[發明專利]一種基于BP神經網絡的GFET建模方法

在審

• 申請號: 201510364868.4
• 申請日: 2015-06-26
• 公開（公告）號: CN104915515A
• 公開（公告）日: 2015-09-16
• 發明（設計）人: 常勝;張濟
• 申請（專利權）人: 武漢大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/02
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 薛玲

技術領域

本發明屬于器件建模技術領域，具體涉及一種石墨烯場效應管(GFET)的建模方法。

背景技術

器件模型是描述器件性能的工具，要將新型器件大規模應用于電路設計，精確的器件模型必不可少。傳統的器件模型主要是數值模型和集約模型。

基于第一性原理或非平衡格林函數的數值計算，數值模型可以精確仿真GFET的特性，但運算時間過長，無法應用于電路仿真工具。集約模型采用解析表達式描述GFET的特性，計算時間短，可以集成到電路仿真工具中用于電路設計，但需要對GFET的工作機制有深入理解，并將其做簡化為合適的解析表達式，對新型GFET器件往往難以做到。

神經網絡是一種基于機器學習和統計理論的建模方法，通過學習訓練樣本的輸入輸出數據間的關系調整自身參數，描述對象的性能，具有結構簡單、學習速度快、不需要完備的器件理論知識等優點。采用神經網絡可以高效、準確的完成新型器件建模。

發明內容

本發明為了克服現有建模方法的不足，提出了一種基于BP(Back?Propagation)神經網絡的GFET建模方法，其計算時間短、精確度高、不需要完備的器件理論知識，能根據GFET的輸入數據，包括柵源電壓V_gs、漏源電壓V_ds、溝道寬度W、溝道長度L，準確計算GFET的輸出溝道電流I_d。

本發明采用的技術方案如下：一種基于BP神經網絡的GFET建模方法，其特征在于，包括以下步驟：

步驟1.數據采集：采集一定量的GFET輸入輸出數據用于BP網絡模型訓練和測試，經訓練測試后得到的網絡模型即可用于對GFET在其他輸入參數下性能的預測；輸入數據包括柵源電壓V_gs、漏源電壓V_ds、溝道寬度W、溝道長度L，輸出數據為溝道電流I_d；采集到數據后按一定比例將所有數據隨機分為訓練數據和測試數據；

步驟2.數據預處理：將步驟1所得數據統一進行歸一化處理；

步驟3.確定所用BP網絡GFET模型結構，包括隱含層數目和每個隱含層的神經元個數，輸入層神經元數目為輸入參數個數，輸出層神經元數目為輸出參數個數；

步驟4.GFET模型構建和訓練；

步驟5.對GFET模型預測輸出電流進行反歸一化，得到模型輸出值；

步驟6.GFET模型的Verilog-A實現。

作為優選，步驟2中所述的數據歸一化，其具體方法是，

m＝2*(a-a_min)/(a_max-a_min)-1??(式一)；

其中a_max和a_min分別為歸一化前數據a的最大值和最小值，m是歸一化后的值。

作為優選，步驟3中所述的確定BP網絡GFET模型隱含層結構，其主要依靠試湊法，具體實現包括以下子步驟：

步驟3.1：選擇雙隱含層結構；

步驟3.2：確定隱含層數目后，設定兩項判斷BP網絡GFET模型輸出優良與否的評判標準，再選定神經元個數為一定范圍，對其進行循環掃描，選擇效果最好的網絡結構；其中兩項判斷BP網絡GFET模型輸出優良與否的評判標準分別是：

評判標準1：測試樣本目標電流與GFET模型對測試樣本預測電流之間的誤差絕對值和errorsum，優良標準為其值小于0.01；

評判標準2：測試樣本目標向量與GFET模型對測試樣本預測電流之間的均方誤差errormse，優良標準為其值小于10e-10；

在對神經元個數的循環掃描中，選擇errorsum和errormse較小的BP網絡結構；若多個網絡結構的errorsum和errormse值相似，則選擇神經元數目最少的網絡結構。

作為優選，步驟4中所述的GFET模型構建和訓練，具體實現包括以下子步驟：

步驟4.1：BP網絡GFET模型隱含層的傳遞函數如下，