CN117272834A - 基于神经网络的射频有源器件尺寸缩放自热效应建模方法 - Google Patents
基于神经网络的射频有源器件尺寸缩放自热效应建模方法 Download PDFInfo
- Publication number
- CN117272834A CN117272834A CN202311421290.2A CN202311421290A CN117272834A CN 117272834 A CN117272834 A CN 117272834A CN 202311421290 A CN202311421290 A CN 202311421290A CN 117272834 A CN117272834 A CN 117272834A
- Authority
- CN
- China
- Prior art keywords
- neural network
- self
- radio frequency
- heating effect
- frequency active
- 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
- 238000010438 heat treatment Methods 0.000 title claims abstract description 93
- 230000000694 effects Effects 0.000 title claims abstract description 80
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000002076 thermal analysis method Methods 0.000 claims abstract description 10
- 230000007613 environmental effect Effects 0.000 claims abstract description 7
- 210000002569 neuron Anatomy 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 31
- 239000000463 material Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 239000000758 substrate Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001808 coupling effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- -1 active region size Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000011165 process development Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于神经网络的射频有源器件尺寸缩放自热效应建模方法,包括步骤:获取射频有源器件的结构参数和物理参数;根据结构参数和物理参数建立不同发射极尺寸的器件模型;在不同耗散功率和不同环境温度的条件下对不同发射极尺寸的器件模型进行稳态热分析,得到结温分布结果;根据所述结温分布结果对神经网络进行训练,得到射频有源器件尺寸缩放自热效应模型。进一步,将所述射频有源器件尺寸缩放自热效应模型替换器件大信号模型中的自热网络,得到可表征不同尺寸器件自热效应的大信号模型。该方法不仅可以简便、快速、准确地反映器件结温与耗散功率之间的非线性关系,而且可以准确的得到各尺寸器件的结温并表征它们的自热效应。
Description
技术领域
本发明属于集成电路分析技术领域,具体涉及一种基于神经网络的射频有源器件尺寸缩放自热效应建模方法。
背景技术
随着微电子制造工艺的飞速发展,器件的尺寸不断减小,集成电路及系统的功率密度成倍增加,使得电路的自热效应不断加剧。这不仅对器件自身特性产生影响,同时器件间的电热耦合效应也使得器件会对周围器件的性能造成严重影响。因此,在电路设计时,器件的自热效应以及电热耦合效应便成为不可忽视的重要因素。如果电路设计者能够在电路设计初期就对其所使用的器件的自热效应有准确评估,并且深入探究以上效应对电路性能将带来的影响,从而在设计初期就进行有针对性的改进,将对保证和提升电路性能具有重要意义。另外,研究表明,在确定工艺下,随着发射极条长Le的增加,相同功耗下器件的结温会随着发射极条长的增大显示出幂指数形式的下降。而在电路设计中,为了满足指标要求,电路设计者通常也需要对不同尺寸的器件进行合理选择。因此,除了要得到可以准确表征单一尺寸器件的自热效应的模型,同时,还需要在该模型的基础上添加尺寸缩放模型。一方面,与单尺寸器件模型相比,添加尺寸缩放模型能够给集成电路设计工程师提供额外的设计自由度;其次,该模型也能够帮助器件工艺研发工程师预测更小尺寸晶体管的大信号特性。
在现有的先进设计系统(Advanced Design system,ADS)射频器件模型中,如Agilent HBT模型,通常是通过使用积因子实现对器件电阻、电流和电容等电参数的缩放。一般情况下,电流和电容的缩放是乘以面积因子,而电阻是除以面积因子。但是在尺寸缩放的模型中,由于器件热阻与器件尺寸无法按照面积因子直接进行缩放,因此并没有包含热阻及热容的尺寸缩放模型,这必然会影响模型的适用范围和精确度。针对该问题,有研究者在大信号模型中,使用经验公式来表征热阻与尺寸的依存关系。但是,经验公式的准确性非常依赖于经验公式的准确选取,由于热阻本身就是随功耗及环境温度相关的变量,因此基于经验公式来全面表征热阻的自热效应以及尺寸缩放,必定非常复杂。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于神经网络的射频有源器件尺寸缩放自热效应建模方法。本发明要解决的技术问题通过以下技术方案实现:
本发明实施例提供了一种基于神经网络的射频有源器件尺寸缩放自热效应建模方法,包括步骤:
获取射频有源器件的结构参数和物理参数;
根据所述结构参数和所述物理参数建立不同发射极尺寸的器件模型;
在不同耗散功率和不同环境温度的条件下对不同发射极尺寸的所述器件模型进行稳态热分析,得到结温分布结果,其中,所述结温分布结果中耗散功率、环境温度、发射极尺寸和结温一一对应;
将所述结温分布结果中的耗散功率、环境温度和发射极尺寸作为神经网络的输入向量,将所述结温分布结果中的结温作为期望值,对所述神经网络进行训练,直至所述神经网络输出的器件结温与所述期望值之间满足预设精度,得到射频有源器件尺寸缩放自热效应模型;所述射频有源器件尺寸缩放自热效应模型用于在目标耗散功率、目标环境温度下预测不同发射极尺寸的射频有源器件的结温。
在本发明的一个实施例中,根据所述结构参数和所述物理参数建立不同发射极尺寸的器件模型,包括步骤:
使用有限元分析软件,根据所述结构参数和所述物理参数建立不同发射极尺寸的几何模型;
对所述几何模型加载耗散功率和边界条件;
使用自由剖分四面体选项对所述不同发射极尺寸的几何模型进行网格划分;
设置所述射频有源器件的耗散功率求解范围和环境温度求解范围,得到不同发射极尺寸的器件模型。
在本发明的一个实施例中,在不同耗散功率和不同环境温度的条件下对不同发射极尺寸的所述器件模型进行稳态热分析,得到结温分布结果,包括步骤:
根据所述耗散功率求解范围改变所述耗散功率,根据所述环境温度求解范围改变所述环境温度,通过有限元分析软件对不同发射极尺寸的所述器件模型进行稳态热分析,得到所述结温分布结果。
在本发明的一个实施例中,将所述结温分布结果中的耗散功率、环境温度和发射极尺寸作为神经网络的输入向量,将所述结温分布结果中的结温作为期望值,对所述神经网络进行训练,直至所述神经网络输出的器件结温与所述期望值之间满足预设精度,得到射频有源器件尺寸缩放自热效应模型,包括:
将所述结温分布结果中的耗散功率、环境温度和发射极尺寸作为神经网络的输入向量,从所述神经网络的输入端开始正向传播,由所述神经网络的输出端输出预测值作为所述器件结温;
当判断所述预测值与所述期望值之间的输出误差满足预设精度时,结束训练,得到所述射频有源器件尺寸缩放自热效应模型;
当判断所述预测值与所述期望值之间的所述输出误差不满足所述预设精度时,将所述输出误差反向传输至所述神经网络的输入端,并在反向传输过程中根据所述输出误差调整网络的权值和阈值,以进行循环训练,直至所述输出误差满足所述预设精度。
在本发明的一个实施例中,所述神经网络包括BP神经网络;
所述BP神经网络包括依次连接的输入层、若干隐藏层和输出层。
在本发明的一个实施例中,所述若干隐藏层包括第一隐藏层和第二隐藏层,其中,
所述输入层、所述第一隐藏层、所述第二隐藏层和所述输出层依次连接。
在本发明的一个实施例中,所述第一隐藏层包括7个神经元,所述第二隐藏层包括3个神经元。
在本发明的一个实施例中,所述BP神经网络中,隐藏层神经元的传递函数包括tansig函数,输出层函数包括purelin函数;
所述BP神经网络的训练函数包括trainlm函数。
本发明的另一个实施例提供了一种表征射频有源器件不同尺寸下自热效应的大信号模型的建模方法,包括步骤:
利用上述实施例所述的建模方法构建射频有源器件尺寸缩放自热效应模型;
将所述射频有源器件尺寸缩放自热效应模型替换器件大信号模型中的自热网络,得到可表征不同尺寸器件自热效应的大信号模型;
所述可表征不同尺寸器件自热效应的大信号模型用于在目标耗散功率、目标环境温度下预测不同发射极尺寸的射频有源器件的电流-电压特性,并表征所述不同发射极尺寸的射频有源器件的自热效应。
在本发明的一个实施例中,所述器件大信号模型使用SDD模型或集约模型构建得到。
与现有技术相比,本发明的有益效果:
本发明基于神经网络建立射频有源器件尺寸缩放自热效应模型,以耗散功率、环境温度和发射极尺寸作为神经网络的输入向量,由于将发射极尺寸作为输入向量对神经网络进行训练,最终得到的自热效应模型具备尺寸缩放功能,不仅避免了现有的ADS射频器件模型中缺少含有尺寸缩放功能的自热网络模型,而且相比经验函数描述,该模型可以更为简便、快速、准确地反映器件结温与耗散功率之间的非线性关系,同时可以准确的得到各尺寸器件的结温并表征它们的自热效应。
附图说明
图1为本发明实施例提供的基于神经网络的射频有源器件尺寸缩放自热效应建模方法的流程示意图;
图2为本发明实施例提供的BP神经网络的结构示意图;
图3为本发明实施例提供的不同尺寸及不同功耗范围内神经网络预测结果与仿真结果的误差图;
图4为将尺寸缩放自热效应模型应用于集约模型中得到的0.7μm*10μm器件I-V特性与实际测试得到的同尺寸器件I-V特性的对比图;
图5为将尺寸缩放自热效应模型应用于集约模型中得到的0.7μm*15μm器件I-V特性与实际测试得到的同尺寸器件I-V特性的对比图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例一
本实施例公开了一种基于BP-ANN模型构建可尺寸缩放的射频器件自热效应网络模型来表征并预测多尺寸器件的结温及自热效应的方法。请参见图1,图1为本发明实施例提供的基于神经网络的射频有源器件尺寸缩放自热效应建模方法的流程示意图。该建模方法包括步骤:
S1、获取射频有源器件的结构参数和物理参数。
具体的,根据器件工艺信息,获取射频有源器件的结构参数与物理参数。其中,射频有源器件包括但不限于HBT器件;结构参数包括有源区、衬底以及有源区各层的尺寸、衬底尺寸等;物理参数包括器件材料属性参数、器件材料掺杂浓度等,器件材料属性参数指各层的材料名称,组分以及对应的物理特征参数。
以InP HBT器件为例,根据所使用的InP HBT工艺库文件,获取电路中器件的信息,包括器件的结构参数(有源区、衬底、有源区尺寸、衬底尺寸等)及物理参数(器件材料属性参数、器件材料掺杂浓度等)。器件材料及尺寸如表1所示,器件中各材料使用温度相关的热导率,即器件中各材料的热导率随着温度变化。
表1InP HBT器件结构及材料参数
S2、根据结构参数和物理参数建立不同发射极尺寸的器件模型。具体包括步骤:
S21、使用COMSOL有限元分析软件,根据结构参数和物理参数建立不同发射极尺寸的几何模型。
具体的,不同的几何模型具有不同的发射极尺寸,发射极尺寸通常根据器件的工艺信息确定。例如,HBT器件在制备时可以改变其发射极长度,因此,HBT器件的几何模型具有不同的发射极长度。
示例性的,使用有限元分析软件构建HBT器件的实体模型,其中包括发射极长度Le分别为3μm、5μm、10μm、15μm、20μm的五种尺寸器件。
S22、对几何模型加载耗散功率和边界条件。
具体的,耗散功率为热源;边界条件可以设定为衬底背面为环境温度,芯片其他与外界接触的边界面绝热。
S23、使用自由剖分四面体选项对不同发射极尺寸的几何模型进行网格划分。
S24、设置射频有源器件的耗散功率求解范围和环境温度求解范围,得到不同发射极尺寸的器件模型,该器件模型为电热耦合模型。示例性的,耗散功率求解范围可以为2~70mW,环境温度求解范围可以为300K、325K、350K等温度点。
S3、在不同耗散功率和不同环境温度的条件下对不同发射极尺寸的器件模型进行稳态热分析,得到结温分布结果,其中,结温分布结果中耗散功率、环境温度、发射极尺寸和结温一一对应。
具体的,根据耗散功率求解范围改变耗散功率,根据环境温度求解范围改变环境温度,通过有限元分析软件对不同发射极尺寸的器件模型进行稳态热分析,得到结温分布结果。
示例性的,改变变器件模型中的耗散功率(热源)、环境温度和发射极尺寸进行稳态热分析,通过有限元分析软件,仿真分析了不同功耗(2~70mW)下各尺寸器件的结温分布结果,并以csv文件导出,生成神经网络训练所需数据集,总共获取了1000组数据作为构建神经网络模型的数据集,数据集包括不同发射极尺寸器件在不同耗散功率、不同环境温度下器件结温的数据。
S4、将结温分布结果中的耗散功率、环境温度和发射极尺寸作为神经网络的输入向量,将结温分布结果中的结温作为期望值,对神经网络进行训练,直至神经网络输出的器件结温与期望值之间满足预设精度,得到射频有源器件尺寸缩放自热效应模型。
具体的,将结温分布结果中的耗散功率Pdiss、环境温度Ta和发射极尺寸Le作为神经网络的输入向量,从神经网络的输入端开始正向传播,由神经网络的输出端输出预测值作为器件结温Tj;当判断预测值与期望值之间的输出误差满足预设精度时,结束训练,得到射频有源器件尺寸缩放自热效应模型;当判断预测值与期望值之间的输出误差不满足预设精度时,将输出误差反向传输至神经网络的输入端,并在反向传输过程中根据输出误差调整网络的权值和阈值,以进行循环训练,直至输出误差满足预设精度。
神经网络是由大量简单的神经元相互连接而成的自适应非线性动态系统,在表征非线性关系上非常具有优势。理论上,只要有足够多的隐藏层层数和隐藏层神经元数,就能逼近任意的非线性映射。同时,只要学习样本足够多,即使有少数样本发生错误也并不会影响建模精度。因此。训练好的神经网络模型可以准确地描述输出和输出之间复杂的非线性映射关系,而不需要显式的数学表达式。另外,直接基于大数据训练,即基于数据驱动的神经网络方法,拥有实现简单、拟合效果好、鲁棒性高等诸多优点,因而也得到了十分广泛的应用。
本实施例中,神经网络采用BP神经网络。BP神经网络包括依次连接的输入层、若干隐藏层和输出层,其中,隐藏层的数量以及每层隐藏层神经元的数量可以结合实际需求进行选取。示例性的,BP神经网络包括依次连接的输入层、第一隐藏层、第二隐藏层和输出层,其中,第一隐藏层包括7个神经元,第二隐藏层包括3个神经元,如图2所示,图2为本发明实施例提供的BP神经网络的结构示意图。
BP神经网络中,隐藏层神经元的传递函数包括tansig函数,输出层函数包括purelin函数;BP神经网络的训练函数包括trainlm函数。
传递函数采用tansig函数,可以有效地将输入数据归一化到另一个空间,使得数据更容易处理。Purelin函数具有线性、无界和可微分等特点,可以将任意大小的输入映射到任意大小的输出,因而在输出层采用purelin函数。Trainlm函数是采用Levenberg-Marquardt算法来训练网络的,该算法可用于解决非线性最小二乘问题,并且可以快速收敛到全局最优解,因此训练函数采用trainlm函数。
以HBT器件为例,将耗散功率、发射极尺寸以及环境温度作为输入向量,将不同耗散功率及不同环境温度下得到的器件结温作为输出向量;调用Matlab中的Feedforwardnet函数,编写用于训练的BP-ANN程序;将数据集中75%的数据点作为训练数据导入到BP-ANN模型中进行训练学习,其余25%的数据点作为验证数据来验证所构建的模型的准确性;确定BP神经网络的结构;确定BP网络中隐藏层神经元的传递函数、输出层函数及训练函数;从输入层开始的正向传播过程完成后,可以得到BP神经网络的预测输出值,若预测值与期望值之间不满足精度要求,输出误差将被反馈回输入层,根据误差继续调整网络的权值和阈值,不断进行循环训练,直至输出值满足期望值,结束训练;最后得到可准确表征射频器件自热效应的自热网络模型,该模型同时具备尺寸缩放功能。
本发明基于BP神经网络模型构建了射频器件的自热网络模型,该网络的结构形式通常采用基于BP神经元的多层前向神经网络。BP学习算法以梯度下降法为基本原理,其主体思想是调整权重值使网络的输出值与期望输出值的误差均方值为最小。多层网络在运用BP算法时,实际上包含了前向和反向两个阶段。在前向传播过程中,输入信号逐层传播,直到输出层。在这一过程中,网络的权值和阈值是固定的。前向传播阶段以输入信号向第一个隐含层输入为开始,信号由左向右传播。前向传播结束的标志为输出层计算得到本层的每一个神经元误差。如果在输出层不能得到期望的输出,则误差信号由输出端开始逐层沿原来的通道反向传播,同时递归计算每一个神经元的局部梯度,通过修改各层神经元的权值,使误差信号最小,从而训练得到射频有源器件尺寸缩放自热效应模型。
进一步的,射频有源器件尺寸缩放自热效应模型用于在目标耗散功率、目标环境温度下预测不同发射极尺寸的射频有源器件的结温。
请参见图3,图3为本发明实施例提供的不同尺寸及不同功耗范围内神经网络预测结果与仿真结果的误差图,由图可以看到误差均在0.35%以内,表明本实施例模型具有较高的预测精度。
本实施例基于神经网络建立射频有源器件尺寸缩放自热效应模型,以耗散功率、环境温度和发射极尺寸作为神经网络的输入向量,由于将发射极尺寸作为输入向量对神经网络进行训练,最终得到的自热效应模型具备尺寸缩放功能,不仅避免了现有的ADS射频器件模型中缺少含有尺寸缩放功能的自热网络模型,而且相比经验函数描述,该模型可以更为简便、快速、准确地反映器件结温与耗散功率之间的非线性关系,同时由于加入了尺寸缩放功能,可以准确的得到各尺寸器件的结温并表征它们的自热效应。
本实施例的方法不仅避免了有限元分析方法占用计算机资源较大及分析耗时的问题,而且实现了器件自热网络的尺寸缩放,克服了现有模型尺寸缩放存在的不足,在表征结果的精度提高的同时,极大提高了建模效率。
实施例二
在实施例一的基础上,本实施例提供了一种基于神经网络的表征射频有源器件不同尺寸下自热效应的大信号模型的建模方法,该方法包括步骤:
S1、利用实施例一的建模方法构建射频有源器件尺寸缩放自热效应模型。
S2、将射频有源器件尺寸缩放自热效应模型替换器件大信号模型中的自热网络,得到可表征不同尺寸器件自热效应的大信号模型。可表征不同尺寸器件自热效应的大信号模型用于在目标耗散功率、目标环境温度下预测不同发射极尺寸的射频有源器件的电流-电压特性,并表征不同发射极尺寸的射频有源器件的自热效应。
具体的,器件大信号模型使用SDD模型或集约模型构建得到。
器件的大信号模型是针对器件受到大信号时可以适用的模型,它需要自热网络模型去表征器件的自热效应。
SDD模型是Agilent ADS软件为用户自行建立模型而开发的基于公式实现的模块,可以自由定义关系方程。一方面它避免了使用复杂的用于描述模型的程序语言,另一方面也可以轻易地实现各种模型,直接嵌入到通用的仿真软件ADS中进行模拟分析。原有的使用SDD模型构建的大信号模型中,是使用一阶RC热网络来表征器件的自热效应的。本实施例将射频有源器件尺寸缩放自热效应模型替代原有射频器件SDD模型的一阶RC自热网络,获得可表征不同尺寸器件自热效应的器件大信号模型。
集约模型是一种使用数学描述(公式)来构建的半导体器件模型,是大信号模型的一种实现方式。本实施例将射频有源器件尺寸缩放自热效应模型替代集约模型中的自热网络部分,获得可表征不同尺寸器件自热效应的器件大信号模型。
请参见图4和图5,图4为将尺寸缩放自热效应模型应用于集约模型中得到的0.7μm*10μm器件I-V特性与实际测试得到的同尺寸器件I-V特性的对比图,图5为将尺寸缩放自热效应模型应用于集约模型中得到的0.7μm*15μm器件I-V特性与实际测试得到的同尺寸器件I-V特性的对比图,其中,We为发射极宽度,Le为发射极极长度。由图4和图5可见,在选取的Ib下,利用本实施例提出的可表征不同尺寸器件自热效应的器件大信号模型得到的I-V特性曲线均能准确拟合实际测试得到的I-V特性图,本实施例可表征不同尺寸器件自热效应的器件大信号模型具有较好的准确性。
本实施例基于神经网络模型构建了可进行尺寸缩放的自热网络模型来预测不同发射极尺寸器件的结温,并用于器件大信号模型中表征器件的自热效应,可以高效、精确地得到不同发射极尺寸器件的结温并表征器件的自热效应。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于神经网络的射频有源器件尺寸缩放自热效应建模方法,其特征在于,包括步骤:
获取射频有源器件的结构参数和物理参数;
根据所述结构参数和所述物理参数建立不同发射极尺寸的器件模型;
在不同耗散功率和不同环境温度的条件下对不同发射极尺寸的所述器件模型进行稳态热分析,得到结温分布结果,其中,所述结温分布结果中耗散功率、环境温度、发射极尺寸和结温一一对应;
将所述结温分布结果中的耗散功率、环境温度和发射极尺寸作为神经网络的输入向量,将所述结温分布结果中的结温作为期望值,对所述神经网络进行训练,直至所述神经网络输出的器件结温与所述期望值之间满足预设精度,得到射频有源器件尺寸缩放自热效应模型;所述射频有源器件尺寸缩放自热效应模型用于在目标耗散功率、目标环境温度下预测不同发射极尺寸的射频有源器件的结温。
2.根据权利要求1所述的基于神经网络的射频有源器件尺寸缩放自热效应建模方法,其特征在于,根据所述结构参数和所述物理参数建立不同发射极尺寸的器件模型,包括步骤:
使用有限元分析软件,根据所述结构参数和所述物理参数建立不同发射极尺寸的几何模型;
对所述几何模型加载耗散功率和边界条件;
使用自由剖分四面体选项对所述不同发射极尺寸的几何模型进行网格划分;
设置所述射频有源器件的耗散功率求解范围和环境温度求解范围,得到不同发射极尺寸的器件模型。
3.根据权利要求2所述的基于神经网络的射频有源器件尺寸缩放自热效应建模方法,其特征在于,在不同耗散功率和不同环境温度的条件下对不同发射极尺寸的所述器件模型进行稳态热分析,得到结温分布结果,包括步骤:
根据所述耗散功率求解范围改变所述耗散功率,根据所述环境温度求解范围改变所述环境温度,通过有限元分析软件对不同发射极尺寸的所述器件模型进行稳态热分析,得到所述结温分布结果。
4.根据权利要求1所述的基于神经网络的射频有源器件尺寸缩放自热效应建模方法,其特征在于,将所述结温分布结果中的耗散功率、环境温度和发射极尺寸作为神经网络的输入向量,将所述结温分布结果中的结温作为期望值,对所述神经网络进行训练,直至所述神经网络输出的器件结温与所述期望值之间满足预设精度,得到射频有源器件尺寸缩放自热效应模型,包括:
将所述结温分布结果中的耗散功率、环境温度和发射极尺寸作为神经网络的输入向量,从所述神经网络的输入端开始正向传播,由所述神经网络的输出端输出预测值作为所述器件结温;
当判断所述预测值与所述期望值之间的输出误差满足预设精度时,结束训练,得到所述射频有源器件尺寸缩放自热效应模型;
当判断所述预测值与所述期望值之间的所述输出误差不满足所述预设精度时,将所述输出误差反向传输至所述神经网络的输入端,并在反向传输过程中根据所述输出误差调整网络的权值和阈值,以进行循环训练,直至所述输出误差满足所述预设精度。
5.根据权利要求1所述的基于神经网络的射频有源器件尺寸缩放自热效应建模方法,其特征在于,所述神经网络包括BP神经网络;
所述BP神经网络包括依次连接的输入层、若干隐藏层和输出层。
6.根据权利要求5所述的基于神经网络的射频有源器件尺寸缩放自热效应建模方法,其特征在于,所述若干隐藏层包括第一隐藏层和第二隐藏层,其中,
所述输入层、所述第一隐藏层、所述第二隐藏层和所述输出层依次连接。
7.根据权利要求6所述的基于神经网络的射频有源器件尺寸缩放自热效应建模方法,其特征在于,所述第一隐藏层包括7个神经元,所述第二隐藏层包括3个神经元。
8.根据权利要求5所述的基于神经网络的射频有源器件尺寸缩放自热效应建模方法,其特征在于,所述BP神经网络中,隐藏层神经元的传递函数包括tansig函数,输出层函数包括purelin函数;
所述BP神经网络的训练函数包括trainlm函数。
9.一种表征射频有源器件不同尺寸下自热效应的大信号模型的建模方法,其特征在于,包括步骤:
利用如权利要求1-8任一项所述的建模方法构建射频有源器件尺寸缩放自热效应模型;
将所述射频有源器件尺寸缩放自热效应模型替换器件大信号模型中的自热网络,得到可表征不同尺寸器件自热效应的大信号模型;
所述可表征不同尺寸器件自热效应的大信号模型用于在目标耗散功率、目标环境温度下预测不同发射极尺寸的射频有源器件的电流-电压特性,并表征所述不同发射极尺寸的射频有源器件的自热效应。
10.根据权利要求9所述的表征射频有源器件不同尺寸下自热效应的大信号模型的建模方法,其特征在于,所述器件大信号模型使用SDD模型或集约模型构建得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311421290.2A CN117272834A (zh) | 2023-10-30 | 2023-10-30 | 基于神经网络的射频有源器件尺寸缩放自热效应建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311421290.2A CN117272834A (zh) | 2023-10-30 | 2023-10-30 | 基于神经网络的射频有源器件尺寸缩放自热效应建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117272834A true CN117272834A (zh) | 2023-12-22 |
Family
ID=89206378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311421290.2A Pending CN117272834A (zh) | 2023-10-30 | 2023-10-30 | 基于神经网络的射频有源器件尺寸缩放自热效应建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117272834A (zh) |
-
2023
- 2023-10-30 CN CN202311421290.2A patent/CN117272834A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105373642B (zh) | 估计电路的自发热特征的模拟系统及其设计方法 | |
US9009638B1 (en) | Estimating transistor characteristics and tolerances for compact modeling | |
US20110055781A1 (en) | Non-invasive timing characterization of integrated circuits using sensitizable signal paths and sparse equations | |
US8555236B2 (en) | Non-invasive leakage power device characterization of integrated circuits using device grouping and compressive sensing | |
US9513329B2 (en) | Aging-based usage metering of components | |
Chhabria et al. | Impact of self-heating on performance and reliability in FinFET and GAAFET designs | |
JPWO2008102681A1 (ja) | 回路動作の最悪条件決定システム、方法およびプログラム | |
CN117272834A (zh) | 基于神经网络的射频有源器件尺寸缩放自热效应建模方法 | |
Avan et al. | High‐speed energy efficient process, voltage and temperature tolerant hybrid multi‐threshold 4: 2 compressor design in CNFET technology | |
Dimple et al. | Exploring the impact of parametric variability on eye diagram of on-chip multi-walled carbon nanotube interconnects using fast machine learning techniques | |
Zhang et al. | Simple and effective extrapolation technique for neural-based microwave modeling | |
Chen et al. | A network topological approach-based transient 3-D electrothermal model of insulated-gate bipolar transistor | |
JP2006133994A (ja) | 解析装置、解析プログラム、および解析プログラムを記録したコンピュータ読取可能な記録媒体 | |
CN113947008B (zh) | 一种基于bp神经网络模型的半导体器件温度分布预测方法 | |
Li et al. | Investigation of transient two-stage thermal equivalent RC network of SOI-MOSFETs using nano double-pulse measurement | |
CN117454693A (zh) | 基于神经网络的射频有源器件的自热效应建模方法 | |
US9582622B1 (en) | Evaluating on-chip voltage regulation | |
Ma et al. | A machine learning methodology for inferring network S-parameters in the presence of variability | |
CN112926259A (zh) | 一种基于rbf神经网络模型预测半导体器件结温的方法 | |
Rebelli et al. | A novel MRTD model for signal integrity analysis of resistive driven coupled copper interconnects | |
van Santen et al. | Self-heating effects from transistors to gates | |
Maneux et al. | strategies for characterization and parameter extraction of vertical junction-less nanowire FETs dedicated to design technology co-optimization | |
Ferranti et al. | Effective electrothermal analysis of electronic devices and systems with parameterized macromodeling | |
Mishra et al. | Thermal performance evaluation of multi-core SOCs using power-thermal co-simulation | |
CN117574727A (zh) | 一种射频多指有源器件温度分布分析方法 |
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 |