CN117828888A - 基于物理参数降维的高效率半导体器件仿真方法及系统 - Google Patents
基于物理参数降维的高效率半导体器件仿真方法及系统 Download PDFInfo
- Publication number
- CN117828888A CN117828888A CN202410030200.5A CN202410030200A CN117828888A CN 117828888 A CN117828888 A CN 117828888A CN 202410030200 A CN202410030200 A CN 202410030200A CN 117828888 A CN117828888 A CN 117828888A
- Authority
- CN
- China
- Prior art keywords
- parameter
- simulation
- current
- drain
- key physical
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 128
- 239000004065 semiconductor Substances 0.000 title claims abstract description 59
- 230000009467 reduction Effects 0.000 title claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 74
- INQLNSVYIFCUML-QZTLEVGFSA-N [[(2r,3s,4r,5r)-5-(6-aminopurin-9-yl)-3,4-dihydroxyoxolan-2-yl]methoxy-hydroxyphosphoryl] [(2r,3s,4r,5r)-5-(4-carbamoyl-1,3-thiazol-2-yl)-3,4-dihydroxyoxolan-2-yl]methyl hydrogen phosphate Chemical compound NC(=O)C1=CSC([C@H]2[C@@H]([C@H](O)[C@@H](COP(O)(=O)OP(O)(=O)OC[C@@H]3[C@H]([C@@H](O)[C@@H](O3)N3C4=NC=NC(N)=C4N=C3)O)O2)O)=N1 INQLNSVYIFCUML-QZTLEVGFSA-N 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000010606 normalization Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000005669 field effect Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 229910044991 metal oxide Inorganic materials 0.000 claims description 10
- 150000004706 metal oxides Chemical class 0.000 claims description 10
- 230000007547 defect Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 78
- 238000012549 training Methods 0.000 abstract description 28
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000013461 design Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002060 nanoflake Substances 0.000 description 1
- 239000002064 nanoplatelet Substances 0.000 description 1
- 239000002070 nanowire Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011165 process development Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Landscapes
- Insulated Gate Type Field-Effect Transistor (AREA)
Abstract
本发明属于半导体器件仿真技术领域，公开了一种基于物理参数降维的高效率半导体器件仿真方法及系统，TCAD仿真数据获取，对MOSFET进行电流‑电压特性仿真；数据归一化处理，对工艺参数进行归一化处理，优化输入数据；关键物理参数提取，从仿真数据中提取关键参数；工艺参数‑关键物理参数ANN模型构建，利用归一化参数和偏置电压训练人工神经网络(ANN)，输出关键物理参数；关键物理参数‑电流ANN模型构建，构建基于关键物理参数的ANN模型，预测MOSFET的漏源电流。本发明提供了一种基于物理参数的非线性降维方法，大幅降低训练时间，加速工艺参数优化效率。
Description
技术领域
本发明属于半导体器件仿真技术领域，尤其涉及一种基于物理参数降维的高效率半导体器件仿真方法及系统。
背景技术
在半导体新工艺开发和旧工艺维护升级中，半导体工艺模拟以及器件模拟工具(Technology Computer Aided Design,TCAD)在工艺参数优化中发挥着非常重要的作用。不同于传统基于等效电路模型的半导体器件仿真，TCAD主要依托各类半导体器件物理方程的数值求解，能够保证仿真模型及其计算结果的物理意义。然而，实际仿真计算中，复杂半导体超越方程的联立数值求解速度缓慢，导致基于TCAD的参数迭代优化非常耗时。因此，探索高物理信息保真的高效率半导体器件仿真方法，成为了国内外半导体器件仿真模拟技术领域的研究热点。
近年来新兴的基于机器学习的半导体器件仿真技术，具备仿真效率和精度两个方面的优势，成为了替代基于TCAD的器件仿真方法的理想解决方案。多种机器学习算法已被提出用于尝试代替TCAD仿真。2019年H.Carrillo-等人将机器学习技术用于无结型纳米线场效应晶体管的仿真，通过TCAD仿真生成多组不同离散掺杂情况下的电流曲线，并借助多层神经网络建立关键电学参数与阈值电压的映射关系，该方法实现了不同掺杂条件下阈值电压特性变化的准确预测。2021年C.Akbar等人提出了一种机器学习(ML)辅助的三维多通道栅极全硅纳米片MOSFET功函数波动器件模拟方法。基于330种不同工艺参数组合下的TCAD仿真数据，采用随机森林回归器算法建立的模型可用于准确预测ID–VG曲线，并表现出与器件仿真相同的精度。同年，K.Mehta等人展示了机器学习算法预测FinFET电流-电压和电容-电压曲线的性，利用有限的TCAD仿真得到的训练数据(25-50组)，通过自编码算法预测电流-电压和电容-电压曲线，并具有较高的精度。2022年，R.Butola等人提出了基于机器学习的全硅纳米片MOSFET内部参数波动建模方法，结果表明，所提出的模型预测的输出具有99％的R2分数和小于1％的误差。
上述方法均采用TCAD仿真生成器件参数与其电学输出特性的映射数据集，用于人工神经网络(Artificial Neural Network，ANN)训练，进而建立TCAD代理模型。这种方法通过结合机器学习算法的预测性与器件物理仿真提升了半导体器件的仿真效率。然而，该类方法在应用于多输入工艺参数的半导体器件仿真计算场景时，仍面临单个ANN模型输入变量过多、训练数据量庞大导致ANN模型训练时间长、收敛困难等问题。因此，如何突破面向多工艺参数联合计算的ANN基器件仿真方法，是提升基于机器学习的半导体器件仿真效率的关键问题。
通过上述分析，现有技术存在的问题及缺陷为：
当前机器学习算法在应用于多输入工艺参数的半导体器件仿真时，单个ANN模型输入变量过多、训练数据量庞大导致其人工神经网络模型训练时间长。
发明内容
针对现有技术存在的问题，本发明提供了一种基于非线性降维的高效率半导体器件仿真方法及系统。
本发明是这样实现的，一种基于非线性降维的高效率半导体器件仿真方法，包括：
TCAD仿真数据获取；
数据归一化处理；
关键物理参数提取；
工艺参数-关键物理参数ANN模型构建；
关键物理参数-电流ANN模型构建。
进一步，步骤1具体为：
在TCAD软件中，对特定结构的平面金属氧化物半导体场效应晶体管(MOSFET)，在不同工艺参数组合下进行其电流-电压特性仿真计算，得到漏-源电流和漏-源电压关系曲线Ids-Vds以及漏-源电流和栅-源电压关系曲线Ids-Vgs，其中涉及的工艺参数包括P型阱掺杂浓度Pdep，栅氧化层厚度tox，表面缺陷浓度Cit，栅长Lg，电子迁移率u0，轻掺杂漏掺杂浓度Ldd。
进一步，所述步骤2具体为：
对输入参数即工艺参数进行归一化的方法，具体形式如下：
xi＝(Xi-min{Xi})/(max{Xi}-min{Xi}) (1)
其中Xi为第i个输入参数对应的数据集合，xi为归一化后的第i个输入参数对应的数据集，其中min{Xi}和max{Xi}分别代表第i个输入参数对应的数据集合中最小值和最大值。
进一步，所述步骤3具体为：
选取开态电流(Ion)，关态电流(Ioff)，阈值电压(Vth)作为关键参数，具体提取方法如下：
①Vth提取
在步骤一TCAD仿真得到的Ids-Vgs数据，将Ids对Vgs求偏导，得到器件的跨导Gm曲线，然后计算最大点对应的Vgs，记为Vg_gmmax；然后在Ids-Vgs曲线上Vg＝Vg_gmmax点的做切线与Vgs轴相交，得到交点处的Vgs，再减去0.05即为Vth；
②Ion提取
在步骤一TCAD仿真得到的Ids-Vds数据，选取Vgs＝0V，Vds＝1.2V时的漏源电流Ids作为Ion；
③Ioff提取
在步骤一TCAD仿真得到的Ids-Vds数据:选取Vgs＝1.2V，Vds＝1.2V时的漏源电流Ids作为Ioff；
其中，Vgs为输入栅极电压，Ids为漏源电流，Vdd为最大漏极电压。
进一步，所述步骤4具体为：
将步骤2得到的归一化器件工艺参数和偏置电压Vgs,Vds作为下图ANN模型的输入，步骤3得到的关键物理参数Vth/Ion/Ioff作为ANN的输出，形成工艺参数-关键物理参数子ANN模型，即式(2)：
Parai＝neti(xi) (i＝1,2,3) (2)
式中Parai为第i个关键物理参数，其中net1对应阈值电压Vth，net2对应开态电流Ion，net3对应关态电流Ioff，xi为步骤一得到的归一化后第i个输入参数对应的数据集。
进一步，所述步骤5具体为：
根据步骤4得到的工艺参数-关键物理参数ANN模型，将其输出的关键物理参数作为该步骤构建的ANN模型的输入，MOSFET的漏源电流Ids作为ANN的输出，形成关键物理参数-电流ANN模型，即式(3)：
fANN(Para,Vgs,Vds)＝Ids (3)
其中Para为关键物理参数，Vds为漏源电压，f为ANN映射关系函数。
本发明的另一目的在于提供一种基于非线性降维的高效率半导体器件仿真系统，包括：
TCAD仿真模块：配置以模拟特定结构的平面金属氧化物半导体场效应晶体管(MOSFET)的电流-电压特性，生成漏-源电流与电压关系曲线；
数据处理模块：具备归一化处理功能，对各工艺参数进行标准化处理；
关键参数提取模块：用于从仿真数据中提取开态电流(Ion)、关态电流(Ioff)和阈值电压(Vth)；
ANN建模模块：根据归一化的工艺参数和偏置电压构建工艺参数-关键物理参数子ANN模型；
电流预测模块：基于工艺参数-关键物理参数ANN模型的输出构建关键物理参数-电流ANN模型，预测MOSFET的漏源电流。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于非线性降维的高效率半导体器件仿真方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行基于非线性降维的高效率半导体器件仿真方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述基于非线性降维的高效率半导体器件仿真方法。
本发明的另一目的在于提供一种用于半导体器件仿真的系统，包括：
TCAD仿真模块，用于获取特定结构的平面金属氧化物半导体场效应晶体管(MOSFET)的电流-电压特性数据；
数据处理模块，用于对TCAD仿真数据进行归一化处理，并提取关键物理参数，如开态电流(Ion)、关态电流(Ioff)和阈值电压(Vth)；
两个ANN(人工神经网络)模型，第一个用于建立工艺参数与关键物理参数之间的关系，第二个用于将关键物理参数映射到MOSFET的漏源电流；
控制单元，用于协调各模块的工作，确保数据的准确流转和处理。
TCAD仿真模块针对MOSFET在不同工艺参数组合下进行电流-电压特性仿真，包括漏-源电流与漏-源电压、漏-源电流与栅-源电压的关系。
数据处理模块对TCAD仿真得到的数据进行归一化处理，进而提取开态电流、关态电流和阈值电压作为关键物理参数。
ANN模型构建模块包括两个子模块：第一个子模块将归一化的工艺参数和偏置电压作为输入，关键物理参数作为输出；第二个子模块以关键物理参数为输入，MOSFET的漏源电流作为输出，实现从工艺参数到电流特性的高效率仿真。
结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
第一、现有技术采用TCAD仿真生成器件参数与其电学输出特性的映射数据集，用于人工神经网络(Artificial Neural Network，ANN)训练，进而建立TCAD代理模型。然而，该类方法在应用于多输入工艺参数的半导体器件仿真计算场景时，仍面临单个ANN模型输入变量过多、训练数据量庞大导致ANN模型训练时间长、收敛困难等问题。本专利提出了一种基于物理参数的非线性降维方法，通过引入工艺参数-关键物理参数ANN模型，将工艺参数映射为关键物理参数，在此基础上建立关键物理参数-电流ANN模型，最后采用一种特定结构的平面金属氧化物半导体场效应晶体管，在TCAD软件中进行不同工艺参数组合下电流电压仿真计算，验证结果表明，相比较传统方法，本专利提出的技术方案在保持高精度的同时，大幅压缩了模型训练时间。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
提高仿真精度：通过结合TCAD仿真和先进的ANN技术，本发明显著提高了半导体器件仿真的精度。
提高仿真速度：通过采用一种基于物理参数的非线性降维方法，大幅降低模型训练时间，加速工艺参数优化效率。
提升数据处理效率：归一化处理和ANN模型的应用极大地提升了大量仿真数据的处理效率，使仿真更适用于快速设计迭代。
简化关键参数提取过程：创新的参数提取方法简化了从复杂数据中提取关键物理参数的过程，提高了操作的简便性。
广泛的应用潜力：本发明的方法不仅适用于MOSFET的仿真，还可以扩展到其他半导体器件的仿真分析中。
第三，本发明的技术方案解决了人们一直渴望解决、但始终未能获得成功的技术难题：现有技术采用TCAD仿真生成器件参数与其电学输出特性的映射数据集，用于人工神经网络训练，进而建立TCAD代理模型。然而，该类方法在应用于多输入工艺参数的半导体器件仿真计算场景时，仍面临单个ANN模型输入变量过多、训练数据量庞大导致ANN模型训练时间长、收敛困难等问题。本专利提供了一种基于物理参数的非线性降维方法，大幅降低训练时间，加速工艺参数优化效率。
附图说明
图1是本发明实施例提供的基于非线性降维的高效率半导体器件仿真方法流程图。
图2是本发明实施例提供的Vth计算示意图。
图3是本发明实施例提供的输入工艺参数-关键物理参数的子ANN模型示意图。
图4是本发明实施例提供的关键物理参数-电流ANN模型示意图。
图5是本发明实施例提供的模型预测结果与TCAD仿真电流输出特性和转移特性对比(星号为TCAD仿真数据，圆圈为ANN模型预测结果)。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下是针对“基于非线性降维的高效率半导体器件仿真方法”的4个具体实施例及其实现方案：
实施例1：优化晶体管设计的半导体仿真
1)TCAD仿真：
在TCAD软件中对不同工艺参数组合的MOSFET进行电流-电压特性仿真。
获取漏-源电流和漏-源电压关系(Ids-Vds)以及漏-源电流和栅-源电压关系(Ids-Vgs)的数据。
2)数据处理与关键物理参数提取：
对仿真数据进行归一化处理。
提取关键物理参数，包括开态电流(Ion)、关态电流(Ioff)、阈值电压(Vth)。
3)ANN模型构建与训练：
构建两个ANN模型：一个用于关联工艺参数与关键物理参数，另一个用于将关键物理参数映射到漏源电流。
通过大量仿真数据训练ANN模型。
4)仿真结果应用：
使用训练好的ANN模型对新的工艺参数组合进行快速仿真，预测其电流-电压特性。
应用这些结果优化MOSFET设计，以提高性能或降低功耗。
实施例2：新型半导体材料的器件仿真
1)TCAD仿真与数据获取：
对基于新型半导体材料(如GaN、SiC等)的MOSFET在TCAD软件中进行仿真。
获取不同工艺参数下的电流-电压特性数据。
2)数据处理与参数提取：
将仿真数据进行归一化处理。
从数据中提取关键物理参数，如Ion、Ioff和Vth。
3)ANN模型的构建与应用：
基于提取的关键物理参数构建ANN模型。
利用模型快速预测新材料器件的性能。
4)仿真结果分析：
分析仿真结果，评估新材料在不同工艺参数下的性能表现。
根据仿真结果调整器件设计，以实现更高效的性能。
实施例3：新型金属氧化物半导体场效应晶体管(MOSFET)设备设计
半导体工艺模拟以及器件模拟工具(TCAD)仿真数据获取：利用TCAD软件对新型MOSFET结构在不同工艺参数下进行电流-电压特性仿真，获取漏-源电流和电压关系数据。
数据归一化处理：对仿真得到的工艺参数数据进行归一化处理，以消除不同参数之间的数量级差异。
关键物理参数提取：从归一化后的仿真数据中提取开态电流(Ion)、关态电流(Ioff)和阈值电压(Vth)等关键参数。
人工神经网络(ANN)模型构建：构建工艺参数-关键物理参数的ANN模型，用于预测不同工艺条件下的关键物理参数。
电流预测模型：利用关键物理参数-电流的ANN模型进一步预测在不同工艺条件下的漏源电流。
设计优化：通过模型预测结果，指导新型MOSFET的设计，优化其性能和可靠性。
实施例4：半导体器件的快速性能评估
TCAD仿真：对多种不同结构的半导体器件进行TCAD仿真，获取各种工艺参数下的电流-电压特性数据。
数据标准化：对所有仿真数据进行归一化处理，确保输入数据的一致性和比较的有效性。
自动化参数提取：自动提取关键物理参数，如Ion、Ioff和Vth，从复杂的仿真数据中快速获取核心信息。
ANN模型应用：使用预训练的ANN模型根据归一化的工艺参数预测器件的关键物理特性。
性能预测和分析：基于预测的关键物理参数，评估不同设计方案的性能，加速器件设计选择过程。
结果应用：利用模型预测的结果进行性能对比分析，快速筛选出最优的器件设计方案。
本发明主要针对以下现有技术的问题和缺陷进行改进，实现显著的技术进步：
仿真精度不足：传统半导体器件仿真方法在处理复杂的电流-电压关系时，往往无法达到高精度，尤其是在考虑多个工艺参数影响时。
数据处理效率低：现有技术在处理和分析大量仿真数据时效率较低，限制了其在快速迭代设计中的应用。
关键物理参数提取困难：在传统方法中，从复杂数据中提取关键物理参数(如Ion、Ioff、Vth)通常是困难且耗时的过程。
针对现有技术存在的问题，本发明采用的技术方案为：
TCAD仿真与数据处理：通过TCAD软件进行详细的电流-电压特性仿真，并对多种工艺参数进行综合考量，获取高质量的仿真数据。
数据归一化处理：对仿真得到的工艺参数数据进行归一化处理，解决了输入参数数量级差异大的问题，优化了后续的神经网络训练。
高效的关键物理参数提取方法：采用创新的方法从仿真数据中准确快速地提取Ion、Ioff、Vth等关键参数。
ANN模型的构建与应用：构建并训练两个ANN模型，一个用于将归一化工艺参数转化为关键物理参数，另一个用于基于关键物理参数预测漏源电流，大大提高了仿真的效率和准确性。
如图1所示，本发明提供一种基于非线性降维的高效率半导体器件仿真方法包括以下步骤：
S101，TCAD仿真数据获取；
S102，数据归一化处理；
S103，关键物理参数提取；
S104，工艺参数-关键物理参数ANN模型构建；
S105，关键物理参数-电流ANN模型构建。
步骤1：TCAD仿真数据获取
在TCAD软件中，对特定结构的平面金属氧化物半导体场效应晶体管(MOSFET)，在不同工艺参数组合下进行其电流-电压特性仿真计算，得到漏-源电流和漏-源电压关系曲线Ids-Vds以及漏-源电流和栅-源电压关系曲线Ids-Vgs，其中涉及的工艺参数包括P型阱掺杂浓度Pdep，栅氧化层厚度tox，表面缺陷浓度Cit，栅长Lg，电子迁移率u0，轻掺杂漏掺杂浓度Ldd。仿真计算中，栅-源偏置电压Vgs的扫描范围为0-1.2V，步进为0.1V，漏源偏置电压Vds的扫描范围为0-1.2V，步进0.05V。
步骤2：数据归一化处理
不同工艺参数(如平面MOSFET掺杂浓度，栅氧化层厚度)数量级相差较大，若直接作为人工神经网络模型输入进行训练，将导致训练得到的神经网络模型忽略数量级小的参数影响，对此，本发明采用对输入参数即工艺参数进行归一化的方法，具体形式如下：
xi＝(Xi-min{Xi})/(max{Xi}-min{Xi}) (1)
其中Xi为第i个输入参数对应的数据集合，xi为归一化后的第i个输入参数对应的数据集，其中min{Xi}和max{Xi}分别代表第i个输入参数对应的数据集合中最小值和最大值。
此外对TCAD仿真得到的平面MOSFET漏源电流采用文献[5]中提出的函数转换法进行处理。
步骤3：关键物理参数提取
开态电流(Ion)，关态电流(Ioff)，阈值电压(Vth)是描述平面MOSFET电学特性的重要参数，因此，选取上述参数作为本专利的关键参数，具体提取方法如下：(Vgs为输入栅极电压，Ids为漏源电流，Vdd为最大漏极电压)
④Vth提取
在步骤一TCAD仿真得到的Ids-Vgs数据，将Ids对Vgs求偏导，得到器件的跨导Gm曲线，然后计算最大点对应的Vgs，记为Vg_gmmax。然后在Ids-Vgs曲线上Vg＝Vg_gmmax点的做切线与Vgs轴相交，得到交点处的Vgs，再减去0.05即为Vth。该步骤的示意图如图2所示。
⑤Ion提取
在步骤一TCAD仿真得到的Ids-Vds数据，选取Vgs＝0V，Vds＝1.2V时的漏源电流Ids作为Ion。
⑥Ioff提取
在步骤一TCAD仿真得到的Ids-Vds数据:选取Vgs＝1.2V，Vds＝1.2V时的漏源电流Ids作为Ioff。
步骤4：工艺参数-关键物理参数ANN模型建立
将步骤2得到的归一化器件工艺参数和偏置电压Vgs,Vds作为下图ANN模型的输入，步骤3得到的关键物理参数Vth/Ion/Ioff作为ANN的输出，形成工艺参数-关键物理参数子ANN模型，即式(2)：
Parai＝neti(xi) (i＝1,2,3) (2)
式中Parai为第i个关键物理参数，其中net1对应阈值电压Vth，net2对应开态电流Ion，net3对应关态电流Ioff，xi为步骤一得到的归一化后第i个输入参数对应的数据集。
如图3所示的子ANN模型输入包括偏置(Vgs，Vds)和步骤2归一化后的输入工艺参数数据集，输出为关键物理参数Vth/Ion/Ioff，神经元的激活函数为双曲正切函数tanh，通过使用标准ANN软件包PyTorch中可用的反向传播算法来进行ANN训练。损失函数为Vth/Ion/Ioff的均方根误差。
步骤5：关键物理参数-电流ANN模型构建
根据步骤4得到的工艺参数-关键物理参数ANN模型，将其输出(关键物理参数)作为该步骤构建的ANN模型的输入，MOSFET的漏源电流Ids作为ANN的输出，形成关键物理参数-电流ANN模型，即式(3)：
fANN(Para,Vgs,Vds)＝Ids (3)
其中Para为关键物理参数，Vds为漏源电压，f为ANN映射关系函数。上式对应的ANN网络拓扑如如图4所示。
图4中神经元的激活函数为双曲正切函数tanh，通过使用标准ANN软件包PyTorch中可用的反向传播算法来进行ANN训练。损失函数为Ids的均方根误差。
为了验证本发明技术方案的有效性和价值，在TCAD软件中对特定结构的平面金属氧化物半导体场效应晶体管(MOSFET)，在不同工艺参数组合下进行其电流-电压特性仿真计算，得到漏-源电流和漏-源电压关系曲线Ids-Vds以及漏-源电流和栅-源电压关系曲线Ids-Vgs，其中涉及的工艺参数包括P型阱掺杂浓度Pdep，栅氧化层厚度tox，表面缺陷浓度Cit，栅长Lg，电子迁移率u0，轻掺杂漏掺杂浓度Ldd。仿真计算中，栅-源偏置电压Vgs的扫描范围为0-1.2V，步进为0.1V，漏源偏置电压Vds的扫描范围为0-1.2V，步进0.05V，将仿真得到的Ids-Vds，Ids-Vgs数据采用超拉丁抽样方法，选取80％数据作为训练集，20％数据作为测试集，然后针对训练集数据，采用本发明提出的技术方案训练构建ANN模型，并采用测试集进行验证。
实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
采用本专利方法得到的模型预测结果与TCAD仿真得到的电流输出特性(Ids-Vds)和转移特性(Ids-Vgs)曲线进行对比，结果如图5所示。
利用均方误差函数其中Ns为数据量，Ydata为仿真值，Ypred为ANN模型预测值，最终计算得到的Ids-Vgs曲线误差小于1％，Ids-Vds曲线误差小于1％，可见该专利提供的方法可以准确的表征TCAD仿真结果。
此外为了凸显本专利非线性参数降维方法在降低模型训练时间的作用，将文献[5]的方法与本专利提供的方法进行模型训练时间对比，如下表所示。得益于本专利中基于物理参数的非线性降维方法，使得本专利中整体模型的训练时间相较于文献[5]的方法下降45％。
| 器件 | 文献[5] | 本专利 |
| 平面MOSFET | 3507s | 1929s |
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于非线性降维的高效率半导体器件仿真方法，其特征在于，包括：
步骤1，TCAD仿真数据获取；
步骤2，数据归一化处理；
步骤3，关键物理参数提取；
步骤4，工艺参数-关键物理参数ANN模型构建；
步骤5，关键物理参数-电流ANN模型构建。
2.如权利要求1所述基于非线性降维的高效率半导体器件仿真方法，其特征在于，步骤1具体为：
在TCAD软件中，对特定结构的平面金属氧化物半导体场效应晶体管，在不同工艺参数组合下进行其电流-电压特性仿真计算，得到漏-源电流和漏-源电压关系曲线Ids-Vds以及漏-源电流和栅-源电压关系曲线Ids-Vgs，其中涉及的工艺参数包括P型阱掺杂浓度Pdep，栅氧化层厚度tox，表面缺陷浓度Cit，栅长Lg，电子迁移率u0，轻掺杂漏掺杂浓度Ldd。
3.如权利要求1所述基于非线性降维的高效率半导体器件仿真方法，其特征在于，所述步骤2具体为：
对输入参数即各工艺参数进行归一化的方法，具体形式如下：
xi＝(Xi-min{Xi})/(max{Xi}-min{Xi}) (1)
其中Xi为第i个输入参数对应的数据集合，xi为归一化后的第i个输入参数对应的数据集，其中min{Xi}和max{Xi}分别代表第i个输入参数对应的数据集合中最小值和最大值。
4.如权利要求1所述基于非线性降维的高效率半导体器件仿真方法，其特征在于，所述步骤3具体为：
选取开态电流，关态电流，阈值电压作为关键参数，具体提取方法如下：
⑦Vth提取
在步骤一TCAD仿真得到的Ids-Vgs数据，将Ids对Vgs求偏导，得到器件的跨导Gm曲线，然后计算最大点对应的Vgs，记为Vg_gmmax；然后在Ids-Vgs曲线上Vg＝Vg_gmmax点的做切线与Vgs轴相交，得到交点处的Vgs，再减去0.05即为Vth；
⑧Ion提取
在步骤一TCAD仿真得到的Ids-Vds数据，选取Vgs＝0V，Vds＝1.2V时的漏源电流Ids作为Ion；
⑨Ioff提取
在步骤一TCAD仿真得到的Ids-Vds数据:选取Vgs＝1.2V，Vds＝1.2V时的漏源电流Ids作为Ioff；
其中，Vgs为输入栅极电压，Ids为漏源电流，Vdd为最大漏极电压。
5.如权利要求1所述基于非线性降维的高效率半导体器件仿真方法，其特征在于，所述步骤4具体为：
将步骤2得到的归一化器件工艺参数和偏置电压Vgs,Vds作为下图ANN模型的输入，步骤3得到的关键物理参数Vth/Ion/Ioff作为ANN的输出，形成工艺参数-关键物理参数子ANN模型，即式(2)：
Parai＝neti(xi) (i＝1,2,3) (2)
式中Parai为第i个关键物理参数，其中net1对应阈值电压Vth，net2对应开态电流Ion，net3对应关态电流Ioff，xi为步骤一得到的归一化后第i个输入参数对应的数据集。
6.如权利要求1所述基于非线性降维的高效率半导体器件仿真方法，其特征在于，所述步骤5具体为：
根据步骤4得到的工艺参数-关键物理参数ANN模型，将其输出的关键物理参数作为该步骤构建的ANN模型的输入，MOSFET的漏源电流Ids作为ANN的输出，形成关键物理参数-电流ANN模型，即式(3)：
fANN(Para,Vgs,Vds)＝Ids (3)
其中Para为关键物理参数，Vds为漏源电压，f为ANN映射关系函数。
7.一种如权利要求1所述方法的基于非线性降维的高效率半导体器件仿真系统，其特征在于，包括：
TCAD仿真模块：配置以模拟特定结构的平面金属氧化物半导体场效应晶体管的电流-电压特性，生成漏-源电流与电压关系曲线；
数据处理模块：具备归一化处理功能，对各工艺参数进行标准化处理；
关键参数提取模块：用于从仿真数据中提取开态电流(Ion)、关态电流(Ioff)和阈值电压；
ANN建模模块：根据归一化的工艺参数和偏置电压构建工艺参数-关键物理参数子ANN模型；
电流预测模块：基于工艺参数-关键物理参数ANN模型的输出构建关键物理参数-电流ANN模型，预测MOSFET的漏源电流。
8.一种用于半导体器件仿真的系统，其特征在于，包括：
TCAD仿真模块，用于获取特定结构的平面金属氧化物半导体场效应晶体管的电流-电压特性数据；
数据处理模块，用于对TCAD仿真数据进行归一化处理，并提取关键物理参数；
两个ANN模型，第一个用于建立工艺参数与关键物理参数之间的关系，第二个用于将关键物理参数映射到MOSFET的漏源电流；
控制单元，用于协调各模块的工作，确保数据的准确流转和处理。
9.如权利要求8所述的高效率半导体器件仿真系统，其特征在于，TCAD仿真模块针对MOSFET在不同工艺参数组合下进行电流-电压特性仿真，包括漏-源电流与漏-源电压、漏-源电流与栅-源电压的关系；
数据处理模块对TCAD仿真得到的数据进行归一化处理，进而提取开态电流、关态电流和阈值电压作为关键物理参数。
10.如权利要求8所述的高效率半导体器件仿真系统，其特征在于，ANN模型构建模块包括两个子模块：第一个子模块将归一化的工艺参数和偏置电压作为输入，关键物理参数作为输出；第二个子模块以关键物理参数为输入，MOSFET的漏源电流作为输出，实现从工艺参数到电流特性的高效率仿真。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410030200.5A CN117828888A (zh) | 2024-01-09 | 2024-01-09 | 基于物理参数降维的高效率半导体器件仿真方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410030200.5A CN117828888A (zh) | 2024-01-09 | 2024-01-09 | 基于物理参数降维的高效率半导体器件仿真方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117828888A true CN117828888A (zh) | 2024-04-05 |
Family
ID=90523957
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410030200.5A Pending CN117828888A (zh) | 2024-01-09 | 2024-01-09 | 基于物理参数降维的高效率半导体器件仿真方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117828888A (zh) |
-
2024
- 2024-01-09 CN CN202410030200.5A patent/CN117828888A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103678941A (zh) | 电极空气间隙击穿电压的预测方法 | |
| CN109978253B (zh) | 一种基于增量学习的电力系统短期负荷预测方法 | |
| JPWO2007091359A1 (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 | |
| CN112926278B (zh) | 一种基于多项式混沌克里金元模型的近阈值电路延时估计方法 | |
| CN113112090B (zh) | 基于综合互信息度的主成分分析的空间负荷预测方法 | |
| CN109977394A (zh) | 文本模型训练方法、文本分析方法、装置、设备及介质 | |
| Shao et al. | Short-term wind power forecasting using model structure selection and data fusion techniques | |
| JP4882747B2 (ja) | ばらつきシミュレーション・システム | |
| CN109933946B (zh) | 一种半导体器件的分析方法 | |
| CN117828888A (zh) | 基于物理参数降维的高效率半导体器件仿真方法及系统 | |
| CN105447222A (zh) | 用于集成电路的工艺变化分析的方法 | |
| CN111159915A (zh) | 一种器件设计的参数优化方法及装置 | |
| Chavez et al. | Optimization of deep learning-based bsim-cmg iv parameter extraction in seconds | |
| CN115965177A (zh) | 基于注意力机制改进的自回归误差补偿风电功率预测方法 | |
| CN113221460B (zh) | 一种基于神经网络回归的单粒子瞬态效应建模方法 | |
| Zhou et al. | Prediction of SET on SRAM based on WOA-BP neural network | |
| CN109977777B (zh) | 基于新型RF-Net模型的手势识别方法 | |
| CN118033385B (zh) | 集成电路器件的紧凑模型参数提取模型的构建方法及应用 | |
| Butola et al. | Estimating the process variation effects of stacked gate all around si nanosheet CFETs using artificial neural network modeling framework | |
| CN117454746A (zh) | 一种基于分段式优化神经网络的通用器件建模方法 | |
| Zhang et al. | Relation extraction via deep-fusion convolution neural network | |
| Yun et al. | [Retracted] Quality Evaluation and Satisfaction Analysis of Online Learning of College Students Based on Artificial Intelligence | |
| Song et al. | Fast variation-aware circuit sizing approach for analog design with ML-assisted evolutionary algorithm | |
| Sheelvardhan et al. | Variability aware FET model with physics knowledge based machine learning | |
| CN118333120A (zh) | 一种基于神经网络的逻辑器件通用建模方法 |
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 |