CN117574727A - 一种射频多指有源器件温度分布分析方法 - Google Patents
一种射频多指有源器件温度分布分析方法 Download PDFInfo
- Publication number
- CN117574727A CN117574727A CN202311597289.5A CN202311597289A CN117574727A CN 117574727 A CN117574727 A CN 117574727A CN 202311597289 A CN202311597289 A CN 202311597289A CN 117574727 A CN117574727 A CN 117574727A
- Authority
- CN
- China
- Prior art keywords
- finger
- temperature
- heat source
- temperature distribution
- radio frequency
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 128
- 238000004458 analytical method Methods 0.000 title claims abstract description 30
- 230000008878 coupling Effects 0.000 claims abstract description 43
- 238000010168 coupling process Methods 0.000 claims abstract description 43
- 238000005859 coupling reaction Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000002093 peripheral effect Effects 0.000 claims abstract description 9
- 230000002068 genetic effect Effects 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 38
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 7
- 239000007787 solid Substances 0.000 claims description 5
- 238000002076 thermal analysis method Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 239000000463 material Substances 0.000 abstract description 12
- 238000012512 characterization method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 6
- 230000001808 coupling effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及一种射频多指有源器件温度分布分析方法,包括:采用遗传算法,利用神经网络对射频单指器件沿热源中心点向外围方向上的温度分布数据训练得到单指器件温度分布模型;给定多指器件指数、指间距、环境温度及功耗等器件信息,确定坐标系、边界位置以及每个热源中心点坐标;设定若干拟合数据点;用改进的叠加算法以充分考热耦合对器件材料热导率的影响,得到射频多指器件的温度分布。该方法通过单指器件温度分布模型,可以高效、精确地获得任意指数、指间距、环境温度及功耗下的多指器件温度分布,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,而且表征结果的精度较高。
Description
技术领域
本发明属于集成电路电热分析技术领域,具体涉及一种射频多指有源器件温度分布分析方法。
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。为了在高频下提供高功率密度,就需要具有较大发射极面积且最小发射极宽度的晶体管。对于单指发射极的器件来说,指上的电流密度主要集中在发射极边缘,分布不均匀。同时III-V型射频器件异质结双极晶体管HBT具有较大的自热效应,容易发生热击穿。因此,通常通过将多个发射极指并联的梳状,以此增加器件发射区周长面积比,从而改善器件的自热效应、频率以及噪声特性。但是这种设计结构也存在一个十分突出的问题,即多指发射极之间存在严重的热耦合效应,这使得多指器件的热阻并没有随着手指数量的增加而线性降低,有文献结果显示8指器件的热阻仅比单指设备低5倍。
为了能更好地对多指HBT器件进行优化,就必须要建立能够精确表征器件自热效应及发射极指之间的热耦合效应与器件结构参数之间关系的模型。对于器件的温度分布预测分析,最常用的一种方法是有限元建模分析,这种方式虽然精度较高,但是在温度分析计算时非常耗时,并且十分占用计算机的资源。红外热成像方式测量器件结温也经常被使用,但是由于半导体器件裸片尺寸在微米级别,裸片的测试需要结合探针台进行,对热成像设备、测试环境、红外热成像仪的分辨率都提出很高要求,稍有偏差便容易得到误差大的测量结果。现有温度分析技术,非常不利于分析多指器件温度分布。
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,因而在器件建模时得到了十分广泛的应用。
如果直接基于神经网络模型训练多指器件温度分布,由于器件之间的热耦合效应与器件指数、发射极尺寸及指间距都相关,也必然需要大量的训练数据,这同样会耗费大量计算机时及内存。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种射频多指有源器件温度分布分析方法。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射频多指有源器件温度分布分析方法,包括步骤:
根据射频多指器件的结构参数确定坐标系、边界位置以及每个热源中心点坐标;
根据温度分布精度设定若干拟合数据点;
结合所述每个热源中心点坐标,利用单指器件温度分布模型在第一环境温度下计算所有热源中心点到第一拟合数据点的第一耦合温升,并将所述第一环境温度和所述第一耦合温升叠加以计算第一拟合数据点的热分布值;其中,所述单指器件温度分布模型为利用神经网络对射频单指器件沿热源中心点向外围方向上的温度分布数据训练得到;
以所述热分布值作为第二拟合数据点的第二环境温度,利用所述单指器件温度分布模型计算所有热源中心点到第二拟合数据点的第二耦合温升,并将所述热分布值和所述第二耦合温升叠加以计算所述第二拟合数据点的温度数值;其中,沿所述边界位置向所述热源中心点,所述第一拟合数据点为所述第二拟合数据点的上一邻近点;
计算每个拟合数据点的温度数值,得到射频多指器件的温度分布。
在本发明的一个实施例中,所述单指器件温度分布模型为利用神经网络对射频单指器件沿热源中心点向外围方向上的温度分布数据训练得到,包括:
使用有限元分析软件构建射频单指器件的电热耦合实体模型;
对所述电热耦合实体模型加载耗散功率和边界条件,并进行有限元网格划分;
在不同耗散功率、不同发射极长度和不同环境温度下对所述电热耦合实体模型进行稳态热分析,得到沿热源中心点向外围方向上的温度分布数据;
将所述温度分布数据中的耗散功率、发射极长度、环境温度和热源中心点向外围的距离作为输入向量,将所述温度分布数据中的温度数据作为期望值,采用遗传算法优化所述神经网络的权值和阈值,并将最优权值和最优阈值赋值给所述神经网络,得到所述单指器件温度分布模型。
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;
所述第一隐藏层包括6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。
在本发明的一个实施例中,根据射频多指器件的结构参数确定坐标系、边界位置以及每个热源中心点坐标,包括:
获取所述射频多指器件的指数、特征尺寸和指间距;
将所述射频多指器件的每个指的中心点作为热源中心点,根据所述指数、所述特征尺寸和所述指间距确定所述射频多指器件的坐标原点和边界位置;
基于所述坐标原点和所述边界位置,根据所述指数、所述特征尺寸和所述指间距计算每个热源中心点坐标。
在本发明的一个实施例中,当所述射频多指器件为均匀分布的多指器件时,每个热源中心点坐标为:
xcenter,k=k*x+(k-1)*We+1/2*We,(1≤k≤n,k∈Z)
其中,xcenter,k为第k个热源中心点坐标,n为指数,x为指间距,We为特征尺寸。
在本发明的一个实施例中,所述第一拟合数据点的热分布值为:
其中,为第一拟合数据点的热分布值,Ta为第一环境温度,/> 为第一拟合数据点的第一耦合温升,n为指数,k为第k个热源,ΔTk为第k个热源对xi的处的热耦合温升,Pdiss为耗散功率,Le为发射极长度,|Δx|为xi至第k个热源中心点的距离,AANN(Ta,Pdiss,Le,|Δx|)为基于第一环境温度的单指器件温度分布模型。
在本发明的一个实施例中,所述第二拟合数据点的温度数值为:
其中,为第二拟合数据点的温度数值,/> 为第二拟合数据点的第二耦合温升,/>为第一拟合数据点的热分布值,n为指数,k为第k个热源,ΔTk为第k个热源对xi的处的热耦合温升,Pdiss为耗散功率,Le为发射极长度,|Δx|为热源中心点向外围的距离,/>为基于热分布值的单指器件温度分布模型。
与现有技术相比,本发明的有益效果:
本发明的射频多指有源器件温度分布分析方法,首先利用单指器件温度分布模型计算在环境温度下第一拟合数据点的热分布值,然后将第一拟合点的热分布值作为第二拟合数据点的第二环境温度,利用单指器件温度分布模型计算第二拟合数据点的温度数值,从而计算得到每个拟合数据点的温度数值,将单指器件温度分布模型与改进的叠加算法相结合,充分考热耦合对器件材料热导率的影响,只需要对单指器件温度分布进行神经网络模型训练,就可以获得任意指数、指间距、环境温度及功耗下的器件温度分布,在保证并提升分析精度的前提下,极大提高分析效率,适用于任意工艺节点的多指器件温度分析,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。
附图说明
图1为本发明实施例提供的射频多指有源器件温度分布分析方法的流程示意图;
图2为本发明实施例提供的射频多指有源器件温度分布分析方法的流程结构图;
图3为本发明实施例提供的坐标系确定及热源中心点确认示意图;
图4a-图4c为本发明实施例提供的射频多指有源器件的温度分布及误差分布示意图。
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
请参见图1和图2,图1为本发明实施例提供的射频多指有源器件温度分布分析方法的流程示意图,图2为本发明实施例提供的射频多指有源器件温度分布分析方法的流程结构图。
在对射频多指有源器件进行温度分布分析之前,首先获取单指器件温度分布模型。单指器件温度分布模型为利用神经网络对射频单指器件沿热源中心点向外围方向上的温度分布数据训练得到,其训练方法包括步骤:
S11、使用有限元分析软件构建射频单指器件的电热耦合实体模型,
首先,根据器件工艺信息,获取射频单指器件的结构参数与物理参数。其中,射频单指器件包括但不限于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。然后,使用有限元分析软件,根据射频单指器件的结构参数与物理参数建立电热耦合实体模型。
S12、对所述电热耦合实体模型加载耗散功率和边界条件,并进行有限元网格划分。
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。使用自由剖分四面体选项对电热耦合实体模型进行有限元网格划分。
S13、在不同耗散功率、不同发射极长度和不同环境温度下对所述电热耦合实体模型进行稳态热分析,得到沿热源中心点向外围方向上的温度分布数据。
具体的,改变电热耦合实体模型的耗散功率、发射极长度以及所处的环境温度进行稳态热分析,得到不同尺寸的射频单指器件在不同耗散功率以及不同环境温度下,沿热源中心点向外围方向上的温度分布数据,并以csv文件导出,生成神经网络训练所需数据集。
进一步,采取边界等间距采样方法从数据集中采样75%的数据点作为训练数据导入到神经网络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。
S14、将所述温度分布数据中的耗散功率、发射极长度、环境温度和热源中心点向外围的距离作为输入向量,将所述温度分布数据中的温度数据作为期望值,采用遗传算法优化所述神经网络的权值和阈值,并将最优权值和最优阈值赋值给所述神经网络,得到所述单指器件温度分布模型。
首先确定神经网络的结构。
具体的,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6个神经元,第二隐藏层包括3个神经元。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。
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。
然后,使用Matlab软件,基于遗传算法(GA算法)利用训练数据对BP神经网络进行训练学习,得到所述单指器件温度分布模型,将该单指器件温度分布模型记为GA-BP神经网络。
具体的,温度分布数据中耗散功率Pdiss、发射极长度Le、环境温度Ta、热源中心点向外围的距离|Δx|和温度数据一一对应,将其中的耗散功率Pdiss、发射极长度Le、环境温度Ta和热源中心点向外围的距离|Δx|作为神经网络的输入向量,将其中的温度数据作为神经网络的期望值,采用遗传算法优化神经网络的权值和阈值,再将遗传算法得到的最优权值和阈值赋给BP神经网络,神经网络经训练后用于预测输出,从而得到给定工艺下基于神经网络的单指器件温度分布模型,记为AANN(Ta,Pdiss,Le,|Δx|),其中,|Δx|=0即热源中心点位置。该单指器件温度分布模型可以准确表征单指器件由热源中心点向外全范围内的温度分布。示例性的,采用遗传算法进行优化时,种群数量为100,优胜子种群数量为5,迭代次数为20;优化时在i7 9700 CPU和8G RAM的PC平台的MATLAB中运行。
在单指器件温度分布模型基础上,进行射频多指有源器件温度分布分析,该射频多指有源器件温度分布分析方法包括步骤:
S21、根据射频多指器件的结构参数确定坐标系、边界位置以及每个热源中心点坐标。具体包括步骤:
S211、获取所述射频多指器件的指数、特征尺寸和指间距。
具体的,射频多指器件的结构参数包括多指器件指数n、特征尺寸We、指间距d、发射极长度Le、功耗值Pdiss和第一环境温度Ta。本实施例利用结构参数中的多指器件指数n、特征尺寸We、指间距d计算坐标系以及每个热源中心点坐标。
S212、将所述射频多指器件的每个指的中心点作为热源中心点,根据所述指数、所述特征尺寸和所述指间距确定所述射频多指器件的坐标原点和边界位置。
具体的,多指器件每个指都是一个热源中心,将每个指的中心点作为热源中心点。根据射频多指器件的指数、所述特征尺寸和所述指间距获得器件的尺寸及器件边界坐标点,从而确定多指器件坐标原点及边界。将坐标原点沿热源中心点的方向形成坐标轴,从而形成坐标系。射频多指器件的边界包括左侧边界和右侧边界,将左侧边界和右侧边界作为边界位置。
请参见图3,图3为本发明实施例提供的坐标系确定及热源中心点确认示意图。图3中,以InP HBT多指器件为例,坐标原点为左侧边界的中心点位置处,坐标原点沿热源中心点的方向作为x轴,器件的左侧边界和右侧边界作为边界位置。
S213、在所述坐标系中根据所述指数、所述特征尺寸和所述指间距计算每个热源中心点坐标。
具体的,当所述射频多指器件为均匀分布的多指器件时,每个热源中心点坐标为:
xcenter,k=k*x+(k-1)*We+1/2*We,(1≤k≤n,k∈Z)
其中,xcenter,k为第k个热源中心点坐标,n为指数,x为指间距,即d,We为特征尺寸。
当所述射频多指器件为均匀分布的多指器件时,人为计算器件热源中心点坐标。
S22、根据温度分布精度设定若干拟合数据点。
具体的,给出拟合点数(m),从而确定多指器件所有拟合数据点xi(1≤i≤m,i∈Z)。其中,拟合点数m可以根据用户对于温度分布精度的需求任意给定,不进行限制,并且基于神经网络的温度分析效率不会受拟合点数的增多而降低。拟合数据点的数量与拟合点数的数量一致。
S23、利用单指器件温度分布模型,结合所述每个热源中心点坐标计算在第一环境温度下所有热源中心点到第一拟合数据点的第一耦合温升,并将所述第一环境温度和所述第一耦合温升叠加以计算第一拟合数据点的热分布值。
具体的,每个第一拟合数据点上的温度由两部分组成:第一环境温度Ta及所有热源中心点到某个第一拟合数据点的第一耦合温升其中,结合所述每个热源中心点坐标,利用单指器件温度分布模型在第一环境温度Ta、射频多指器件的发射极长度Le、射频多指器件的功耗值Pdiss的条件下计算所有热源中心点到某个第一拟合数据点的第一耦合温升。因此,基于温度叠加算法,将第一环境温度Ta及第一耦合温升/>进行叠加获得该第一拟合数据点的温度值,即得到该第一拟合数据点的热分布值。对于第一拟合数据点xi,其热分布值由以下公式计算:
其中,为第一拟合数据点的热分布值,Ta为第一环境温度,/> 为第一拟合数据点的第一耦合温升,n为指数,k为第k个热源,ΔTk为第k个热源对xi的处的热耦合温升,Pdiss为耗散功率,Le为发射极长度,|Δx|为xi至第k个热源中心点的距离,AANN(Ta,Pdiss,Le,|Δx|)为基于第一环境温度的单指器件温度分布模型。
进一步,通过上述方法计算得到m个第一拟合数据点的热分布值,并可以根据m个拟合数据点的热分布值绘制多指器件的温度分布图。
S24、以所述热分布值作为第二拟合数据点的第二环境温度,利用所述单指器件温度分布模型计算在所述第二环境温度下所有热源中心点到第二拟合数据点的第二耦合温升,并将所述热分布值和所述第二耦合温升叠加以计算所述第二拟合数据点的温度数值;其中,沿边界位置向所述热源中心点,所述第一拟合数据点为所述第二拟合数据点的上一邻近点。
具体的,为考虑局部温升对材料热导率的影响,在叠加原理的基础上加入迭代思想,形成改进的叠加算法。由于对于器件边缘处的温度较低,材料热导率受热耦合影响较小,温度较为稳定,越靠近器件热源中心点,材料热导率随温度变化较快,导致器件结温升高较多。所以,本实施例从边界位置向器件热源中心点进行计算时,某一拟合数据点的环境温度选为上一拟合数据点的温度值,即在计算下一个拟合数据点的温度时,将上一个邻近拟合数据点的温度值作为该点的局部环境温度,这样能够尽可能的考虑热源位置由于热耦合效应引起的材料热导率的退化,而且不需要以往迭代算法循环往复迭代的过程,能够节约计算机时。
基于上述改进的叠加算法,本实施例首先以第一拟合数据点的热分布值作为第二拟合数据点的第二环境温度,结合所述每个热源中心点坐标,利用所述单指器件温度分布模型,在第二环境温度、射频多指器件的发射极长度Le、射频多指器件的功耗值Pdiss的条件下计算所有热源中心点到第二拟合数据点的第二耦合温升;然后将第二环境温度与第二耦合温升进行叠加得到第二拟合数据点的温度数值。可以理解,沿所述边界位置向所述热源中心点,所述第一拟合数据点为所述第二拟合数据点的上一邻近点。
具体的,某个第二拟合数据点的度数值为:
其中,为第二拟合数据点的温度数值,/> 为第二拟合数据点的第二耦合温升,/>为第一拟合数据点的热分布值,n为指数,k为第k个热源,ΔTk为第k个热源对xi的处的热耦合温升,Pdiss为耗散功率,Le为发射极长度,|Δx|为热源中心点向外围的距离,/>为基于热分布值的单指器件温度分布模型。
S25、计算每个拟合数据点的温度数值,得到射频多指器件的温度分布。
具体的,重复步骤S23和步骤S24,利用叠加原理首先计算所有指对器件坐标原点的热耦合温升,获得该点的温度分布值,随后在下一个拟合数据点上,基于改进的叠加算法(即将某点的环境温度设为邻近点的热分布值,充分考虑热耦合效应带来的环境温度升高对器件材料热导率的影响)获得下一个拟合数据点的温度分布值,以此往复,获得所有拟合数据点的温度数值,得到射频多指器件的温度分布,完成多指器件温度分布的模型建立。
请参见图4a-图4c,图4a-图4c为本发明实施例提供的射频多指有源器件的温度分布及误差分布示意图,图4a为采用GA-BP神经网络以及改进的叠加算法得到的4指器件的温度分布与采用COMSOL仿真得到的4指器件温度分布对比图,图4b为采用GA-BP神经网络以及叠加算法得到的6指器件的温度分布与采用COMSOL仿真得到的6指器件温度分布对比图,图4c为采用本发明实施例方法得到的4指及6指器件温度分布误差图。图4a-图4c利用本实施例方法分别对4指及6指器件温度分布进行了分析,并与有限元分析方法获得的温度分布结果进行了对比,对比发现两种不同尺寸器件的预测误差均在1.8%以内,预测精度较高。
本实施例射频多指有源器件温度分布分析方法借助神经网络模型强大的非线性自学能力,并结合改进的叠加算法快速准确表征射频多指有源器件的温度分布。该方法首先利用单指器件温度分布模型计算在环境温度下第一拟合数据点的热分布值,然后将第一拟合点的热分布值作为第二拟合数据点的第二环境温度,利用单指器件温度分布模型计算第二拟合数据点的温度数值,从而计算得到每个拟合数据点的温度数值,将单指器件温度分布模型与改进的叠加算法相结合,充分考热耦合对器件材料热导率的影响,只需要对单指器件温度分布进行神经网络模型训练,就可以高效、精确地获得任意指数、指间距、环境温度及功耗下的射频多指器件温度分布,在保证并提升分析精度的前提下,极大提高分析效率,适用于任意工艺节点的多指器件温度分析。该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,而且表征结果的精度较高。
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 (9)
1.一种射频多指有源器件温度分布分析方法,其特征在于,包括步骤:
根据射频多指器件的结构参数确定坐标系、边界位置以及每个热源中心点坐标;
根据温度分布精度设定若干拟合数据点;
结合所述每个热源中心点坐标,利用单指器件温度分布模型在第一环境温度下计算所有热源中心点到第一拟合数据点的第一耦合温升,并将所述第一环境温度和所述第一耦合温升叠加以计算第一拟合数据点的热分布值;其中,所述单指器件温度分布模型为利用神经网络对射频单指器件沿热源中心点向外围方向上的温度分布数据训练得到;
以所述热分布值作为第二拟合数据点的第二环境温度,利用所述单指器件温度分布模型计算所有热源中心点到第二拟合数据点的第二耦合温升,并将所述热分布值和所述第二耦合温升叠加以计算所述第二拟合数据点的温度数值;其中,沿所述边界位置向所述热源中心点,所述第一拟合数据点为所述第二拟合数据点的上一邻近点;
计算每个拟合数据点的温度数值,得到射频多指器件的温度分布。
2.根据权利要求1所述的射频多指有源器件温度分布分析方法,其特征在于,所述单指器件温度分布模型为利用神经网络对射频单指器件沿热源中心点向外围方向上的温度分布数据训练得到,包括:
使用有限元分析软件构建射频单指器件的电热耦合实体模型;
对所述电热耦合实体模型加载耗散功率和边界条件,并进行有限元网格划分;
在不同耗散功率、不同发射极长度和不同环境温度下对所述电热耦合实体模型进行稳态热分析,得到沿热源中心点向外围方向上的温度分布数据;
将所述温度分布数据中的耗散功率、发射极长度、环境温度和热源中心点向外围的距离作为输入向量,将所述温度分布数据中的温度数据作为期望值,采用遗传算法优化所述神经网络的权值和阈值,并将最优权值和最优阈值赋值给所述神经网络,得到所述单指器件温度分布模型。
3.根据权利要求1所述的射频多指有源器件温度分布分析方法,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。
4.根据权利要求3所述的射频多指有源器件温度分布分析方法,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;
所述第一隐藏层包括6个神经元,所述第二隐藏层包括3个神经元。
5.根据权利要求3所述的射频多指有源器件温度分布分析方法,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。
6.根据权利要求1所述的射频多指有源器件温度分布分析方法,其特征在于,根据射频多指器件的结构参数确定坐标系、边界位置以及每个热源中心点坐标,包括:
获取所述射频多指器件的指数、特征尺寸和指间距;
将所述射频多指器件的每个指的中心点作为热源中心点,根据所述指数、所述特征尺寸和所述指间距确定所述射频多指器件的坐标原点和边界位置;
基于所述坐标原点和所述边界位置,根据所述指数、所述特征尺寸和所述指间距计算每个热源中心点坐标。
7.根据权利要求6所述的射频多指有源器件温度分布分析方法,其特征在于,当所述射频多指器件为均匀分布的多指器件时,每个热源中心点坐标为:
xcenter,k=k*x+(k-1)*We+1/2*We,(1≤k≤n,k∈Z)
其中,xcenter,k为第k个热源中心点坐标,n为指数,x为指间距,We特征尺寸。
8.根据权利要求1所述的射频多指有源器件温度分布分析方法,其特征在于,所述第一拟合数据点的热分布值为:
其中,为第一拟合数据点的热分布值,Ta为第一环境温度,/> 为第一拟合数据点的第一耦合温升,n为指数,k为第k个热源,ΔTk为第k个热源对xi的处的热耦合温升,Pdiss为耗散功率,Le为发射极长度,|Δx|为xi至第k个热源中心点的距离,AANN(Ta,Pdiss,Le,|Δx|)为基于第一环境温度的单指器件温度分布模型。
9.根据权利要求1所述的射频多指有源器件温度分布分析方法,其特征在于,所述第二拟合数据点的温度数值为:
其中,为第二拟合数据点的温度数值,/> 为第二拟合数据点的第二耦合温升,/>为第一拟合数据点的热分布值,n为指数,k为第k个热源,ΔTk为第k个热源对xi的处的热耦合温升,Pdiss为耗散功率,Le为发射极长度,|Δx|为热源中心点向外围的距离,为基于热分布值的单指器件温度分布模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311597289.5A CN117574727A (zh) | 2023-11-27 | 2023-11-27 | 一种射频多指有源器件温度分布分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311597289.5A CN117574727A (zh) | 2023-11-27 | 2023-11-27 | 一种射频多指有源器件温度分布分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117574727A true CN117574727A (zh) | 2024-02-20 |
Family
ID=89884094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311597289.5A Pending CN117574727A (zh) | 2023-11-27 | 2023-11-27 | 一种射频多指有源器件温度分布分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117574727A (zh) |
-
2023
- 2023-11-27 CN CN202311597289.5A patent/CN117574727A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dhillon et al. | TCAD-augmented machine learning with and without domain expertise | |
JP2021002335A (ja) | 高次元センサデータにおける異常事象の自動化された根本原因分析を実行する方法及びシステム | |
US20100058258A1 (en) | Method of Estimating a Leakage Current in a Semiconductor Device | |
CN106570293B (zh) | 一种基于eptm模型的电路信号可靠性的概率计算方法 | |
CN105701568B (zh) | 一种启发式的配电网状态估计量测位置快速优化方法 | |
Khusro et al. | Enabling the development of accurate intrinsic parameter extraction model for GaN HEMT using support vector regression (SVR) | |
Mahouti et al. | Artificial intelligence–based design optimization of nonuniform microstrip line band pass filter | |
CN111665430A (zh) | 一种GaN HEMT器件的热可靠性评估方法 | |
CN116468084A (zh) | 激活函数的模拟硬件实现方式 | |
Hu et al. | An evolutionary multilayer perceptron-based large-signal model of GaN HEMTs including self-heating and trapping effects | |
Chen et al. | Electro-thermal analysis of microwave limiter based on the time-domain impulse response method combined with physical-model-based semiconductor solver | |
CN117574727A (zh) | 一种射频多指有源器件温度分布分析方法 | |
Jungemann et al. | Investigation of compact models for RF noise in SiGe HBTs by hydrodynamic device simulation | |
Hu et al. | Fast and accurate temperature-dependent current modeling of HBTs using the dimension reduction method | |
CN112926259B (zh) | 一种基于rbf神经网络模型预测半导体器件结温的方法 | |
CN114417653B (zh) | 基于不确定性的卫星组件电路板热可靠性分析方法 | |
CN114154418A (zh) | 基于LSTM神经网络的GaN晶体管行为模型建模方法 | |
CN112926258B (zh) | 一种基于bp神经网络模型预测半导体器件结温的方法 | |
Müller et al. | Physical modeling of InP/InGaAs DHBTs with augmented drift-diffusion and Boltzmann transport equation solvers—Part II: Application and results | |
CN115238623A (zh) | 亲和能模型修正方法、装置、tcad仿真方法及系统、介质 | |
Nicolae et al. | Metamodel-based prediction of on resistance for microelectronic power switches | |
CN113764296B (zh) | 电池的测试方法和装置、电子设备及计算机可读存储介质 | |
CN117454693A (zh) | 基于神经网络的射频有源器件的自热效应建模方法 | |
Ryndin et al. | A Quasi‐Two‐Dimensional Physics‐Based Model of HEMTs without Smoothing Functions for Joining Linear and Saturation Regions of I‐V Characteristics | |
CN111832238A (zh) | 基于支持向量机的GaN HEMT小信号模型建模方法 |
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 |