基于人工神经网络的晶体管及系统建模方法技术方案

本发明专利技术公开了一种基于人工神经网络的晶体管建模方法，包括：分别为电流源、电荷源和非线性元件构建相应的人工神经网络拓扑结构；根据所述人工神经网络拓扑结构以及所述内部参数的值，利用人工神经网络技术分别对电流源、电荷源和非线性元件进行训练；将训练好的所述电流源、电荷源和非线性元件导入电路仿真软件，添加外部寄生电感、电容和电阻，封装形成所述晶体管的大信号模型。该方法能够适应于各种不同工艺下的晶体管器件，并且通过在构建电流源、电荷源和非线性元件时把沟道温度变量和环境温度变量引入到人工神经网络拓扑结构的输入层中，从而能够对晶体管的自热等记忆效应进行有效建模。本发明专利技术还公开了一种基于人工神经网络的系统建模方法。

【技术实现步骤摘要】

本专利技术涉及半导体电路设计中的晶体管及系统建模，特别是涉及基于人工神经网络的晶体管及系统建模方法。
技术介绍
高质量的晶体管、系统模型对基于电脑辅助设计(CAD)的非线性微波射频电路、单片微波集成电路(MMICs)、功率放大器(PAs)和非线性射频系统至关重要。随着半导体技术及其应用持续快速发展，器件的功率和工作频率不断上升，以及出现了更加复杂的通信信号的传输(比如现代通信的高驻波比信号)，开发高精度射频器件和系统模型以便于半导体电路设计已经刻不容缓。在半导体电路设计中，晶体管经验模型最早被开发并广泛应用于工业生产。经验模型的建立依赖于一系列基于电流源和电荷源的经验公式。然而，经验模型对于新材料、新工艺的适应能力却不尽如人意，往往需要几个月甚至几年时间为新工艺开发合适的经验公式。比如对于新型氮化镓晶体管，经验公式的参数相对于砷化镓工艺呈现数量级增长，并且需要经验丰富的建模专家花费几天时间来提取。然而，公式复杂度的上升并不一定能够保证准确拟合脉冲漏极电流和栅极电荷源，对于不同的工艺和材料依然不够灵活。当更多的维度(比如环境温度，记忆效应等)全面引入到模型中，或者涉及到系统建模时，经验公式则难以驾驭。因此亟需开发能够适应不同工艺的晶体管及系统的建模方法。
技术实现思路
基于此，有必要针对现有技术存在的问题，提供一种基于人工神经网络的晶体管及系统建模方法，该建模方法能够适应于各种不同工艺下的晶体管器件，如砷化镓场效应管、具有强烈自热效应的氮化镓场效应管等。根据本专利技术的一个方面，提供了一种基于人工神经网络的晶体管建模方法，该方法包括以下步骤：测量所述晶体管在多个温度、多个静态偏置下的S参数的值；确定所述晶体管的小信号等效电路拓扑结构，从所述S参数中提取出外部等效寄生参数，去嵌掉外部等效寄生参数；根据所述小信号等效电路拓扑结构的内部结构，解析或者优化得到所述小信号等效电路拓扑结构的内部参数的值；选择所述晶体管的大信号模型拓扑结构，确定所述大信号模型拓扑结构中所包含的电流源、电荷源和非线性元件，其中，所述非线性元件包括非线性电容、非线性电阻等；确定所述大信号模型拓扑结构中的所述电流源、电荷源和所述小信号等效电路拓扑结构的所述内部参数的关系；分别为所述电流源、电荷源和非线性元件构建相应的人工神经网络拓扑结构；根据所述人工神经网络拓扑结构以及所述内部参数的值，利用人工神经网络技术分别对所述电流源、电荷源和非线性元件进行训练；将训练好的所述电流源、电荷源和非线性元件导入电路仿真软件，添加外部寄生电感、电容和电阻，封装形成所述晶体管的大信号模型。在其中一个实施例中，在确定所述晶体管的小信号等效电路拓扑结构后，所述方法还包括采用Cold-FET技术或者全局优化技术从所述S参数中提取外部等效寄生参数的步骤。在其中一个实施例中，去嵌掉外部等效寄生参数的步骤包括：将测量的所述S参数转化为Y参数，去嵌掉外部寄生电容；将Y参数转化为Z参数，去嵌掉外部寄生电阻和外部寄生电感；将Z参数转化为Y参数。在其中一个实施例中，所述大信号模型拓扑结构包括非线性电容模型、Staz模型、Angelov模型、Curtice模型等。在其中一个实施例中，所述分别为所述电流源、电荷源和非线性元件构建相应的人工神经网络拓扑结构的步骤包括：构建电流源人工神经网络拓扑结构，所述电流源人工神经网络拓扑结构为至少三层神经网络拓扑结构，包括电流源输入层、至少一层电流源隐含层和电流源输出层，所述电流源输入层的输入为静态偏置Vgsq、Vdsq、动态偏置Vgs、Vds和沟道温度，所述电流源输出层为所述晶体管的漏极电流值；构建电荷源人工神经网络拓扑结构，所述电荷源人工神经网络拓扑结构为三层神经网络拓扑结构，包括电荷源输入层、电荷源隐含层和电荷源输出层，所述电荷源输入层的输入为动态偏置Vgs、Vds和工作温度，所述电荷源输出层的输出连接积分单元；构建非线性元件人工神经网络拓扑结构，所述非线性元件人工神经网络拓扑结构为至少三层神经网络拓扑结构，包括非线性元件输入层、至少一层非线性元件隐含层和非线性元件输出层，所述非线性元件输入层的输入为动态偏置Vgs、Vds和工作温度，所述非线性元件输出层的输出为从所述内部参数中提取出的非线性元件的值。在其中一个实施例中，所述利用人工神经网络技术分别对所述电流源、电荷源和非线性元件进行训练的步骤包括：对于构建的每个所述电流源人工神经网络拓扑结构、电荷源人工神经网络拓扑结构和非线性元件人工神经网络拓扑结构，先用人工智能算法优化出一组人工神经网路的权重初值，然后用后向传播的麦夸特法进行再优化，得到最终的全局最优权重，分别完成对所述电流源、电荷源和非线性元件的训练。在其中一个实施例中，在封装形成所述晶体管的大信号模型之前，所述方法还包括在大信号模型拓扑结构中添加热子电路的步骤。上述基于人工神经网络的晶体管建模方法，通过人工神经网络技术来构建晶体管的大信号模型拓扑结构中的电流源、电荷源和非线性元件，能够适应于各种不同工艺下的晶体管器件，如砷化镓场效应管，氮化镓场效应管等。并且，上述方法通过在构建电流源、电荷源和非线性元件时把沟道温度变量和环境温度变量引入到人工神经网络拓扑结构的输入层中，从而能够对晶体管的自热等记忆效应进行有效建模。此外，上述方法还采用后向传播的麦夸特法和人工智能优化算法相结合的方式对人工神经网络拓扑结构中相应的权重进行训练，能够以非常高的几率得到全局最优的人工神经网络权重，从而为晶体管的高精度建模提供有力保证。根据本专利技术的一个方面，提供了一种基于人工神经网络的系统建模方法，包括：将所述系统用具有电荷源、电流源和非线性元件的模型表示，并根据所述系统的应用场景对所述模型进行简化；在不同的温度下，对所述系统的输入端口施加不同的电压，检测所述系统的输入端口电流，以及输出端口电压和输出端口电流，确定所述输入端口电流、所述输出端口电流分别与所述输入端口电压和所述输出端口电压、所述输入端口电压和所述输出端口电压的关系；根据所述关系，得到所述系统的动态负载线；为简化后的所述系统中包含的所述电荷源、电流源和非线性元件分别构建相应的人工神经网络拓扑结构，根据所述人工神经网络拓扑结构以及所述动态负载线，利用人工神经网络技术分别对所述电荷源、电流源和非线性元件进行训练；将训练好的所述电流源、电荷源和非线性元件导入电路仿真软件，添加外部寄生电感、电容和电阻，封装形成所述系统的大信号模型。在其中一个实施例中，所述利用人工神经网络技术分别对所述电流源、电荷源和非线性元件进行训练的步骤包括：对于构建的每个所述电流源人工神经网络拓扑结构、电荷源人工神经网络拓扑结构和非线性元件人工神经网络拓扑结构，先用人工智能算法优化出一组人工神经网路的权重初值，然后用后向传播的麦夸特法进行再优化，得到最终的全局最优权重，分别完成对所述电流源、电荷源和非线性元件的训练。上述基于人工神经网络的系统建模方法，利用神经网络拟合系统的动态负载线，能够快速对各种工艺的晶体管器件构成的系统进行精确建模，这种建模方法操作简便、耗时短。附图说明图1为根据本专利技术的基于人工神经网络的晶体管建模方法的一个实施例的流程图；图2为根据本专利技术的基于人工神经网络的晶体管建模方法的一个实施例的场本文档来自技高网...

【技术保护点】
一种基于人工神经网络的晶体管建模方法，包括：测量所述晶体管在多个温度、多个静态偏置下的S参数的值；确定所述晶体管的小信号等效电路拓扑结构，从所述S参数中提取出外部等效寄生参数，去嵌掉外部等效寄生参数；根据所述小信号等效电路拓扑结构的内部结构，解析或者优化得到所述小信号等效电路拓扑结构的内部参数的值；选择所述晶体管的大信号模型拓扑结构，确定所述大信号模型拓扑结构中所包含的电流源、电荷源和非线性元件，其中，所述非线性元件包括非线性电容、非线性电阻等；确定所述大信号模型拓扑结构中的所述电流源、电荷源和所述小信号等效电路拓扑结构的所述内部参数的关系；分别为所述电流源、电荷源和非线性元件构建相应的人工神经网络拓扑结构；根据所述人工神经网络拓扑结构以及所述内部参数的值，利用人工神经网络技术分别对所述电流源、电荷源和非线性元件进行训练；将训练好的所述电流源、电荷源和非线性元件导入电路仿真软件，添加外部寄生电感、电容和电阻，封装形成所述晶体管的大信号模型。

【技术特征摘要】
1.一种基于人工神经网络的晶体管建模方法，包括：测量所述晶体管在多个温度、多个静态偏置下的S参数的值；确定所述晶体管的小信号等效电路拓扑结构，从所述S参数中提取出外部等效寄生参数，去嵌掉外部等效寄生参数；根据所述小信号等效电路拓扑结构的内部结构，解析或者优化得到所述小信号等效电路拓扑结构的内部参数的值；选择所述晶体管的大信号模型拓扑结构，确定所述大信号模型拓扑结构中所包含的电流源、电荷源和非线性元件，其中，所述非线性元件包括非线性电容、非线性电阻等；确定所述大信号模型拓扑结构中的所述电流源、电荷源和所述小信号等效电路拓扑结构的所述内部参数的关系；分别为所述电流源、电荷源和非线性元件构建相应的人工神经网络拓扑结构；根据所述人工神经网络拓扑结构以及所述内部参数的值，利用人工神经网络技术分别对所述电流源、电荷源和非线性元件进行训练；将训练好的所述电流源、电荷源和非线性元件导入电路仿真软件，添加外部寄生电感、电容和电阻，封装形成所述晶体管的大信号模型。2.根据权利要求1所述的基于人工神经网络的晶体管建模方法，其特征在于，在确定所述晶体管的小信号等效电路拓扑结构后，所述方法还包括采用Cold-FET技术或者全局优化技术从所述S参数中提取外部等效寄生参数的步骤。3.根据权利要求1所述的基于人工神经网络的晶体管建模方法，其特征在于，去嵌掉外部等效寄生参数的步骤包括：将测量的所述S参数转化为Y参数，去嵌掉外部寄生电容；将Y参数转化为Z参数，去嵌掉外部寄生电阻和外部寄生电感；将Z参数转化为Y参数。4.根据权利要求1所述的基于人工神经网络的晶体管建模方法，其特征在于，所述大信号模型拓扑结构包括非线性电容模型、Staz模型、Angelov模型、Curtice模型等。5.根据权利要求1所述的基于人工神经网络的晶体管建模方法，其特征在于，所述分别为所述电流源、电荷源和非线性元件构建相应的人工神经网络拓扑结构的步骤包括：构建电流源人工神经网络拓扑结构，所述电流源人工神经网络拓扑结构为至少三层神经
\t网络拓扑结构，包括电流源输入层、至少一层电流源隐含层和电流源输出层，所述电流源输入层的输入为静态偏置Vgsq、Vdsq、动态偏置Vgs、Vds和沟道温度，所述电流源输出层为所述晶体管的漏极电流值；构建电荷源人工神经网络拓扑结构，所述电荷源人工神经网络拓扑结构为三层神经网络拓扑结构，包括电荷源输入层、电荷源隐含层和电荷源输出层，所述电荷源输入层的输入为动态偏置Vgs、Vds和...

【专利技术属性】
技术研发人员：郭永新，仲正，黄安东，
申请(专利权)人：新加坡国立大学，苏州工业园区新国大研究院，
类型：发明
国别省市：新加坡;SG