一种基于BP神经网络的NMOSFET器件性能预测方法

本发明涉及半导体和人工智能领域，具体涉及一种基于bp神经网络的nmosfet器件性能预测方法。

背景技术：

1、mosfet基于其控制电路小、开关速度快等特点，广泛应用于低、中、高压的电路中，是功率半导体的基础器件。对于其相关性能研究，建立器件模型是常用的手段之一，包括物理基模型、等效电路模型等。物理基模型是利用物理方程构建相应模型，求解时需要用到数值求解方法，精度高但难以兼容计算机辅助设计软件。等效电路建模主要由非线性原件、受控源构成，与计算机可形成良好兼容，但该模型只能描述单独化过程，在实际过程中，元件之间是相互作用的，可能出现多个同时变化，因此模型精度低。

2、作为先进的集成仿真平台，tcad(technology computeraideddesign)半导体工艺和器件仿真软件将成熟的物理模型和计算机辅助技术结合在一起实现对半导体器件高精度模拟，大大降低实验成本并缩短研究周期，并逐渐成为主流的半导体器件设计辅助工具。利用tcad软件对nmosfet的性能进行研究业成为主要方式之一。但在器件的设计过程中，需要不断调整器件参数观察性能变化，以此找到合适的结构参数或最优参数，仿真工作重复执行，增加了仿真工作量，并且多个参数同时调整也大大增加了时间成本。

3、现有对nmosfet的研究主要是利用tcad仿真软件对其进行建模，通过调整模型结构或工艺上的参数获取性能达到目标值的器件，但在器件的设计过程中，需要不断调整器件参数观察性能变化，以此找到合适的参数或最优参数，仿真工作重复执行，增加了仿真工作量，并且多个参数同时调整也大大增加了时间成本。

技术实现思路

1、本发明的目的在于提供一种基于bp神经网络的nmosfet器件性能预测方法，利用tcad软件和机器学习技术对nmosfet建立预测模型，模型除了具备tcad软件带来的高精度特征外，还具有可预测的能力。通过使用预测模型来辅助设计者利用tcad软件设计半导体器件，同时当器件仿真模型具备高精度的前提下，还可脱离仿真环境预测nmosfet器件性能。

2、为实现上述目的，本发明的技术方案是：一种基于bp神经网络的nmosfet器件性能预测方法，实现原理为：根据实际需要确定好器件尺寸，并利用tcad仿真软件对器件进行仿真，通过改变器件结构参数和外部施压条件，得到不同条件下器件的性能。后将结构参数和外部条件作为自变量，nmosfet的性能作为因变量，代入到bp神经网络预测模型中进行不断训练，通过比较模型评价指标得到预测精度最高的模型，并用该模型对nmosfet的性能参数进行预测；具体包括如下步骤：

3、步骤1、获取nmosfet器件的仿真参数及其对应的性能参数，作为数据样本；

4、步骤2、将数据样本打乱顺序并按照预定的比例分为训练样本和测试样本两组样本，并对训练样本中的数据和测试样本中的仿真参数数据进行预处理；

5、步骤3、构建bp神经网络预测模型，将训练样本中的仿真参数作为bp神经网络预测模型中输入层的输入参数，训练样本中的性能参数作为bp神经网络预测模型中输出层的输出参数，反复训练、计算误差并调整权值、阈值，直到满足停止条件则终止，获得训练好的bp神经网络预测模型，在训练的过程中训练样本将被分成训练集、验证集和测试集三组，训练集和验证集用于bp神经网络预测模型的训练，测试集用于评价当前完成训练的bp神经网络预测模型的预测精度和泛化性；

6、步骤4、将测试样本中的仿真参数代入到训练好的bp神经网络预测模型中，得到训练好的bp神经网络预测模型对nmosfet性能的预测结果，而后计算其与测试样本中仿真参数对应的性能参数结果间的误差和损失函数；若损失函数达到设定条件，则将当前的bp神经网络预测模型确定为最终的bp神经网络预测模型，否则，重新回到步骤3；

7、步骤5、将待预测的nmosfet的仿真参数输入到最终的bp神经网络预测模型中，得到预测的nmosfet器件性能。

8、在本发明一实施例中，所述步骤1具体实现如下：

9、步骤101、根据实际需要，确定nmosfet器件在仿真设计时衬底杂质浓度、衬底偏压、栅氧化层厚度和阈值电压调整注入的剂量4个仿真参数的不同取值；

10、步骤102、将4个仿真参数代入到tcad仿真软件中得到nmosfet器件的最大跨导、亚阈值斜率、阈值电压及开关电流比4个性能参数结果。

11、在本发明一实施例中，nmosfet器件的最大跨导反映了栅源电压对源漏电流控制能力的强弱，在nmosfet的转移特性曲线上表现的是曲线上各点处切线的斜率，此处取转移特性曲线上最大的跨导值为nmosffet器件的跨导，计算公式如下所示：

12、

13、式中(gm)max为最大跨导，id为漏电流，vgs为栅极电压；

14、nmosfet器件的亚阈值斜率表示nmosfet器件在未进入开启状态前漏极电流改变一个数量级所对应的栅极电压的变化，计算公式如下所示：

15、

16、式中ss为亚阈值斜率，id为漏电流，vgs为栅极电压；

17、nmosfet器件的阈值电压表示nmosfet器件正常开始工作时的电压，此处所指为nmosfet器件的漏电流为某一固定值时对应的栅极电压；

18、nmosfet器件的开关电流比为nmosfet器件进入饱和状态时的漏电流与栅极电压为0v时的漏电流的比值。

19、在本发明一实施例中，步骤2中利用mapminmax函数对训练样本中的数据和测试样本中的仿真参数数据进行预处理，消除输入层数据与输出层数据间数量级和量纲的差异并加快网络的收敛，mapminmax函数计算公式如下所示：

20、

21、式中ymax和ymin分别是数据经过归一化处理后所处区间[ymin,ymax]的最大值和最小值；xmax和xmin分别是各个特征输入的最大值和最小值；x为某个特征输入的样本值，y为x经过归一化处理后的输出值；

22、在构建开关电流比的bp神经网络预测模型时，对样本数据使用mapminmax函数进行预处理前先对样本中各组工艺下的开关电流比值进行对数化处理，以降低数据的尺度，提高网络的训练精度，在模型输出预测结果后对预测结果进行相应的指数化操作，指数化操作后的结果作为最终的预测模型的实际预测结果，指数化和对数化操作的计算公式如下所示：

23、f＝log10 s

24、r＝10t

25、式中s为训练样本中开关电流比的原始数据，f为s对数化处理后的结果，t为bp神经网络预测模型的预测结果，r为指数化操作后的结果。

26、在本发明一实施例中，步骤3中的构建的bp神经网络预测模型由三类神经元组成，分别为输入层、隐含层、输出层，多组仿真参数的不同取值作为输入层的输入数据，相对应的性能参数作为输入层的输出数据，隐含层可为1层或多层，由多个神经元组成，隐含层和输出层上各自存在相应的激活函数、权值和阈值；

27、构建bp神经网络模型的步骤如下：

28、步骤a、将衬底杂质浓度、衬底偏压、栅氧化层厚度和阈值电压调整注入的剂量4个仿真参数组成多组数据组并预处理后作为bp神经网络预测模型的输入数据，数据组对应的性能参数经过预处理后作为bp神经网络预测模型的输出数据；

29、步骤b、在bp神经网络预测模型中，输入层将数据组传递到隐含层，隐含层利用激活函数、权值和阈值计算出中间结果，并将其传递到输出层，输出层根据激活函数、权值和阈值计算出nmosfet器件的性能参数值并输出；

30、步骤c、计算输出层输出的nmosfet器件性能参数结果与tcad仿真下的真实结果间的误差，若误差满足预设条件，则保留当前bp神经网络预测模型的结构和参数，否则，bp神经网络预测模型将反向传播，根据神经元的输出误差更新隐含层上的权值和阈值；当反向传播完成之后，又重新进行正向传播，返回到步骤b，反复训练后，直到满足预设条件则停止传播，保留当前bp神经网络预测模型的结构和参数；

31、步骤d、确定好bp神经网络预测模型的结构和参数后，完成对bp神经网络预测模型的构建。

32、在本发明一实施例中，nmosfet器件的每个性能参数都有其对应的bp神经网络预测模型，同时每个bp神经网络预测模型的输入层的神经元数量与仿真参数的数量相同，分别接收输入的衬底杂质浓度、衬底偏压、栅氧化层厚度和阈值电压调整注入的剂量，输出层的神经元数量只有1个，用于输出nmosfet器件的性能指标。

33、在本发明一实施例中，隐含层神经元的个数则利用下列公式经过多次模型训练后获取最佳值：

34、

35、式中：k为隐含层神经元个数，z为输入层神经元个数，x为输出层神经元个数，v为1～10间的整数；

36、隐含层神经元个数经过公式的计算后得到一个范围区间，分别构建多种不同结构的bp神经网络预测模型；在完成不同结构bp神经网络预测模型的构建后，将训练样本中归一化后仿真参数分别代入到各个已建立好的不同结构的bp神经网络预测模型中得到对应的性能参数预测结果，后计算训练样本中仿真参数的实际性能参数值与各个模型的性能参数预测结果间的均方误差mse函数，选择均方误差最小的bp神经网络预测模型作为最终所需的模型，均方误差的计算公式如下：

37、

38、式中ri为仿真实验所得到的真实值，fi为bp神经网络预测模型得到的预测值，n为数据的个数。

39、在本发明一实施例中使用levenberg-marquardt算法对bp神经网络预测模型进行训练，实现对输入数据和输出数据间高精度的拟合。

40、在本发明一实施例中，所述损失函数有三种，分别是均方误差mse函数、决定系数r2函数、平均绝对百分比误差mape函数，r2函数用来反映网络模型对仿真参数和性能参数间关系的拟合程度，mse函数和mape函数用来泛型bp神经网络预测模型的预测精度，但由于开关电流比数量级较大，用mse作为其bp神经网络预测模型的评价标准不合适，在经过平方处理之后会放大误差，因此在构建开关电流比bp神经网络预测模型时，均方误差mse函数不作为其参考的损失函数，三种损失函数的计算公式如下所示：

41、

42、

43、

44、式中ri为仿真实验所得到的真实值，fi为bp神经网络预测模型得到的预测值，n为数据的个数。

45、在本发明一实施例中，预测最大跨导、亚阈值斜率、阈值电压及开关电流比的bp神经网络预测模型的迭代训练次数都为10000，学习率分别为0.05、0.01、0.01和0.01，误差阈值都为0.00001。

46、相较于现有技术，本发明具有以下有益效果：本发明利用tcad仿真技术与机器学习bp神经网络建立nmosfet性能预测模型，模型具有高精度和可预测的特性，为nmosfet器件仿真时确定器件参数提供了新的研究方法，提高了仿真工作效率；同时，在脱离仿真的情况下，可以实现根据相关参数预测nmosfet器件相关性能。