[发明专利]使用输入预处理和转换目标用于训练深度神经网络的半导体器件建模

说明书

一种基于深度神经网络的半导体器件建模系统和方法。通过对测试晶体管的测量来收集训练数据，所述训练数据包括栅极和漏极电压、晶体管宽度和长度、以及在上述输入条件下测量的漏极电流。所述训练数据通过输入预处理模块进行转换，所述输入预处理模块可采用对输入数据求对数或执行主成分分析(PCA)的方法。在训练深度神经网络时，不是将测量漏极电流用作拟合目标，而是将目标转换模块产生的转换漏极电流作为拟合目标，转换方法例如漏极电流关于栅极或漏极电压的导数，或其导数的对数。将输入数据经过深度神经网络的输出与转换漏极电流进行比较得到总误差，通过在训练期间对深度神经网络的权重进行调整，来不断减小总误差值，最终完成训练。

【技术领域】

本发明涉及半导体器件建模，特别涉及使用人工神经网络来对器件进行建模。

【背景技术】

单个集成电路(IC)可能包含一百万个晶体管。每个晶体管通常是形成在半导体衬底上的金属氧化物半导体场效应晶体管(MOSFET)或其变体。在IC设计过程中，会创建一个网表或原理图来详细说明这些晶体管与其他元件如电容和电阻之间的连接。然后可以使用电路仿真器来仿真网表，电路仿真器使用器件模型来仿真每个晶体管的运行。

器件模型估计晶体管的电特性，例如随栅极和漏极电压变化的漏极电流。更精确的仿真可以使用更精确的模型来估计其他参数如寄生电容，以更好地估计延迟和电路时序。

一个重要的模拟器是集成电路重点仿真程序(SPICE)，最初由加利福尼亚大学伯克利分校于1975年开发。自那时以来，SPICE得到了扩展和增强，并有多种变体。伯克利短沟道IGFET模型(BSIM)是另一种特别适用于小尺寸晶体管器件的模型。

测试电路(例如集成电路带有的可以手动用探针探测测试焊盘的晶体管)允许器件工程师手动探测和测试这些器件，以测量随电压变化的电流。使用这些测试结果，器件工程师可以确定器件参数用于SPICE或BSIM器件模型，并将这些参数用于仿真更大规模的IC。尽管这些手动测量被自动测量取代，但提取供SPICE或BSIM模型使用的器件参数仍然非常耗时。

随着器件尺寸缩小，基本的一阶器件模型未能准确地估计较小器件的电流。短沟道长度、埋层和亚微米几何形状所引起的二阶效应需要新的参数和更复杂的器件建模方程。需要添加并测试更多具有不同尺寸和形状的测试设备，以获得这些附加参数的值。自动测量设备允许更快地提取器件模型参数。

随着器件尺寸不断缩小，栅长仅为10纳米或更小的器件对器件建模提出了额外的挑战，因为器件尺寸接近半导体衬底中的原子尺寸。正在使用的新半导体材料，如氮化镓(GaN)、砷化镓(GaAs)和碳化硅(SiC)，其物理性质与硅不同。特殊器件，如鳍式场效应晶体管(FinFET)和绝缘体上硅(SOI)，有三维电流流动，使用较旧的二维电流模型不能精确建模。测量不同尺寸和形状的测试器件的实际电流，对创建有用的器件模型至关重要。

最近，人工神经网络(ANN)被用于生成器件模型和选择模型的参数。人工神经网络特别适用于处理大量数据，这些方式比较复杂很难通过使用传统计算机程序来定义。不是利用指令进行编程，而是将训练数据输入到神经网络，并与预期输出进行比较，然后在神经网络内进行调整，接着再次处理训练数据并进行比较，以产生对神经网络的进一步调整。在经历多次这样的训练周期之后，经过训练的神经网络可以有效地处理类似于训练数据和预期输出的数据。神经网络是机器学习的一个例子，因为神经网络学习如何生成训练数据的预期输出。接着，可以将与训练数据相似的实际数据输入到神经网络来处理实时数据。