[發明專利]一種通用器件模型優化方法及系統

在審

• 申請號: 202310397733.2
• 申請日: 2023-04-14
• 公開（公告）號: CN116151174A
• 公開（公告）日: 2023-05-23
• 發明（設計）人: 黃洪云;蒲朝斌;李林保;刁龍平;李林
• 申請（專利權）人: 四川省華盾防務科技股份有限公司
• 主分類號: G06F30/373
• 分類號: G06F30/373;G06F30/367;G06N3/04;G06N3/08
• 代理公司: 北京博爾赫知識產權代理事務所(普通合伙) 16045
• 代理人: 于武江

本發明公開了一種通用器件模型優化方法及系統，涉及半導體器件建模技術領域，首先對器件參數和電壓偏置進行數據預處理；其次采用均方相對誤差和多目標損失函數構建神經網絡模型；最后從數據中隨機選取若干組不同參數組合下的數據，對模型進行初步的訓練，并在初步訓練模型的基礎上，將所有數據導入神經網絡模型，進行神經網絡的訓練。本發明綜合了數據歸一化處理、多目標損失函數、模型預訓練等方法，該方法得到的模型可以保證器件在各種參數組合和偏壓下的電流精度同時能有效縮短訓練時間。

技術領域

本發明涉及半導體器件建模技術領域，具體涉及一種通用器件模型優化方法及系統。

背景技術

目前，在半導體工藝開發中，TCAD仿真發揮著非常重要的作用。但是TCAD仿真的速度較慢，在優化工藝參數組合時，需要的仿真次數多，就降低了工藝開發的效率。根據TCAD仿真的歷史數據，建立工藝參數到器件電學特性的通用模型，代替TCAD仿真器進行計算，就可以提高工藝參數的優化效率。為了克服TCAD仿真存在的這種問題，不同的機器學習算法已經被用于器件仿真，利用提供的訓練數據，算法可以準確的模擬出器件仿真的結果。最重要的是，算法具備可預測性，即可以預測提供的參數范圍外器件TCAD仿真的結果，這使得其可與器件仿真相結合，通過采用一定量的TCAD仿真數據，利用算法建立可預測的模型，從而可以減少大量TCAD仿真所需的時間。

2021年Kashyap?Mehta?,Hiu-Y?ung?Wong等人用機器學習預測FinFET電流-電壓和電容-電壓曲線，展示了利用有限的訓練數據（25-50組），通過機器訓練預測通用器件IV和CV曲線的可能性。

2021年Chandni?Akbar,?Yiming?Li等人提出了一種機器學習（ML）輔助的三維多通道柵極全硅納米片MOSFET功函數波動器件模擬。所提出的用于預測ID–VG曲線的ML-RFR算法表現出與器件模擬相同的精度。

2022年R.?Butola,?Y.?Li?和S.?R.?Kola提出了基于機器學習的全硅納米片MOSFET內部參數波動建模方法，結果表明，所提出的模型預測的輸出具有99%的R2分數和小于1%的錯誤率。

可見，機器學習已經可以用于建立器件模型代替TCAD仿真，可節約大量TCAD仿真時間。但是其模型精度，訓練時間，以及建模算法的通用性有很大優化和提升空間。

發明內容

有鑒于此，本發明提供了一種通用器件模型優化方法及系統，以解決器件模型建立過程中存在的模型精度，模型訓練時長以及模型通用性的問題。

為了實現上述目的，本發明采用如下技術方案：

一方面，提供一種通用器件模型優化方法，包括以下步驟：

步驟1、對器件參數和電壓偏置進行數據預處理；

步驟2、采用均方相對誤差和多目標損失函數構建神經網絡模型；

步驟3、從數據中隨機選取若干組不同參數組合下的數據，對模型進行初步的訓練，并在初步訓練模型的基礎上，將所有數據導入神經網絡模型，進行神經網絡的訓練。

可選的，所述預處理具體包括：

首先，對器件結構參數歸一化處理；

其次，對電流作轉換函數處理；

最后，對柵源電壓、漏源電壓作平滑函數處理。

可選的，所述歸一化處理的公式為：

其中，為歸一化后的結構參數，為結構參數。

可選的，所述轉換函數為：

；

其中，為輸出電流，為漏源電壓， y為轉換后對應的數據。

可選的，所述柵源電壓、漏源電壓的平滑函數分別為：