[发明专利]一种通用器件模型优化方法及系统

说明书

本发明公开了一种通用器件模型优化方法及系统，涉及半导体器件建模技术领域，首先对器件参数和电压偏置进行数据预处理；其次采用均方相对误差和多目标损失函数构建神经网络模型；最后从数据中随机选取若干组不同参数组合下的数据，对模型进行初步的训练，并在初步训练模型的基础上，将所有数据导入神经网络模型，进行神经网络的训练。本发明综合了数据归一化处理、多目标损失函数、模型预训练等方法，该方法得到的模型可以保证器件在各种参数组合和偏压下的电流精度同时能有效缩短训练时间。

技术领域

本发明涉及半导体器件建模技术领域，具体涉及一种通用器件模型优化方法及系统。

背景技术

目前，在半导体工艺开发中，TCAD仿真发挥着非常重要的作用。但是TCAD仿真的速度较慢，在优化工艺参数组合时，需要的仿真次数多，就降低了工艺开发的效率。根据TCAD仿真的历史数据，建立工艺参数到器件电学特性的通用模型，代替TCAD仿真器进行计算，就可以提高工艺参数的优化效率。为了克服TCAD仿真存在的这种问题，不同的机器学习算法已经被用于器件仿真，利用提供的训练数据，算法可以准确的模拟出器件仿真的结果。最重要的是，算法具备可预测性，即可以预测提供的参数范围外器件TCAD仿真的结果，这使得其可与器件仿真相结合，通过采用一定量的TCAD仿真数据，利用算法建立可预测的模型，从而可以减少大量TCAD仿真所需的时间。

2021年Kashyap Mehta ,Hiu-Y ung Wong等人用机器学习预测FinFET电流-电压和电容-电压曲线，展示了利用有限的训练数据（25-50组），通过机器训练预测通用器件IV和CV曲线的可能性。

2021年Chandni Akbar, Yiming Li等人提出了一种机器学习（ML）辅助的三维多通道栅极全硅纳米片MOSFET功函数波动器件模拟。所提出的用于预测ID–VG曲线的ML-RFR算法表现出与器件模拟相同的精度。

2022年R. Butola, Y. Li 和S. R. Kola提出了基于机器学习的全硅纳米片MOSFET内部参数波动建模方法，结果表明，所提出的模型预测的输出具有99%的R2分数和小于1%的错误率。

可见，机器学习已经可以用于建立器件模型代替TCAD仿真，可节约大量TCAD仿真时间。但是其模型精度，训练时间，以及建模算法的通用性有很大优化和提升空间。

发明内容

有鉴于此，本发明提供了一种通用器件模型优化方法及系统，以解决器件模型建立过程中存在的模型精度，模型训练时长以及模型通用性的问题。

为了实现上述目的，本发明采用如下技术方案：

一方面，提供一种通用器件模型优化方法，包括以下步骤：

步骤1、对器件参数和电压偏置进行数据预处理；

步骤2、采用均方相对误差和多目标损失函数构建神经网络模型；

步骤3、从数据中随机选取若干组不同参数组合下的数据，对模型进行初步的训练，并在初步训练模型的基础上，将所有数据导入神经网络模型，进行神经网络的训练。

可选的，所述预处理具体包括：

首先，对器件结构参数归一化处理；

其次，对电流作转换函数处理；

最后，对栅源电压、漏源电压作平滑函数处理。

可选的，所述归一化处理的公式为：

其中，为归一化后的结构参数，为结构参数。

可选的，所述转换函数为：

；

其中，为输出电流，为漏源电压， y为转换后对应的数据。

可选的，所述栅源电压、漏源电压的平滑函数分别为：