【技术实现步骤摘要】
本专利技术属于器件建模
,具体涉及一种石墨烯场效应管(GFET)的建模方法。
技术介绍
器件模型是描述器件性能的工具,要将新型器件大规模应用于电路设计,精确的器件模型必不可少。传统的器件模型主要是数值模型和集约模型。基于第一性原理或非平衡格林函数的数值计算,数值模型可以精确仿真GFET的特性,但运算时间过长,无法应用于电路仿真工具。集约模型采用解析表达式描述GFET的特性,计算时间短,可以集成到电路仿真工具中用于电路设计,但需要对GFET的工作机制有深入理解,并将其做简化为合适的解析表达式,对新型GFET器件往往难以做到。神经网络是一种基于机器学习和统计理论的建模方法,通过学习训练样本的输入输出数据间的关系调整自身参数,描述对象的性能,具有结构简单、学习速度快、不需要完备的器件理论知识等优点。采用神经网络可以高效、准确的完成新型器件建模。
技术实现思路
本专利技术为了克服现有建模方法的不足,提出了一种基于BP(Back Propagation)神经网络的GFET建模方法,其计算时间短、精确度高、不需要完备的器件理论知识,能根据GFET的输入数据,包括栅源电压Vgs、漏源电压Vds、沟道宽度W、沟道长度L,准确计算GFET的输出沟道电流Id。本专利技术采用的技术方案如下:一种基于BP神经网络的GFET建模方法,其特征在于,包括以下步骤:步骤1.数据采集:采集一定量的GFET输入输出 ...
【技术保护点】
一种基于BP神经网络的GFET建模方法,其特征在于,包括以下步骤:步骤1.数据采集:采集一定量的GFET输入输出数据用于BP网络模型训练和测试,经训练测试后得到的网络模型即可用于对GFET在其他输入参数下性能的预测;输入数据包括栅源电压Vgs、漏源电压Vds、沟道宽度W、沟道长度L,输出数据为沟道电流Id;采集到数据后按一定比例将所有数据随机分为训练数据和测试数据;步骤2.数据预处理:将步骤1所得数据统一进行归一化处理;步骤3.确定所用BP网络GFET模型结构,包括隐含层数目和每个隐含层的神经元个数,输入层神经元数目为输入参数个数,输出层神经元数目为输出参数个数;步骤4.GFET模型构建和训练;步骤5.对GFET模型预测输出电流进行反归一化,得到模型输出值;步骤6.GFET模型的Verilog‑A实现。
【技术特征摘要】
1.一种基于BP神经网络的GFET建模方法,其特征在于,包括以下步骤:
步骤1.数据采集:采集一定量的GFET输入输出数据用于BP网络模型训练
和测试,经训练测试后得到的网络模型即可用于对GFET在其他输入参数下性能
的预测;输入数据包括栅源电压Vgs、漏源电压Vds、沟道宽度W、沟道长度L,
输出数据为沟道电流Id;采集到数据后按一定比例将所有数据随机分为训练数据
和测试数据;
步骤2.数据预处理:将步骤1所得数据统一进行归一化处理;
步骤3.确定所用BP网络GFET模型结构,包括隐含层数目和每个隐含层的
神经元个数,输入层神经元数目为输入参数个数,输出层神经元数目为输出参数
个数;
步骤4.GFET模型构建和训练;
步骤5.对GFET模型预测输出电流进行反归一化,得到模型输出值;
步骤6.GFET模型的Verilog-A实现。
2.根据权利要求1所述的基于BP神经网络的GFET建模方法,其特征在于:
步骤2中所述的数据归一化,其具体方法是,
m=2*(a-amin)/(amax-amin)-1 (式一);
其中amax和amin分别为归一化前数据a的最大值和最小值,m是归一化后的
值。
3.根据权利要求1所述的基于BP神经网络的GFET建模方法,其特征在于:
步骤3中所述的确定BP网络GFET模型隐含层结构,其主要依靠试凑法,具体
实现包括以下子步骤:
步骤3.1:选择双隐含层结构;
步骤3.2:确定隐含层数目后,设定两项判断BP网络GFET模型输出优良
与否的评判标准,再选定神经元个数为一定范围,对其进行循环扫描,选择效果
最好的网络结构;其中两项判断BP网络GFET模型输出优良与否的评判标准分别
是:
评判标准1:测试样本目标电流与GFET模型对测试样本预测电流之间的误
差绝对值和errorsum,优良标准为其值小于0.01;
评判标准2:测试样本目标向量与GFET模型对测试样本预测电流之间的均
\t方误差errormse,优良标准为其值小于10e-10;
在对神经元个数的循环扫描中,选择errorsum和errormse较小的BP网络结
构;若多个网络结构的errorsum和errormse值相似,则选择神经元数目最少的
网络结构。
4.根据权利要求1所述的基于BP神经网络的GFET建模方法,其特征在于:
步骤4中所述的GFET模型构建和训练,具体实现包括以下子步骤:
步骤4.1:BP网络GFET模型隐含层的传递函数如下,
y=21+e-2x-1]]> ...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。