[發明專利]基于神經網絡的GaN JBS二極管器件性能預測方法

在審

• 申請號: 202210258348.5
• 申請日: 2022-03-16
• 公開（公告）號: CN114692491A
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 段小玲;馬浩;王樹龍;張進成;張金風;郝躍
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 西安睿通知識產權代理事務所(特殊普通合伙) 61218
• 代理人: 惠文軒

本發明涉及微電子器件技術與人工智能技術領域，具體涉及基于神經網絡的GaN JBS二極管器件性能預測方法。本發明充分利用神經網絡深度學習根據數據自動提取特征的特點，將其應用于GaN JBS二極管器件性能的預測，從而快速預測器件性能，并根據預測結果調整輸入結構來優化器件特性；彌補了傳統器件仿真和實驗測試方法周期長、效率低、耗時耗力的不足，快速便捷地建立起由GaN JBS二極管器件結構與性能指標之間的關聯，能夠加速GaN JBS二極管性能預測的研究，降低預期性能指標下器件結構的設計難度。

技術領域

本發明涉及微電子器件技術與人工智能技術領域，具體涉及基于神經網絡的GaNJBS(Junction Barrier Schottky，結勢壘肖特基)二極管器件性能預測方法。

背景技術

氮化鎵GaN作為第三代半導體的代表，具有寬禁帶、高臨界擊穿電場、高電子遷移率和高熱導率等特性，是制作功率器件的理想材料。當今，GaN器件一直處于高速發展階段，目前JBS二極管應用廣泛，通過折衷PIN二極管和肖特基二極管的優點，能夠同時擁有較低的正向導通電阻和較高的反向擊穿電壓，可以顯著提高電力電子系統的性能。

然而，GaN JBS二極管的正向導通電阻和擊穿電壓受P+區多項參數影響，加上傳統器件仿真和實驗測試方法周期長、效率低，因此設計起來需要耗費很多人力工作。而神經網絡的快速發展為快速預測器件和材料結構或者性質提供了另一種選擇，可利用其根據數據自動提取特征的便利，免除了高昂的入門成本及人為因素的干擾，在保證準確性的同時，可降低計算成本，縮短開發周期。

發明內容

針對現有技術中存在的問題，本發明的目的在于提供基于神經網絡的GaN JBS二極管器件性能預測方法，減少GaN JBS二極管器件的設計成本，且快速獲得GaN JBS二極管器件的性能指標參數。

為了達到上述目的，本發明采用以下技術方案予以實現。

基于神經網絡的GaN JBS二極管器件性能預測方法，包括以下步驟：

步驟1，構建仿真GaN JBC二極管，不斷改變仿真GaN JBC二極管的漂移區摻雜濃度、P+區寬度與相鄰P+區間距的比值、P+區摻雜濃度、P+區注入深度，獲得對應的仿真GaNJBC二極管的正向導通電阻和反向擊穿電壓；將每組漂移區摻雜濃度、P+區寬度與相鄰P+區間距的比值、P+區摻雜濃度、P+區注入深度及對應的正向導通電阻和反向擊穿電壓作為一組樣本；所有樣本構成樣本集；

步驟2，對樣本集數據進行預處理，將樣本集數據按比例隨機劃分為訓練集和驗證集；

步驟3，構建卷積神經網絡預測模型；

步驟4，使用訓練集和驗證集對卷積神經網絡預測模型進行訓練和驗證，獲得訓練完成的卷積神經網絡預測模型；

步驟5，將要預測器件性能的GaN JBC二極管的漂移區摻雜濃度、P+區寬度與相鄰P+區間距的比值、P+區摻雜濃度、P+區注入深度輸入訓練完成的卷積神經網絡預測模型，獲得該GaN JBC二極管的正向導通電阻和反向擊穿電壓的預測結果。

與現有技術相比，本發明的有益效果為：充分利用神經網絡深度學習根據數據自動提取特征的特點，將其應用于GaN JBS二極管器件性能的預測，從而快速預測器件性能，并根據預測結果調整輸入結構來優化器件特性；彌補了傳統器件仿真和實驗測試方法周期長、效率低、耗時耗力的不足，快速便捷地建立起由GaN JBS二極管器件結構與性能指標之間的關聯，能夠加速GaN JBS二極管性能預測的研究，降低預期性能指標下器件結構的設計難度。

附圖說明

下面結合附圖和具體實施例對本發明做進一步詳細說明。

圖1是本發明基于神經網絡的GaN JBS二極管器件性能預測方法的流程圖；

圖2是本發明實施例中仿真的GaN JBS二極管器件的剖面圖；