当前位置: 首页 > 专利查询>武汉大学专利>正文

一种基于BP神经网络的GFET建模方法技术

技术编号:12075455 阅读:154 留言:0更新日期:2015-09-18 11:15
本发明专利技术公开了一种基于BP神经网络的GFET建模方法,包括数据采集,数据预处理,确定所用BP网络GFET模型结构,GFET模型构建和训练,对GFET模型预测输出电流进行反归一化得到模型输出值,GFET模型的Verilog-A实现等6个步骤;本发明专利技术具有计算时间短、精确度高、不需要完备的器件理论知识,能用于电路设计仿真的优点。

【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。作为优选,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。作为优选,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。作为优选,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]]>  (式二);输出层的传递函数为线性函数,如下所示,y=x  (式三);以上两式中,x是传递函数输入,y是传递函数输出,即神经元输出;其中传递函数的输入x是神经元所有输入即前一层所有神经元输出的加权和,如下所示,x=Σ1NWiOi+b]]>  (式四);其中N是输入的数目,Oi是神经元输入即前一层神经元输出,Wi是对应的权值,b是神经元的阈值;步骤4.2:BP网络模型的训练过程采用Levenberg-Marquardt算法,具体实现包括以下子步骤:步骤4.2.1:计算目标电流与模型预测电流之间的误差,如下所示,ep=Tp-yp  (式五);其中Tp和yp分别为第p组训练数据的目标电流和对应的模型的预测电流;步骤4.2.2:将ep对步骤4.1中每个神经元的权值和阈值求偏导,将求得的偏导值组成雅克比矩阵J,其中M为训练样本总数,D为BP网络模型所有权值的数目,F为网络所有阈值的数目,表示权值和阈值;步骤4.2.3:更新权值和阈值,方法如下,E=[e1...ep...eM]T  (式九);其中表示更新后的权值或阈值,表示更新前相应的权值或阈值,λ为阻尼因子,I为单位矩阵,阶数为D+F,式八和式九中E为误差矩阵,其由式五中ep组成;步骤4.2.4:不断循环上述过程,直到BP网络模型误差平方和小于网络设定目标或循环次数达到最大设定次数。作为优选,步骤5中所述的输出电流反归一化,其具体方法是,c=(yp+1)(cmax-cmin)/2+cmin  (式十);其中cmax和cmin分别为归一化前输出电流的最大值和最小值,yp是GEFT模型预测电流的值,c是反归一化后的模型输出电流值。作为优选,步骤6中所述的GFET模型的Verilog-A实现,其具体方法是:首先在数据输入前用步骤2中所述的归一化方法对数据进行处理;然后根据步骤3中BP网络的拓扑结构和步骤4中BP网络前向传播的公式,公式包括式二、式三、式四,将各层之间连接的权值、各层的阈值和传递函数以Verilog-A的形式进行表达;最后用步骤5中所述的反归一化的方法对输出数据进行反归一化处理,以得到输出沟道电流;归一化和反归一化的处理函数也用Verilog-A的形式进行表达,最终得到用于电路设计仿真的GFET模型。相对于现有技术,本专利技术的有益效果是提出了一种新的GFET建模方法,通过使用有限数据训练BP神经网络的方式,构建起一个不依赖于解析理论公式、计算快捷、精确表达的GFET电路级模型。附图说明图1:是本专利技术实施例的BP网络模型的拓扑结构示意;图2:是本专利技术实施例的GFET神经网络模型训练的流程图;图3:是本专利技术实施例的GFET建模实例的输出特性曲线。具体实施方式为了便于本领域普通技术人员理解本文档来自技高网...

【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]]>  ...

【专利技术属性】
技术研发人员:常胜张济
申请(专利权)人:武汉大学
类型:发明
国别省市:湖北;42

网友询问留言 已有0条评论
  • 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。

1