CN117648890B - 一种基于人工智能的半导体器件建模方法及系统 - Google Patents
一种基于人工智能的半导体器件建模方法及系统 Download PDFInfo
- Publication number
- CN117648890B CN117648890B CN202410124849.3A CN202410124849A CN117648890B CN 117648890 B CN117648890 B CN 117648890B CN 202410124849 A CN202410124849 A CN 202410124849A CN 117648890 B CN117648890 B CN 117648890B
- Authority
- CN
- China
- Prior art keywords
- data
- modeling
- semiconductor device
- artificial
- optimization
- 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
- 239000004065 semiconductor Substances 0.000 title claims abstract description 220
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 73
- 238000004140 cleaning Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 60
- 230000006870 function Effects 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 42
- 238000010276 construction Methods 0.000 claims description 18
- 238000013075 data extraction Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 229910002601 GaN Inorganic materials 0.000 claims description 3
- JMASRVWKEDWRBT-UHFFFAOYSA-N Gallium nitride Chemical compound [Ga]#N JMASRVWKEDWRBT-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能的半导体器件建模方法及系统,方法包括数据提取、数据优化、人工数据生成、建模预测和半导体器件建模。本发明涉及半导体器件建模技术领域,具体是指一种基于人工智能的半导体器件建模方法及系统,本发明采用数据清洗、非数值数据向量化和数值数据标准化地方法进行数据优化,为半导体器件建模提供了良好的数据基础;用结合K最近邻方法的变分自动编码器模型进行人工数据生成,满足了半导体器件建模所需的数据规模要求;采用基于深度神经网络结合人工数据和原始数据的方法,进行半导体器件电性能预测,提升了半导体器件建模的整体可用性,优化了电性能预测的准确性。
Description
技术领域
本发明涉及半导体器件建模技术领域,具体是指一种基于人工智能的半导体器件建模方法及系统。
背景技术
基于人工智能的半导体器件建模方法是利用人工智能技术来对半导体器件进行建模和仿真的方法,在传统的半导体器件建模中,通常需要基于物理原理和数学模型进行建模和仿真。然而,由于半导体器件的复杂性和非线性特性,传统方法在处理大规模和复杂的器件模型时面临一定的挑战,基于人工智能的半导体器件建模方法通过利用机器学习的人工智能技术,可以更准确地预测器件的电性能,进而提高建模的精度和效率。
但是,现有的半导体器件建模方法中,存在着半导体器件实验数据的数据质量良莠不齐,有影响后续数据处理和建模任务精确性的风险的技术问题;现有的半导体器件建模方法中,存在着半导体器件数据规模较小,无法满足半导体器件建模所需的数据需求的技术问题;现有的半导体器件建模方法中,存在着缺少一种基于人工数据生成进一步进行半导体电性能预测的方法的技术问题。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供了一种基于人工智能的半导体器件建模方法及系统,针对现有的半导体器件建模方法中,存在着半导体器件实验数据的数据质量良莠不齐,有影响后续数据处理和建模任务精确性的风险的技术问题,本方案创造性地采用数据清洗、非数值数据向量化和数值数据标准化地方法进行数据优化,为半导体器件建模提供了良好的数据基础;针对现有的半导体器件建模方法中,存在着半导体器件数据规模较小,无法满足半导体器件建模所需的数据需求的技术问题,本方案创造性地采用结合K最近邻方法的变分自动编码器模型进行人工数据生成,满足了半导体器件建模所需的数据规模要求,提升了后续分类预测任务的整体准确性;针对现有的半导体器件建模方法中,存在着缺少一种基于人工数据生成进一步进行半导体电性能预测的方法的技术问题,本方案创造性地采用基于深度神经网络结合人工数据和原始数据的方法,进行半导体器件电性能预测,提升了半导体器件建模的整体可用性,优化了电性能预测的准确性。
本发明采取的技术方案如下:本发明提供的一种基于人工智能的半导体器件建模方法,该方法包括以下步骤:
步骤S1:数据提取;
步骤S2:数据优化;
步骤S3:人工数据生成;
步骤S4:建模预测;
步骤S5:半导体器件建模。
进一步地,在步骤S1中,所述数据提取,用于提取半导体器件建模所需的特征数据,具体为从氮化镓半导体器件实验数据中,通过数据采集和特征提取,得到半导体器件建模原始数据,所述半导体器件建模原始数据,包括数值原始数据、文本原始数据和特征信息数据。
进一步地,在步骤S2中,所述数据优化,用于对原始数据进行过滤筛选和基本预处理,具体为对半导体器件建模原始数据进行数据优化,所述数据优化,包括数据清洗操作、非数值数据向量化操作和数值数据标准化操作,得到半导体器件建模优化数据;
所述对半导体器件建模原始数据进行数据优化的步骤,包括:
步骤S21:数据清洗,用于过滤实验原始数据,具体为检测所述半导体器件建模原始数据中的特征信息数据,若检测到数据空缺,则删除空缺所在的特征信息向量,得到数据过滤特征信息数据,所述数据清洗的计算公式为:
;
式中,Dclean是数据过滤特征信息数据,Di是不存在数据空缺的特征信息向量数据,D是所述半导体器件建模原始数据中的特征信息数据,Dj是存在数据空缺的特征信息向量数据;
步骤S22:非数值数据向量化,用于将非数值数据转换为数值向量格式,具体为采用one-hot编码方法,将所述半导体器件建模原始数据中的文本原始数据转化为数值向量,得到向量化数据;
步骤S23:数值数据标准化,用于对数值数据进行标准化,具体为采用Z分数对所述半导体器件建模原始数据中的数值原始数据进行数据标准化,得到标准化数据,所述数值数据标准化中,Z分数的计算公式为:
;
式中,Zscore是所述数值原始数据的Z分数,用于表示数值数据的标准化数据,X是所述数值原始数据,是所述数值原始数据X的数学期望,/>是所述数值原始数据X的标准差;
步骤S24:数据优化,具体为通过所述数据清洗、所述非数值数据向量化和所述数值数据标准化,得到半导体器件建模优化数据,所述半导体器件建模优化数据包括数据过滤特征信息数据、向量化数据和标准化数据。
进一步地,在步骤S3中,所述人工数据生成,用于学习数据集的联合概率分布并生成人工特征数据和人工数据标签,具体为基于所述半导体器件建模优化数据,采用结合K最近邻方法的变分自动编码器模型,进行人工数据生成,得到增强半导体建模数据;
所述结合K最近邻方法的变分自动编码器模型,包括变分自动编码器子块和K最近邻标签生成子块;
所述变分自动编码器子块,用于生成人工特征数据,具体包括编码器和解码器;
所述K最近邻标签生成子块,用于生成人工标签数据;
所述采用结合K最近邻方法的变分自动编码器模型,进行人工数据生成,得到增强半导体建模数据的步骤,包括:
步骤S31:构建变分自动编码器子块,包括以下步骤:
步骤S311:构建编码器,计算公式为:
;
式中,z是潜在变量,用于表示经编码器编码后得到的数据,Enc(·)是编码器函数,x是输入数据,用于表示所述半导体器件建模优化数据,是带有迭代参数/>的潜在变量z关于输入数据x的条件概率分布;
步骤S312:构建解码器,计算公式为:
;
式中,是重构数据,用于表示经解码器解码后得到的输出数据,Dec(·)是解码器函数,z是潜在变量,p(x|z)是重构数据/>关于潜在变量z的条件概率分布;
步骤S313:构建特征数据生成目标函数,计算公式为:
;
式中,p(x)是特征数据生成目标函数,用于表示所述生成人工特征数据的目标是将所述特征数据生成目标函数p(x)得到的概率最大化,x是输入数据,n是输入数据x中的总样本数,a是输入数据样本索引,是对应第a个输入数据样本的生成数据xa在给定潜在变量z的条件下的概率分布,p(z)是编码后的潜在表示的概率分布;
步骤S314:构建相对熵散度差异指标函数,用于构建迭代条件函数,计算公式为:
;
式中,KL(·)是相对熵散度差异指标函数,用于表示潜在分布和数据分布之间的差异,E[·]是期望值计算函数,是带有迭代参数/>的潜在变量z关于输入数据x的条件概率分布,p(x|z)是重构数据/>关于潜在变量z的条件概率分布,p(z)是编码后的潜在表示的概率分布;
步骤S315:构建迭代条件函数,用于设置迭代训练条件,计算公式为:
;
式中,EL(·)是迭代条件,是迭代参数,p(x|z)是重构数据/>关于潜在变量z的条件概率分布,KL(·)是相对熵散度差异指标函数,用于表示潜在分布和数据分布之间的差异,E[·]是期望值计算函数,/>是带有迭代参数/>的潜在变量z关于输入数据x的条件概率分布;
步骤S316:构建迭代训练条件,计算公式为:
;
式中,是迭代训练条件,用于表示当/>取最大值时,终止训练,argmax是求最大值运算符,/>是迭代参数,EL(·)是迭代条件,n是输入数据x中的总样本数,a是输入数据样本索引,/>是对应第a个输入数据样本的迭代条件计算值;
步骤S317:变分自动编码器子块模型训练,具体为依据所述迭代训练条件进行变分自动编码器子块迭代训练,得到人工特征数据生成子块,并构建得到所述变分自动编码器子块;
步骤S32:构建K最近邻标签生成子块,包括以下步骤:
步骤S321:特征距离计算,具体为计算人工特征和真实数据特征之间的欧氏距离,计算公式为:
;
式中,d(·,·)是欧氏距离计算函数,是人工特征数据,/>是真实特征数据,/>是人工特征数据索引,/>是真实数据索引,M是所述真实特征数据/>的总维度,k是维度索引,/>是第k个维度的人工特征数据,/>是第k个维度的真实特征数据;
步骤S322:人工特征计算,具体为采用K最近邻算法,计算人工特征输出,计算公式为:
;
式中,是第/>个人工特征数据的生成人工特征,S是距离人工特征数据/>最近的真实特征总数,r是距离人工特征数据/>最近的真实特征索引,d(·,·)是欧氏距离计算函数,/>是人工特征数据,yr是距离人工特征数据/>最近的真实输出值,xr是第r个距离人工特征数据/>最近的真实数据;
步骤S323:人工标签生成,具体为通过所述特征距离计算和所述人工特征计算,训练生成器评估人工特征数据的最近邻真实标签,生成得到人工标签数据;
步骤S324:标签生成子块模型训练,具体为通过所述人工标签生成,进行标签生成子块模型训练,得到人工标签数据生成子块,并构建得到所述K最近邻标签生成子块;
步骤S33:人工数据生成模型训练,具体为通过所述构建变分自动编码器子块和所述构建K最近邻标签生成子块,进行模型训练,得到人工数据生成模型ModelDG;
步骤S34:人工数据生成,具体为采用所述人工数据生成模型ModelDG,依据所述半导体器件建模优化数据进行人工数据生成,得到增强半导体建模数据。
进一步地,在步骤S4中,所述建模预测,用于建立半导体器件电性能预测模型,具体为基于所述半导体器件建模优化数据和所述增强半导体建模数据,采用深度神经网络的方法进行半导体器件电性能建模预测,得到半导体器件电性能预测数据;
所述深度神经网络,包括输入层、隐藏层和输出层;
所述输入层,用于接收真实数据特征和生成数据特征的数据输入;
所述隐藏层,用于提取分类预测特征并进行特征组合,进行电性能预测;
所述输出层,用于输出半导体器件的电性能预测结果;
所述采用深度神经网络的方法进行半导体器件电性能建模预测,得到半导体器件电性能预测数据的步骤,包括:
步骤S41:构建输入层,具体为通过将所述半导体器件建模优化数据作为真实数据输入样本,并将所述增强半导体建模数据作为生成数据输入样本,将所述真实数据输入样本和所述生成数据输入样本组合,得到输入数据样本,构建所述输入层;
步骤S42:构建隐藏层,具体为构建双层隐藏层结构进行复杂特征提取,所述构建隐藏层的计算公式为:
;
式中,y是预测输出向量,是非线性激活函数,H是隐藏层输出向量,whidden是隐藏层权重,bhidden是隐藏层偏置项,Xinput是输入数据样本,winput是输入层权重,binput是输入层偏置项;
步骤S43:构建输出层,具体为采用单神经元结构构建所述输出层,并将所述预测输出向量y作为电性能预测结果输出;
步骤S44:电性能预测模型训练,具体为通过所述构建输入层、所述构建隐藏层和所述构建输出层,进行电性能预测模型训练,得到电性能预测模型ModelEP;
步骤S45:电性能预测,具体为采用所述电性能预测模型ModelEP,依据所述半导体器件建模优化数据和所述增强半导体建模数据,进行半导体器件电性能预测,得到半导体电性能预测数据。
进一步地,在步骤S5中,所述半导体器件建模,用于建构半导体器件整体电性能预测模型,具体为通过所述数据提取、所述数据优化、所述人工数据生成和所述建模预测,建构得到半导体器件人工智能模型。
本发明提供的一种基于人工智能的半导体器件建模系统,包括数据提取模块、数据优化模块、人工数据生成模块、建模预测模块和半导体器件建模模块;
所述数据提取模块,用于数据提取,通过数据提取,得到半导体器件建模原始数据,并将所述半导体器件建模原始数据发送至数据优化模块;
所述数据优化模块,用于数据优化,通过数据优化,得到半导体器件建模优化数据,并将所述半导体器件建模优化数据发送至人工数据生成模块和建模预测模块;
所述人工数据生成模块,用于人工数据生成,通过人工数据生成,得到增强半导体建模数据,并将所述增强半导体建模数据发送至建模预测模块;
所述建模预测模块,用于建模预测,通过建模预测,得到半导体电性能预测数据,并将所述半导体电性能预测数据发送至半导体器件建模模块;
所述半导体器件建模模块,用于半导体期间建模,通过所述数据提取、所述数据优化、所述人工数据生成和所述建模预测,建构得到半导体器件人工智能模型。
采用上述方案本发明取得的有益效果如下:
(1)针对现有的半导体器件建模方法中,存在着半导体器件实验数据的数据质量良莠不齐,有影响后续数据处理和建模任务精确性的风险的技术问题,本方案创造性地采用数据清洗、非数值数据向量化和数值数据标准化地方法进行数据优化,为半导体器件建模提供了良好的数据基础;
(2)针对现有的半导体器件建模方法中,存在着半导体器件数据规模较小,无法满足半导体器件建模所需的数据需求的技术问题,本方案创造性地采用结合K最近邻方法的变分自动编码器模型进行人工数据生成,满足了半导体器件建模所需的数据规模要求,提升了后续分类预测任务的整体准确性;
(3)针对现有的半导体器件建模方法中,存在着缺少一种基于人工数据生成进一步进行半导体电性能预测的方法的技术问题,本方案创造性地采用基于深度神经网络结合人工数据和原始数据的方法,进行半导体器件电性能预测,提升了半导体器件建模的整体可用性,优化了电性能预测的准确性。
附图说明
图1为本发明提供的一种基于人工智能的半导体器件建模方法的流程示意图;
图2为本发明提供的一种基于人工智能的半导体器件建模系统的示意图;
图3为步骤S2数据优化的流程示意图;
图4为步骤S3人工数据生成的流程示意图;
图5为步骤S31构建变分自动编码器子块的流程示意图;
图6为步骤S4建模预测的流程示意图。
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
具体实施方式
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,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例一,参阅图1,本发明提供的一种基于人工智能的半导体器件建模方法,该方法包括以下步骤:
步骤S1:数据提取;
步骤S2:数据优化;
步骤S3:人工数据生成;
步骤S4:建模预测;
步骤S5:半导体器件建模。
实施例二,参阅图1和图2,在步骤S1中,所述数据提取,用于提取半导体器件建模所需的特征数据,具体为从氮化镓半导体器件实验数据中,通过数据采集和特征提取,得到半导体器件建模原始数据,所述半导体器件建模原始数据,包括数值原始数据、文本原始数据和特征信息数据。
实施例三,参阅图1、图2和图3,该实施例基于上述实施例,在步骤S2中,所述数据优化,用于对原始数据进行过滤筛选和基本预处理,具体为对半导体器件建模原始数据进行数据优化,所述数据优化,包括数据清洗操作、非数值数据向量化操作和数值数据标准化操作,得到半导体器件建模优化数据;
所述对半导体器件建模原始数据进行数据优化的步骤,包括:
步骤S21:数据清洗,用于过滤实验原始数据,具体为检测所述半导体器件建模原始数据中的特征信息数据,若检测到数据空缺,则删除空缺所在的特征信息向量,得到数据过滤特征信息数据,所述数据清洗的计算公式为:
;
式中,Dclean是数据过滤特征信息数据,Di是不存在数据空缺的特征信息向量数据,D是所述半导体器件建模原始数据中的特征信息数据,Dj是存在数据空缺的特征信息向量数据;
步骤S22:非数值数据向量化,用于将非数值数据转换为数值向量格式,具体为采用one-hot编码方法,将所述半导体器件建模原始数据中的文本原始数据转化为数值向量,得到向量化数据;
步骤S23:数值数据标准化,用于对数值数据进行标准化,具体为采用Z分数对所述半导体器件建模原始数据中的数值原始数据进行数据标准化,得到标准化数据,所述数值数据标准化中,Z分数的计算公式为:
;
式中,Zscore是所述数值原始数据的Z分数,用于表示数值数据的标准化数据,X是所述数值原始数据,是所述数值原始数据X的数学期望,/>是所述数值原始数据X的标准差;
步骤S24:数据优化,具体为通过所述数据清洗、所述非数值数据向量化和所述数值数据标准化,得到半导体器件建模优化数据,所述半导体器件建模优化数据包括数据过滤特征信息数据、向量化数据和标准化数据。
通过执行上述操作,针对现有的半导体器件建模方法中,存在着半导体器件实验数据的数据质量良莠不齐,有影响后续数据处理和建模任务精确性的风险的技术问题,本方案创造性地采用数据清洗、非数值数据向量化和数值数据标准化地方法进行数据优化,为半导体器件建模提供了良好的数据基础。
实施例四,参阅图1、图2、图4和图5,该实施例基于上述实施例,在步骤S3中,所述人工数据生成,用于学习数据集的联合概率分布并生成人工特征数据和人工数据标签,具体为基于所述半导体器件建模优化数据,采用结合K最近邻方法的变分自动编码器模型,进行人工数据生成,得到增强半导体建模数据;
所述结合K最近邻方法的变分自动编码器模型,包括变分自动编码器子块和K最近邻标签生成子块;
所述变分自动编码器子块,用于生成人工特征数据,具体包括编码器和解码器;
所述K最近邻标签生成子块,用于生成人工标签数据;
所述采用结合K最近邻方法的变分自动编码器模型,进行人工数据生成,得到增强半导体建模数据的步骤,包括:
步骤S31:构建变分自动编码器子块,包括以下步骤:
步骤S311:构建编码器,计算公式为:
;
式中,z是潜在变量,用于表示经编码器编码后得到的数据,Enc(·)是编码器函数,x是输入数据,用于表示所述半导体器件建模优化数据,是带有迭代参数/>的潜在变量z关于输入数据x的条件概率分布;
步骤S312:构建解码器,计算公式为:
;
式中,是重构数据,用于表示经解码器解码后得到的输出数据,Dec(·)是解码器函数,z是潜在变量,p(x|z)是重构数据/>关于潜在变量z的条件概率分布;
步骤S313:构建特征数据生成目标函数,计算公式为:
;
式中,p(x)是特征数据生成目标函数,用于表示所述生成人工特征数据的目标是将所述特征数据生成目标函数p(x)得到的概率最大化,x是输入数据,n是输入数据x中的总样本数,a是输入数据样本索引,是对应第a个输入数据样本的生成数据xa在给定潜在变量z的条件下的概率分布,p(z)是编码后的潜在表示的概率分布;
步骤S314:构建相对熵散度差异指标函数,用于构建迭代条件函数,计算公式为:
;
式中,KL(·)是相对熵散度差异指标函数,用于表示潜在分布和数据分布之间的差异,E[·]是期望值计算函数,是带有迭代参数/>的潜在变量z关于输入数据x的条件概率分布,p(x|z)是重构数据/>关于潜在变量z的条件概率分布,p(z)是编码后的潜在表示的概率分布;
步骤S315:构建迭代条件函数,用于设置迭代训练条件,计算公式为:
;
式中,EL(·)是迭代条件,是迭代参数,p(x|z)是重构数据/>关于潜在变量z的条件概率分布,KL(·)是相对熵散度差异指标函数,用于表示潜在分布和数据分布之间的差异,E[·]是期望值计算函数,/>是带有迭代参数/>的潜在变量z关于输入数据x的条件概率分布;
步骤S316:构建迭代训练条件,计算公式为:
;
式中,是迭代训练条件,用于表示当/>取最大值时,终止训练,argmax是求最大值运算符,/>是迭代参数,EL(·)是迭代条件,n是输入数据x中的总样本数,a是输入数据样本索引,/>是对应第a个输入数据样本的迭代条件计算值;
步骤S317:变分自动编码器子块模型训练,具体为依据所述迭代训练条件进行变分自动编码器子块迭代训练,得到人工特征数据生成子块,并构建得到所述变分自动编码器子块;
步骤S32:构建K最近邻标签生成子块,包括以下步骤:
步骤S321:特征距离计算,具体为计算人工特征和真实数据特征之间的欧氏距离,计算公式为:
;
式中,d(·,·)是欧氏距离计算函数,是人工特征数据,/>是真实特征数据,/>是人工特征数据索引,/>是真实数据索引,M是所述真实特征数据/>的总维度,k是维度索引,/>是第k个维度的人工特征数据,/>是第k个维度的真实特征数据;
步骤S322:人工特征计算,具体为采用K最近邻算法,计算人工特征输出,计算公式为:
;
式中,是第/>个人工特征数据的生成人工特征,S是距离人工特征数据/>最近的真实特征总数,r是距离人工特征数据/>最近的真实特征索引,d(·,·)是欧氏距离计算函数,/>是人工特征数据,yr是距离人工特征数据/>最近的真实输出值,xr是第r个距离人工特征数据/>最近的真实数据;
步骤S323:人工标签生成,具体为通过所述特征距离计算和所述人工特征计算,训练生成器评估人工特征数据的最近邻真实标签,生成得到人工标签数据;
步骤S324:标签生成子块模型训练,具体为通过所述人工标签生成,进行标签生成子块模型训练,得到人工标签数据生成子块,并构建得到所述K最近邻标签生成子块;
步骤S33:人工数据生成模型训练,具体为通过所述构建变分自动编码器子块和所述构建K最近邻标签生成子块,进行模型训练,得到人工数据生成模型ModelDG;
步骤S34:人工数据生成,具体为采用所述人工数据生成模型ModelDG,依据所述半导体器件建模优化数据进行人工数据生成,得到增强半导体建模数据。
通过执行上述操作,针对现有的半导体器件建模方法中,存在着半导体器件数据规模较小,无法满足半导体器件建模所需的数据需求的技术问题,本方案创造性地采用结合K最近邻方法的变分自动编码器模型进行人工数据生成,满足了半导体器件建模所需的数据规模要求,提升了后续分类预测任务的整体准确性。
实施例五,参阅图1、图2和图6,该实施例基于上述实施例,在步骤S4中,所述建模预测,用于建立半导体器件电性能预测模型,具体为基于所述半导体器件建模优化数据和所述增强半导体建模数据,采用深度神经网络的方法进行半导体器件电性能建模预测,得到半导体器件电性能预测数据;
所述深度神经网络,包括输入层、隐藏层和输出层;
所述输入层,用于接收真实数据特征和生成数据特征的数据输入;
所述隐藏层,用于提取分类预测特征并进行特征组合,进行电性能预测;
所述输出层,用于输出半导体器件的电性能预测结果;
所述采用深度神经网络的方法进行半导体器件电性能建模预测,得到半导体器件电性能预测数据的步骤,包括:
步骤S41:构建输入层,具体为通过将所述半导体器件建模优化数据作为真实数据输入样本,并将所述增强半导体建模数据作为生成数据输入样本,将所述真实数据输入样本和所述生成数据输入样本组合,得到输入数据样本,构建所述输入层;
步骤S42:构建隐藏层,具体为构建双层隐藏层结构进行复杂特征提取,所述构建隐藏层的计算公式为:
;
式中,y是预测输出向量,是非线性激活函数,H是隐藏层输出向量,whidden是隐藏层权重,bhidden是隐藏层偏置项,Xinput是输入数据样本,winput是输入层权重,binput是输入层偏置项;
步骤S43:构建输出层,具体为采用单神经元结构构建所述输出层,并将所述预测输出向量y作为电性能预测结果输出;
步骤S44:电性能预测模型训练,具体为通过所述构建输入层、所述构建隐藏层和所述构建输出层,进行电性能预测模型训练,得到电性能预测模型ModelEP;
步骤S45:电性能预测,具体为采用所述电性能预测模型ModelEP,依据所述半导体器件建模优化数据和所述增强半导体建模数据,进行半导体器件电性能预测,得到半导体电性能预测数据。
通过执行上述操作,针对现有的半导体器件建模方法中,存在着缺少一种基于人工数据生成进一步进行半导体电性能预测的方法的技术问题,本方案创造性地采用基于深度神经网络结合人工数据和原始数据的方法,进行半导体器件电性能预测,提升了半导体器件建模的整体可用性,优化了电性能预测的准确性。
实施例六,参阅图1和图2,该实施例基于上述实施例,在步骤S5中,所述半导体器件建模,用于建构半导体器件整体电性能预测模型,具体为通过所述数据提取、所述数据优化、所述人工数据生成和所述建模预测,建构得到半导体器件人工智能模型。
实施例七,参阅图1和图2,该实施例基于上述实施例,本发明提供的一种基于人工智能的半导体器件建模系统,包括数据提取模块、数据优化模块、人工数据生成模块、建模预测模块和半导体器件建模模块;
所述数据提取模块,用于数据提取,通过数据提取,得到半导体器件建模原始数据,并将所述半导体器件建模原始数据发送至数据优化模块;
所述数据优化模块,用于数据优化,通过数据优化,得到半导体器件建模优化数据,并将所述半导体器件建模优化数据发送至人工数据生成模块和建模预测模块;
所述人工数据生成模块,用于人工数据生成,通过人工数据生成,得到增强半导体建模数据,并将所述增强半导体建模数据发送至建模预测模块;
所述建模预测模块,用于建模预测,通过建模预测,得到半导体电性能预测数据,并将所述半导体电性能预测数据发送至半导体器件建模模块;
所述半导体器件建模模块,用于半导体期间建模,通过所述数据提取、所述数据优化、所述人工数据生成和所述建模预测,建构得到半导体器件人工智能模型。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (9)
1.一种基于人工智能的半导体器件建模方法,其特征在于:该方法包括以下步骤:
步骤S1:数据提取;
步骤S2:数据优化;
步骤S3:人工数据生成;
步骤S4:建模预测;
步骤S5:半导体器件建模;
在步骤S1中,所述数据提取,用于提取半导体器件建模所需的特征数据,具体为从氮化镓半导体器件实验数据中,通过数据采集和特征提取,得到半导体器件建模原始数据,所述半导体器件建模原始数据,包括数值原始数据、文本原始数据和特征信息数据;
在步骤S2中,所述数据优化,用于对原始数据进行过滤筛选和基本预处理,具体为对半导体器件建模原始数据进行数据优化,所述数据优化,包括数据清洗操作、非数值数据向量化操作和数值数据标准化操作,得到半导体器件建模优化数据;
在步骤S3中,所述人工数据生成,用于学习数据集的联合概率分布并生成人工特征数据和人工数据标签,具体为基于所述半导体器件建模优化数据,采用结合K最近邻方法的变分自动编码器模型,进行人工数据生成,得到增强半导体建模数据;
所述结合K最近邻方法的变分自动编码器模型,包括变分自动编码器子块和K最近邻标签生成子块;所述变分自动编码器子块,用于生成人工特征数据,具体包括编码器和解码器;所述K最近邻标签生成子块,用于生成人工标签数据;
在步骤S4中,所述建模预测,用于建立半导体器件电性能预测模型,具体为基于所述半导体器件建模优化数据和所述增强半导体建模数据,采用深度神经网络的方法进行半导体器件电性能建模预测,得到半导体器件电性能预测数据;
所述深度神经网络,包括输入层、隐藏层和输出层;所述输入层,用于接收真实数据特征和生成数据特征的数据输入;所述隐藏层,用于提取分类预测特征并进行特征组合,进行电性能预测;所述输出层,用于输出半导体器件的电性能预测结果;
在步骤S5中,所述半导体器件建模,用于建构半导体器件整体电性能预测模型,具体为通过所述数据提取、所述数据优化、所述人工数据生成和所述建模预测,建构得到半导体器件人工智能模型。
2.根据权利要求1所述的一种基于人工智能的半导体器件建模方法,其特征在于:所述对半导体器件建模原始数据进行数据优化的步骤,包括:
步骤S21:数据清洗,用于过滤实验原始数据,具体为检测所述半导体器件建模原始数据中的特征信息数据,若检测到数据空缺,则删除空缺所在的特征信息向量,得到数据过滤特征信息数据,所述数据清洗的计算公式为:
;
式中,Dclean是数据过滤特征信息数据,Di是不存在数据空缺的特征信息向量数据,D是所述半导体器件建模原始数据中的特征信息数据,Dj是存在数据空缺的特征信息向量数据;
步骤S22:非数值数据向量化,用于将非数值数据转换为数值向量格式,具体为采用one-hot编码方法,将所述半导体器件建模原始数据中的文本原始数据转化为数值向量,得到向量化数据;
步骤S23:数值数据标准化,用于对数值数据进行标准化,具体为采用Z分数对所述半导体器件建模原始数据中的数值原始数据进行数据标准化,得到标准化数据,所述数值数据标准化中,Z分数的计算公式为:
;
式中,Zscore是所述数值原始数据的Z分数,用于表示数值数据的标准化数据,X是所述数值原始数据,是所述数值原始数据X的数学期望,/>是所述数值原始数据X的标准差;
步骤S24:数据优化,具体为通过所述数据清洗、所述非数值数据向量化和所述数值数据标准化,得到半导体器件建模优化数据,所述半导体器件建模优化数据包括数据过滤特征信息数据、向量化数据和标准化数据。
3.根据权利要求2所述的一种基于人工智能的半导体器件建模方法,其特征在于:在步骤S3中,所述采用结合K最近邻方法的变分自动编码器模型,进行人工数据生成,得到增强半导体建模数据的步骤,包括:
步骤S31:构建变分自动编码器子块;
步骤S32:构建K最近邻标签生成子块;
步骤S33:人工数据生成模型训练;
步骤S34:人工数据生成。
4.根据权利要求3所述的一种基于人工智能的半导体器件建模方法,其特征在于:在步骤S31中,所述构建变分自动编码器子块,包括以下步骤:
步骤S311:构建编码器,计算公式为:
;
式中,z是潜在变量,用于表示经编码器编码后得到的数据,Enc(·)是编码器函数,x是输入数据,用于表示所述半导体器件建模优化数据,是带有迭代参数/>的潜在变量z关于输入数据x的条件概率分布;
步骤S312:构建解码器,计算公式为:
;
式中,是重构数据,用于表示经解码器解码后得到的输出数据,Dec(·)是解码器函数,z是潜在变量,p(x|z)是重构数据/>关于潜在变量z的条件概率分布;
步骤S313:构建特征数据生成目标函数,计算公式为:
;
式中,p(x)是特征数据生成目标函数,用于表示所述生成人工特征数据的目标是将所述特征数据生成目标函数p(x)得到的概率最大化,x是输入数据,n是输入数据x中的总样本数,a是输入数据样本索引,是对应第a个输入数据样本的生成数据xa在给定潜在变量z的条件下的概率分布,p(z)是编码后的潜在表示的概率分布;
步骤S314:构建相对熵散度差异指标函数,用于构建迭代条件函数,计算公式为:
;
式中,KL(·)是相对熵散度差异指标函数,用于表示潜在分布和数据分布之间的差异,E[·]是期望值计算函数,是带有迭代参数/>的潜在变量z关于输入数据x的条件概率分布,p(x|z)是重构数据/>关于潜在变量z的条件概率分布,p(z)是编码后的潜在表示的概率分布;
步骤S315:构建迭代条件函数,用于设置迭代训练条件,计算公式为:
;
式中,EL(·)是迭代条件,是迭代参数,p(x|z)是重构数据/>关于潜在变量z的条件概率分布,KL(·)是相对熵散度差异指标函数,用于表示潜在分布和数据分布之间的差异,E[·]是期望值计算函数,/>是带有迭代参数/>的潜在变量z关于输入数据x的条件概率分布;
步骤S316:构建迭代训练条件,计算公式为:
;
式中,是迭代训练条件,用于表示当/>取最大值时,终止训练,argmax是求最大值运算符,/>是迭代参数,EL(·)是迭代条件,n是输入数据x中的总样本数,a是输入数据样本索引,/>是对应第a个输入数据样本的迭代条件计算值;
步骤S317:变分自动编码器子块模型训练,具体为依据所述迭代训练条件进行变分自动编码器子块迭代训练,得到人工特征数据生成子块,并构建得到所述变分自动编码器子块。
5.根据权利要求4所述的一种基于人工智能的半导体器件建模方法,其特征在于:在步骤S32中,所述构建K最近邻标签生成子块,包括以下步骤:
步骤S321:特征距离计算,具体为计算人工特征和真实数据特征之间的欧氏距离,计算公式为:
;
式中,d(·,·)是欧氏距离计算函数,是人工特征数据,/>是真实特征数据,/>是人工特征数据索引,/>是真实数据索引,M是所述真实特征数据/>的总维度,k是维度索引,/>是第k个维度的人工特征数据,/>是第k个维度的真实特征数据;
步骤S322:人工特征计算,具体为采用K最近邻算法,计算人工特征输出,计算公式为:
;
式中,是第/>个人工特征数据的生成人工特征,S是距离人工特征数据/>最近的真实特征总数,r是距离人工特征数据/>最近的真实特征索引,d(·,·)是欧氏距离计算函数,是人工特征数据,yr是距离人工特征数据/>最近的真实输出值,xr是第r个距离人工特征数据/>最近的真实数据;
步骤S323:人工标签生成,具体为通过所述特征距离计算和所述人工特征计算,训练生成器评估人工特征数据的最近邻真实标签,生成得到人工标签数据;
步骤S324:标签生成子块模型训练,具体为通过所述人工标签生成,进行标签生成子块模型训练,得到人工标签数据生成子块,并构建得到所述K最近邻标签生成子块。
6.根据权利要求5所述的一种基于人工智能的半导体器件建模方法,其特征在于:在步骤S33中,所述人工数据生成模型训练,具体为通过所述构建变分自动编码器子块和所述构建K最近邻标签生成子块,进行模型训练,得到人工数据生成模型ModelDG;
在步骤S34中,所述人工数据生成,具体为采用所述人工数据生成模型ModelDG,依据所述半导体器件建模优化数据进行人工数据生成,得到增强半导体建模数据。
7.根据权利要求6所述的一种基于人工智能的半导体器件建模方法,其特征在于:在步骤S4中,所述采用深度神经网络的方法进行半导体器件电性能建模预测,得到半导体器件电性能预测数据的步骤,包括:
步骤S41:构建输入层,具体为通过将所述半导体器件建模优化数据作为真实数据输入样本,并将所述增强半导体建模数据作为生成数据输入样本,将所述真实数据输入样本和所述生成数据输入样本组合,得到输入数据样本,构建所述输入层;
步骤S42:构建隐藏层,具体为构建双层隐藏层结构进行复杂特征提取,所述构建隐藏层的计算公式为:
;
式中,y是预测输出向量,是非线性激活函数,H是隐藏层输出向量,whidden是隐藏层权重,bhidden是隐藏层偏置项,Xinput是输入数据样本,winput是输入层权重,binput是输入层偏置项;
步骤S43:构建输出层,具体为采用单神经元结构构建所述输出层,并将所述预测输出向量y作为电性能预测结果输出;
步骤S44:电性能预测模型训练,具体为通过所述构建输入层、所述构建隐藏层和所述构建输出层,进行电性能预测模型训练,得到电性能预测模型ModelEP;
步骤S45:电性能预测,具体为采用所述电性能预测模型ModelEP,依据所述半导体器件建模优化数据和所述增强半导体建模数据,进行半导体器件电性能预测,得到半导体电性能预测数据。
8.一种基于人工智能的半导体器件建模系统,用于实现如权利要求1-7中任一项所述的一种基于人工智能的半导体器件建模方法,其特征在于:包括数据提取模块、数据优化模块、人工数据生成模块、建模预测模块和半导体器件建模模块。
9.根据权利要求8所述的一种基于人工智能的半导体器件建模系统,其特征在于:所述数据提取模块,用于数据提取,通过数据提取,得到半导体器件建模原始数据,并将所述半导体器件建模原始数据发送至数据优化模块;
所述数据优化模块,用于数据优化,通过数据优化,得到半导体器件建模优化数据,并将所述半导体器件建模优化数据发送至人工数据生成模块和建模预测模块;
所述人工数据生成模块,用于人工数据生成,通过人工数据生成,得到增强半导体建模数据,并将所述增强半导体建模数据发送至建模预测模块;
所述建模预测模块,用于建模预测,通过建模预测,得到半导体电性能预测数据,并将所述半导体电性能预测数据发送至半导体器件建模模块;
所述半导体器件建模模块,用于半导体期间建模,通过所述数据提取、所述数据优化、所述人工数据生成和所述建模预测,建构得到半导体器件人工智能模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410124849.3A CN117648890B (zh) | 2024-01-30 | 2024-01-30 | 一种基于人工智能的半导体器件建模方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410124849.3A CN117648890B (zh) | 2024-01-30 | 2024-01-30 | 一种基于人工智能的半导体器件建模方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117648890A CN117648890A (zh) | 2024-03-05 |
CN117648890B true CN117648890B (zh) | 2024-04-02 |
Family
ID=90048165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410124849.3A Active CN117648890B (zh) | 2024-01-30 | 2024-01-30 | 一种基于人工智能的半导体器件建模方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117648890B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366371A (zh) * | 2013-06-25 | 2013-10-23 | 西安电子科技大学 | 基于k分布和纹理特征的sar图像分割方法 |
CN106154180A (zh) * | 2016-08-18 | 2016-11-23 | 中国科学院自动化研究所 | 储能电池充/放电异常行为检测方法及检测系统 |
CN117313620A (zh) * | 2023-10-17 | 2023-12-29 | 华南理工大学 | 一种基于多任务深度学习符号回归的dtco公式建模方法 |
-
2024
- 2024-01-30 CN CN202410124849.3A patent/CN117648890B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366371A (zh) * | 2013-06-25 | 2013-10-23 | 西安电子科技大学 | 基于k分布和纹理特征的sar图像分割方法 |
CN106154180A (zh) * | 2016-08-18 | 2016-11-23 | 中国科学院自动化研究所 | 储能电池充/放电异常行为检测方法及检测系统 |
CN117313620A (zh) * | 2023-10-17 | 2023-12-29 | 华南理工大学 | 一种基于多任务深度学习符号回归的dtco公式建模方法 |
Non-Patent Citations (1)
Title |
---|
基于 的变截面压电半导体纤维力学特性研究;吴文锐等;压电与声光;20231031;第45卷(第5期);第686-693 * |
Also Published As
Publication number | Publication date |
---|---|
CN117648890A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111899254A (zh) | 基于半监督学习自动标注工业产品外观缺陷图像的方法 | |
CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
CN108647226B (zh) | 一种基于变分自动编码器的混合推荐方法 | |
CN109063164A (zh) | 一种基于深度学习的智能问答方法 | |
CN114898121B (zh) | 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法 | |
CN116910633B (zh) | 一种基于多模态知识混合推理的电网故障预测方法 | |
Li et al. | Deep spatio-temporal wind power forecasting | |
CN117096867A (zh) | 一种短期电力负荷预测方法、装置、系统及存储介质 | |
CN115906857A (zh) | 一种基于词汇增强的中医文本命名实体识别方法 | |
CN113920379B (zh) | 一种基于知识辅助的零样本图像分类方法 | |
CN110298046B (zh) | 一种翻译模型训练方法、文本翻译方法及相关装置 | |
CN117648890B (zh) | 一种基于人工智能的半导体器件建模方法及系统 | |
CN117036760A (zh) | 一种基于图对比学习的多视图聚类模型实现方法 | |
CN116521863A (zh) | 一种基于半监督学习的标签抗噪文本分类方法 | |
CN116012687A (zh) | 一种用于轮对踏面缺陷识别的图像交互融合方法 | |
CN115600656A (zh) | 一种基于分段策略与多成分分解算法的多元时间序列预测方法 | |
CN112712855B (zh) | 一种基于联合训练的含缺失值基因微阵列的聚类方法 | |
CN115270917A (zh) | 一种两阶段处理多模态服装图像生成方法 | |
CN112699271A (zh) | 一种提升用户在视频网站留存时间的视频推荐系统方法 | |
CN108921911A (zh) | 结构化图片自动转换为源代码的方法 | |
CN116610080B (zh) | 休闲椅的智能生产方法及其控制系统 | |
CN116450830B (zh) | 一种基于大数据的智慧校园推送方法及系统 | |
CN116681428B (zh) | 电子设备的智能回收管理系统及方法 | |
CN110879833B (zh) | 一种基于轻量级循环单元lru的文本预测方法 | |
CN117975174B (zh) | 一种基于改进vqgan的三维数字岩心重构方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |