一种基于BP神经网络模型预测半导体器件结温的方法技术

本发明专利技术公开了一种基于BP神经网络模型预测半导体器件结温的方法，包括：确定半导体器件的环境温度和功耗；将所确定的环境温度和功耗输入至预先训练完成的BP神经网络模型，以使该BP神经网络模型输出所述半导体器件的结温；其中，所述BP神经网络模型是基于预先构建的数据集所训练获得的；所述数据集包括：通过有限元分析法所获得的、在多种仿真条件下器件模型的结温；所述器件模型为所述半导体器件的仿真模型，每种所述仿真条件对应一种预设的环境温度和一种预设的功耗。本发明专利技术能够简单、高效、快速以及精确地预测半导体器件结温。速以及精确地预测半导体器件结温。速以及精确地预测半导体器件结温。

【技术实现步骤摘要】
一种基于BP神经网络模型预测半导体器件结温的方法


[0001]本专利技术属于集成电路分析
，具体涉及一种基于BP(back propagation，反向传播)神经网络模型预测半导体器件结温的方法。

技术介绍

[0002]随着微电子制造工艺的飞速发展，半导体器件的尺寸不断缩小，功率密度成倍增加。然而，高功率密度容易导致器件及电路的工作温度显著升高。升高的器件结温不仅会影响器件的电学性能，还会使器件自热效应严重增大，缩短器件寿命，影响器件可靠性。因此，在芯片设计阶段，电路设计者就需要对器件结温及温度特性进行准确评估，以便通过散热结构设计及合理布局布线，实现芯片版图布局的优化，确保器件及电路的电热可靠性，从而提高芯片及系统工作的稳定性。
[0003]为了准确对半导体器件结温进行分析，现有技术有使用红外热成像方式测量器件结温的方法，也有使用函数拟合的特征函数法拟合器件结温方法；其中，对于红外测量结温而言，由于半导体器件裸片尺寸在微米级别，裸片的测试需要结合探针台进行，对热成像设备、测试环境、红外热成像仪的分辨率都提出很高要求，稍有偏差便容易得到误差大的测量结果；另外，由于成品电路中的器件数量庞大，采用红外测量的方式难以保证器件的测量覆盖率；因此，在高标准的测试要求以及较低的器件覆盖率两方面的限制下，使得红外测量器件结温这种分析方式的在实际开发周期中难以切实施展；而对于函数拟合的方式而言，需要根据实际实验数据，使用一次函数、幂指数函数等进行函数拟合，以此来表达器件参数与器件结温的关系；但是，器件结温与器件参数的关系并不会严格遵守某一数学函数关系，故而这种方式在拟合精度上存在一定的误差。
[0004]因此，有必要寻求一种能够简单、高效、快速以及精确地预测半导体器件结温的方案。

技术实现思路

[0005]为了能够简单、高效、快速以及精确地预测半导体器件结温，本专利技术提供了一种基于BP神经网络模型预测半导体器件结温的方法，包括：
[0006]确定半导体器件的环境温度和功耗；
[0007]将所确定的环境温度和功耗输入至预先训练完成的BP神经网络模型，以使该BP神经网络模型输出所述半导体器件的结温；
[0008]其中，所述BP神经网络模型是基于预先构建的数据集所训练获得的；所述数据集包括：通过有限元分析法所获得的、在多种仿真条件下的器件模型的结温；所述器件模型为所述半导体器件的仿真模型，每种所述仿真条件对应一种预设的环境温度和一种预设的功耗。
[0009]可选地，所述数据集的构建方式包括：
[0010]获取所述半导体器件的工艺库文件；
[0011]基于所述工艺库文件中的结构尺寸参数和材料属性参数，利用COMSOL有限元分析软件构建所述半导体器件的物理模型；
[0012]在所述COMSOL有限元分析软件中，根据所述半导体器件的功耗范围和环境温度范围，分别为所述物理模型加载多种所述仿真条件，以得到各种所述仿真条件下的所述器件模型，并通过稳态热分析得到每种所述仿真条件下的所述器件模型的结温；
[0013]将每种所述仿真条件对应的环境温度和功耗均作为一个数据样本，并将在该种仿真条件下得到的结温作为该数据样本的真实结温，得到构建完成的所述数据集。
[0014]可选地，所述BP神经网络模型的训练过程包括：
[0015]将所述数据集划分为训练集和测试集；其中，所述训练集中的数据样本为训练样本；所述测试集中的数据样本为测试样本；所述训练样本比所述测试样本多；
[0016]从所述训练集中获取训练样本输入至训练中的所述BP神经网络模型，以使该BP神经网络模型输出所预测的结温；
[0017]基于训练中的所述BP神经网络模型所预测的结温和对应的真实结温之间的相对误差计算模型误差；
[0018]当计算的所述模型误差不小于预设的目标误差时，调整模型参数，返回所述从所述训练集中获取训练样本输入至训练中的所述BP神经网络模型的步骤，继续训练；
[0019]当计算的所述模型误差小于所述目标误差时，得到待测试的所述BP神经网络模型；
[0020]从所述测试集中获取测试样本测试所述BP神经网络模型；
[0021]当测试通过时，得到训练完成的所述BP神经网络模型；
[0022]当测试不通过时，返回所述从所述训练集中获取训练样本输入至训练中的所述BP神经网络模型的步骤，继续训练。
[0023]可选地，所述BP神经网络模型包括：输入层、隐藏层以及输出层；其中，
[0024]所述输入层用于接收所述数据样本，并将所述数据样本传递至所述隐藏层；
[0025]所述隐藏层包括第一子隐藏层和第二子隐藏层；；
[0026]所述第一子隐藏层中的每个神经元，用于分别给所述数据样本中的环境温度和功耗乘以对应的权值；将赋以权值后的环境温度和功耗与所述第一子隐藏层的阈值相加，得到第一求和结果；将所述第一求和结果送入tansig函数得到该神经元的输出；
[0027]所述第二子隐藏层中的每个神经元，用于将所述第一子隐藏层的各个神经元的输出乘以对应的权值，并将得到的各个乘积结果与所述第二子隐藏层的阈值相加，得到第二求和结果；将所述第二求和结果送入tansig函数得到该神经元的输出；
[0028]所述输出层与所述第二子隐藏层中的各个神经元的输出相连，用于根据所述第二子隐藏层中的各个神经元的输出相连，利用purelin函数计算得到所述结温。
[0029]可选地，所述半导体器件包括：半导体芯片或半导体功率器件。
[0030]可选地，所述确定半导体器件的环境温度和功耗，包括：
[0031]通过所述半导体器件所在电路中的温度传感器，确定半导体器件的环境温度；或者，获取半导体器件实际工作环境的环境温度；
[0032]根据所述半导体器件的输入电压、输入电流以及效率，确定所述半导体器件的功耗。
[0033]本专利技术提供的基于BP神经网络模型预测半导体器件结温的方法中，预先通过有限元分析方法构建了数据集，且预先利用该数据集训练好BP神经网络模型；由此，在实际预测半导体器件结温时，只需确定半导体器件的功耗和环境温度，即可准确地预测出半导体器件的结温；与现有的热成像测试获取器件结温的方法相比，本专利技术的预测结果不受外部测试环境的干扰，预测的结温更准确，预测方式也更便捷；与现有的函数拟合的方式相比，BP神经网络模型预测的结温更贴近于半导体器件的结温与器件参数的真实关系，准确性更高。
[0034]并且，本专利技术中，将需要占用大量计算机资源和耗费大量时间的有限元分析过程前置；这样，通过有限元分析得到数据集并训练BP神经网络模型后，便无需再占用任何计算机资源，将半导体器件的环境温度和功耗输入到训练好的BP神经网络模型中，便可以立刻得到预测的结温，提高了结温的分析速度和效率。
[0035]以下将结合附图及对本专利技术做进一步详细说明。
附图说明
[0036]图1是本专利技术实施例提供的一种基于BP神经网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络模型预测半导体器件结温的方法，其特征在于，包括：确定半导体器件的环境温度和功耗；将所确定的环境温度和功耗输入至预先训练完成的BP神经网络模型，以使该BP神经网络模型输出所述半导体器件的结温；其中，所述BP神经网络模型是基于预先构建的数据集所训练获得的；所述数据集包括：通过有限元分析法所获得的、在多种仿真条件下的器件模型的结温；所述器件模型为所述半导体器件的仿真模型，每种所述仿真条件对应一种预设的环境温度和一种预设的功耗。2.根据权利要求1所述的方法，其特征在于，所述数据集的构建方式包括：获取所述半导体器件的工艺库文件；基于所述工艺库文件中的结构尺寸参数和材料属性参数，利用COMSOL有限元分析软件构建所述半导体器件的物理模型；在所述COMSOL有限元分析软件中，根据所述半导体器件的功耗范围和环境温度范围，分别为所述物理模型加载多种所述仿真条件，以得到各种所述仿真条件下的所述器件模型，并通过稳态热分析得到每种所述仿真条件下的所述器件模型的结温；将每种所述仿真条件对应的环境温度和功耗组成的二维向量均作为一个数据样本，并将在该种仿真条件下得到的结温作为该数据样本的真实结温，得到构建完成的所述数据集。3.根据权利要求2所述的方法，其特征在于，所述BP神经网络模型的训练过程包括：将所述数据集划分为训练集和测试集；其中，所述训练集中的数据样本为训练样本；所述测试集中的数据样本为测试样本；所述训练样本比所述测试样本多；从所述训练集中获取训练样本输入至训练中的所述BP神经网络模型，以使该BP神经网络模型输出所预测的结温；基于训练中的所述BP神经网络模型所预测的结温和对应的真实结温之间的相对误差计算模型误差；当计算的所述模型误差不小于预设的目标误差时，调整模型参数，返回所述从所述训练集中...

【专利技术属性】
技术研发人员：吕红亮，戚军军，严思璐，程林，张玉明，张义门，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：