参数。可以使用分类损失函数，如交叉熵损失函数来进行模型的训练。通过优化模型参数，使得分类层的损失函数达到收敛，完成模型训练。
特性编码处理和分类层训练细节：
特性编码处理：将第一拼接向量输入到预设的第一特性编码模型中。该模型可以使用自动编码器（Autoencoder）架构，具有编码器和解码器部分。编码器将输入数据映射到一个低维编码空间，解码器将低维编码还原为重建的特征向量。通过训练自动编码器，可以学习到输入特征的压缩表示。
分类层训练：将经过特性编码处理后的向量、第一拼接向量和相应的标签输入到分类层中进行训练。分类层通常是一个全连接层，通过优化模型参数来最小化分类损失函数，如交叉熵损失函数。优化算法可以采用随机梯度下降（SGD）或其他优化算法。
本发明实施例中MOS管参数模型的构建方法的另一个实施例包括：
所述从预先构建的电压-电流数据集库中获取多种型号的MOS管的特性数据的步骤之前，包括：
创建一个电压-电流数据集库，并生成分区数据表；其中，所述电压-电流数据集库用于储存各种工作状态下的MOS管的特性数据；
将分区数据表按照预设的转换规则转换为多个子分区表；其中，每个子分区表对应MOS管的一种工作状态；
对每个子分区表进行哈希计算，得到对应的哈希值，将所述哈希值串联得到字符串，并将所述字符串转化为对应的图像，将所述图像保存到电压-电流数据集库中；
从预设的标记数据库中获取标识列，在预设的字符分配规则下，将标识列划分为多个字符区间，从各个字符区间挑选出指定位置的字母，并将选择出的字母与预设字符匹配进行匹配，得到匹配后的各个匹配字母，将匹配后的各个匹配字母进行随机组合，得到目标字符区间，获取目标字符区间中指定字符作为特性标记；
将特性标记发送至数据库管理端；其中，所述数据库管理端根据所述特性标记生成对应的加密秘钥；
接收数据库管理端返回的加密秘钥后，利用所述加密秘钥对电压-电流数据集库进行加密，得到加密后的电压-电流数据集库。
具体的，以下是对每个步骤进行详细描述的实施例：
创建电压-电流数据集库并生成分区数据表：a. 创建一个名为"Voltage-CurrentDataSet Database"的数据库，用于存储各种工作状态下的MOS管的特性数据。 b. 在该数据库中创建一个名为"Partitioned Data Table"的表，用于存储不同工作状态下的特性数据。 c. 为每个工作状态定义一个唯一的标识符，并在"Partitioned Data Table"中创建相应的列。 d. 根据预设的转换规则，将原始特性数据按照工作状态进行转换，并将转换后的数据保存到相应的分区数据表中。
将分区数据表转换为多个子分区表：a. 对每个工作状态的分区数据表，根据预设的转换规则进行处理。 b. 根据转换规则，将每个分区数据表拆分为多个子分区表，每个子分区表对应MOS管的一个特定工作状态。
对每个子分区表进行哈希计算并生成特征图像，包括：a. 对于每个子分区表，使用密码哈希函数（如SHA-256或其他安全哈希算法）计算其哈希值。 b. 将所得哈希值串联起来形成一个字符串。 c. 基于预设的图像生成算法，将该字符串转化为对应的特征图像。d. 将生成的特征图像保存到Voltage-Current DataSet Database中，并与相应的分区数据表关联。
获取特性标记并生成加密密钥：a. 从预设的标记数据库中获取一个名为"Identification Column"的列。 b. 根据预设的字符分配规则，将标识列划分为多个字符区间。 c. 从各个字符区间中挑选出指定位置的字母，作为特性标记。 d. 将选取的字母与预设字符集进行匹配，得到匹配字母，可能有多个匹配。 e. 将匹配的字母进行随机组合，生成目标字符区间。 f. 从目标字符区间中选择指定的字符作为特性标记。
发送特性标记并生成加密密钥：a. 将生成的特性标记发送到DatabaseManagement Server。 b. Database Management Server根据接收到的特性标记生成对应的加密密钥。
利用加密密钥对Voltage-Current DataSet Database进行加密：a. 将生成的加密密钥应用于Voltage-Current DataSet Database中的敏感数据。 b. 使用先进的加密算法（如AES-256）对Voltage-Current DataSet Database进行加密操作。 c. 得到加密后的Voltage-Current DataSet Database，确保数据的机密性和安全性。
本发明实施例中MOS管参数模型的构建方法的另一个实施例包括：
所述第一特性编码模型和所述第二特性编码模型用于对特性电压样本数据和特性电流样本数据进行降噪。
上面对本发明实施例中MOS管参数模型的构建方法进行了描述，下面对本发明实施例中MOS管参数模型的构建装置进行描述，请参阅图2，本发明实施例中MOS管参数模型的构建装置一个实施例包括：
获取模块，用于从预先构建的电压-电流数据集库中获取多种型号的MOS管的特性数据；其中，所述电压-电流数据集库包括在多种电压和电流状况下的MOS管特性数据；
预测模块，用于将所述特性数据输入至训练后的深度学习模型中进行预测，得到不同操作电压和电流下的MOS管参数变化趋势结果，并将所述MOS管参数变化趋势结果转换为对应的特性趋势图；其中，所述特性趋势图至少包含一个从最小电压到最大电压的连续或离散序列；
创建模块，用于创建一个特性矩阵；其中，所述特性矩阵的行代表不同的检测点或时间，所述特性矩阵的列代表不同的电压或电流输入；
分析模块，用于基于预设的矩阵分析算法对所述特性矩阵进行分析，以确定各电压或电流状态下与MOS管参数间的函数关系；基于所述函数关系，计算所述函数关系对应的函数关系强度和函数关系方向指标；
计算模块，用于根据函数关系强度、函数关系方向指标和每个电压或电流状态下的MOS管参数，计算所述特性趋势图的得分，生成对应的预测值，并映射所述预测值到预先设定的图像中形成特性图像；
训练模块，用于将特性图像输入到预先选定的机器学习模型中进行训练，得到MOS管参数模型；其中，所述MOS管参数模型用于预测任何电压或电流输入条件下MOS管的特性。
本发明还提供一种MOS管参数模型的构建设备，所述MOS管参数模型的构建设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述MOS管参数模型的构建方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述MOS管参数模型的构建方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种MOS管参数模型的构建方法，其特征在于，包括以下步骤：
从预先构建的电压-电流数据集库中获取多种型号的MOS管的特性数据；其中，所述电压-电流数据集库包括在多种电压和电流状况下的MOS管特性数据；
将所述特性数据输入至训练后的深度学习模型中进行预测，得到不同电压和电流下的MOS管参数变化趋势结果，并将所述MOS管参数变化趋势结果转换为对应的特性趋势图；其中，所述特性趋势图至少包含一个从最小电压到最大电压的连续或离散序列；
创建一个特性矩阵；其中，所述特性矩阵的行代表不同的检测点或时间，所述特性矩阵的列代表不同的电压或电流输入；
基于预设的矩阵分析算法对所述特性矩阵进行分析，以确定各电压或电流状态下与MOS管参数间的函数关系；基于所述函数关系，计算所述函数关系对应的函数关系强度和函数关系方向指标；
根据函数关系强度、函数关系方向指标和每个电压或电流状态下的MOS管参数，计算所述特性趋势图的得分，生成对应的预测值，并映射所述预测值到预先设定的图像中形成特性图像；
将特性图像输入到预先选定的机器学习模型中进行训练，得到MOS管参数模型；其中，所述MOS管参数模型用于预测任何电压或电流输入条件下MOS管的特性；
所述深度学习模型的训练过程，包括：
采集MOS管在各种工作状态下的特性电压样本数据和特性电流样本数据；其中，所述特性电压样本数据和所述特性电流样本数据均包括相应的标签；
基于预设的卷积网络模型对所述特性电压样本数据进行特性提取，生成第一特性向量；基于预设的卷积网络模型对所述特性电流样本数据进行特性提取，生成第二特性向量；
基于预设的向量拼接算法，将所述第一特性向量和所述第二特性向量进行拼接处理，得到第一拼接向量；
将第一拼接向量输入到预设的第一特性编码模型中进行编码处理，生成第一编码向量；
将第一编码向量输入到预设的第二特性编码模型进行编码处理，得到第二编码向量；
将第一拼接向量、第二编码向量及相应的标签输入到分类层进行训练，通过迭代优化预设的第一特性编码模型和第二特性编码模型的模型参数，直至分类层的损失函数达到收敛，完成模型训练，将卷积网络模型、第一特性编码模型、第二特性编码模型以及分类层进行组合，得到所述深度学习模型。
2.根据权利要求1所述的构建方法，其特征在于，所述特性趋势图还包含一个从最小电流到最大电流的连续或离散序列。
3.根据权利要求1所述的构建方法，其特征在于，所述从预先构建的电压-电流数据集库中获取多种型号的MOS管的特性数据的步骤之前，包括：
创建一个电压-电流数据集库，并生成分区数据表；其中，所述电压-电流数据集库用于储存各种工作状态下的MOS管的特性数据；
将分区数据表按照预设的转换规则转换为多个子分区表；其中，每个子分区表对应MOS管的一种工作状态；
对每个子分区表进行哈希计算，得到对应的哈希值，将所述哈希值串联得到字符串，并将所述字符串转化为对应的图像，将所述图像保存到电压-电流数据集库中；
从预设的标记数据库中获取标识列，在预设的字符分配规则下，将标识列划分为多个字符区间，从各个字符区间挑选出指定位置的字母，并将选择出的字母与预设字符匹配进行匹配，得到匹配后的各个匹配字母，将匹配后的各个匹配字母进行随机组合，得到目标字符区间，获取目标字符区间中指定字符作为特性标记；
将特性标记发送至数据库管理端；其中，所述数据库管理端根据所述特性标记生成对应的加密秘钥；
接收数据库管理端返回的加密秘钥后，利用所述加密秘钥对电压-电流数据集库进行加密，得到加密后的电压-电流数据集库。
4.根据权利要求1所述的构建方法，其特征在于，所述第一特性编码模型和所述第二特性编码模型用于对特性电压样本数据和特性电流样本数据进行降噪。
5.一种MOS管参数模型的构建装置，其特征在于，所述MOS管参数模型的构建装置包括：
获取模块，用于从预先构建的电压-电流数据集库中获取多种型号的MOS管的特性数据；其中，所述电压-电流数据集库包括在多种电压和电流状况下的MOS管特性数据；
预测模块，用于将所述特性数据输入至训练后的深度学习模型中进行预测，得到不同操作电压和电流下的MOS管参数变化趋势结果，并将所述MOS管参数变化趋势结果转换为对应的特性趋势图；其中，所述特性趋势图至少包含一个从最小电压到最大电压的连续或离散序列；
创建模块，用于创建一个特性矩阵；其中，所述特性矩阵的行代表不同的检测点或时间，所述特性矩阵的列代表不同的电压或电流输入；
分析模块，用于基于预设的矩阵分析算法对所述特性矩阵进行分析，以确定各电压或电流状态下与MOS管参数间的函数关系；基于所述函数关系，计算所述函数关系对应的函数关系强度和函数关系方向指标；
计算模块，用于根据函数关系强度、函数关系方向指标和每个电压或电流状态下的MOS管参数，计算所述特性趋势图的得分，生成对应的预测值，并映射所述预测值到预先设定的图像中形成特性图像；
训练模块，用于将特性图像输入到预先选定的机器学习模型中进行训练，得到MOS管参数模型；其中，所述MOS管参数模型用于预测任何电压或电流输入条件下MOS管的特性；
所述深度学习模型的训练过程，包括：
采集MOS管在各种工作状态下的特性电压样本数据和特性电流样本数据；其中，所述特性电压样本数据和所述特性电流样本数据均包括相应的标签；
基于预设的卷积网络模型对所述特性电压样本数据进行特性提取，生成第一特性向量；基于预设的卷积网络模型对所述特性电流样本数据进行特性提取，生成第二特性向量；
基于预设的向量拼接算法，将所述第一特性向量和所述第二特性向量进行拼接处理，得到第一拼接向量；
将第一拼接向量输入到预设的第一特性编码模型中进行编码处理，生成第一编码向量；
将第一编码向量输入到预设的第二特性编码模型进行编码处理，得到第二编码向量；
将第一拼接向量、第二编码向量及相应的标签输入到分类层进行训练，通过迭代优化预设的第一特性编码模型和第二特性编码模型的模型参数，直至分类层的损失函数达到收敛，完成模型训练，将卷积网络模型、第一特性编码模型、第二特性编码模型以及分类层进行组合，得到所述深度学习模型。
6.一种MOS管参数模型的构建设备，其特征在于，所述MOS管参数模型的构建设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述MOS管参数模型的构建设备执行如权利要求1-4中任一项所述的MOS管参数模型的构建方法。
7.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-4中任一项所述的MOS管参数模型的构建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311515455.2A CN117236261B (zh) | 2023-11-15 | 2023-11-15 | Mos管参数模型的构建方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311515455.2A CN117236261B (zh) | 2023-11-15 | 2023-11-15 | Mos管参数模型的构建方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117236261A CN117236261A (zh) | 2023-12-15 |
| CN117236261B true CN117236261B (zh) | 2024-03-08 |
Family
ID=89096935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311515455.2A Active CN117236261B (zh) | 2023-11-15 | 2023-11-15 | Mos管参数模型的构建方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117236261B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110008440A (zh) * | 2019-04-15 | 2019-07-12 | 合肥恒烁半导体有限公司 | 一种基于模拟矩阵运算单元的卷积运算及其应用 |
| CN114528805A (zh) * | 2022-01-26 | 2022-05-24 | 西安电子科技大学 | 一种基于cnn网络的fdsoi器件电学特性预测方法 |
| CN114975627A (zh) * | 2021-02-24 | 2022-08-30 | 株式会社东芝 | 非易失性存储器件 |
| CN115221900A (zh) * | 2022-07-14 | 2022-10-21 | 电子科技大学 | 一种实时可重构通用忆阻器仿真电路 |
| CN116090390A (zh) * | 2022-12-31 | 2023-05-09 | 西安电子科技大学 | 基于深度学习的finfet器件直流特性预测方法 |
| CN116632042A (zh) * | 2022-02-18 | 2023-08-22 | 三星电子株式会社 | 铁电场效应晶体管、神经网络装置和电子装置 |
| CN116994117A (zh) * | 2023-08-14 | 2023-11-03 | 深圳先闻科技有限公司 | 目标光谱分析模型的训练方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220019894A (ko) * | 2020-08-10 | 2022-02-18 | 삼성전자주식회사 | 반도체 공정의 시뮬레이션 방법 및 반도체 장치의 제조 방법 |
-
2023
- 2023-11-15 CN CN202311515455.2A patent/CN117236261B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110008440A (zh) * | 2019-04-15 | 2019-07-12 | 合肥恒烁半导体有限公司 | 一种基于模拟矩阵运算单元的卷积运算及其应用 |
| CN114975627A (zh) * | 2021-02-24 | 2022-08-30 | 株式会社东芝 | 非易失性存储器件 |
| CN114528805A (zh) * | 2022-01-26 | 2022-05-24 | 西安电子科技大学 | 一种基于cnn网络的fdsoi器件电学特性预测方法 |
| CN116632042A (zh) * | 2022-02-18 | 2023-08-22 | 三星电子株式会社 | 铁电场效应晶体管、神经网络装置和电子装置 |
| CN115221900A (zh) * | 2022-07-14 | 2022-10-21 | 电子科技大学 | 一种实时可重构通用忆阻器仿真电路 |
| CN116090390A (zh) * | 2022-12-31 | 2023-05-09 | 西安电子科技大学 | 基于深度学习的finfet器件直流特性预测方法 |
| CN116994117A (zh) * | 2023-08-14 | 2023-11-03 | 深圳先闻科技有限公司 | 目标光谱分析模型的训练方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117236261A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA3088899C (en) | Systems and methods for preparing data for use by machine learning algorithms | |
| CN109657805B (zh) | 超参数确定方法、装置、电子设备及计算机可读介质 | |
| CN111176990B (zh) | 基于数据决策的测试数据生成方法、装置、计算机设备 | |
| KR20180014471A (ko) | 신규 물질의 구조 생성 방법 및 장치 | |
| JP5006214B2 (ja) | ばらつきシミュレーション・システム、ばらつき決定モデル方法と装置ならびにプログラム | |
| KR20190072652A (ko) | 정보 처리 장치 및 정보 처리 방법 | |
| KR20200072585A (ko) | 인공지능에 기반한 대상 물질의 유해성과 위해성 예측 방법 | |
| CN111045670B (zh) | 一种二进制代码与源代码间复用关系的识别方法与装置 | |
| CN115394383A (zh) | 磷光材料的发光波长预测方法及系统 | |
| Ponti et al. | A Wasserstein distance based multiobjective evolutionary algorithm for the risk aware optimization of sensor placement | |
| CN110162972B (zh) | 一种基于语句联合编码深度神经网络的uaf漏洞检测方法 | |
| CN114610635A (zh) | 接口测试用例生成方法、装置、计算机设备及存储介质 | |
| US20200279148A1 (en) | Material structure analysis method and material structure analyzer | |
| CN117236261B (zh) | Mos管参数模型的构建方法、装置、设备及存储介质 | |
| CN113110961A (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
| CN115147020B (zh) | 装修数据处理方法、装置、设备及存储介质 | |
| Zhang et al. | LIFE: Learning individual features for multivariate time series prediction with missing values | |
| CN116559619A (zh) | 半导体器件的测试方法及相关装置 | |
| CN114900346B (zh) | 基于知识图谱的网络安全测试方法及系统 | |
| CN116341059A (zh) | 基于相似度的隧道智能设计方法 | |
| CN112927092A (zh) | 理赔趋势预测方法、装置、设备及存储介质 | |
| KR102635609B1 (ko) | 불규칙 임상 시계열 데이터 예측 및 분류 방법, 및 장치 | |
| Laib et al. | Unsupervised feature selection based on space filling concept | |
| Kubczak et al. | An online platform for testing and evaluating random number generators | |
| Bond et al. | An unsupervised machine learning approach for ground‐motion spectra clustering and selection |
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 |