[发明专利]一种基于集成学习模型的GAAFET直流特性预测方法

权利要求书

1.一种基于集成学习模型的GAAFET直流特性预测方法，其特征在于，包括如下步骤：

步骤1，基于TCAD建立GAAFET器件模型；

利用Sentaurus TCAD工具套件中的Sentaurus SDE工具完成GAAFET器件的结构建模，模拟工艺特性完成模型各部分的掺杂以及网格划分；完成器件结构模型定义后，使用SDevice工具对器件电学特性进行仿真分析，得到转移特性曲线并从中提出所需的电学参数值；

步骤2，基于TCAD仿真建立数据集；

在所述GAAFET器件模型的基础上改变设计条件获取数据集，将数据集分别划分为训练集，交叉验证集和测试集；

步骤3，初步建立集成深度学习的预测模型；

所述预测模型由三个子模型通过greedy ensemble算法集成得到；所述三个子模型为随机森林模型，最近邻模型以及深度学习模型；所述随机森林模型，最近邻模型以及深度学习模型的输入均为所述GAAFET器件参数，输出均为GAAFET器件的转移特性曲线中均匀提出的N个点或均为GAAFET器件的基本电学参数；

步骤4，利用所述训练集，交叉验证集和测试集对所述预测模型进行训练；得到满足要求的预测模型，利用所述满足要求的预测模型预测不同参数以及不同工作条件下的GAAFET器件直流特性。

2.根据权利要求1所述基于集成学习模型的GAAFET直流特性预测方法，其特征在于，所述步骤1，通过TCAD仿真软件改变设计参数获取两组数据集用于预测模型的学习与预测，数据集一为GAAFET器件的转移特性曲线，数据集二为GAAFET器件的基本电学参数；数据集一和数据集二均将GAAFET器件参数作为预测模型的输入，数据集一所对应的输出为GAAFET器件的转移特性曲线中均匀提出的N个点，数据集二所对应的输出为GAAFET器件的基本电学参数。

3.根据权利要求2所述基于集成学习模型的GAAFET直流特性预测方法，其特征在于，所述GAAFET器件参数包括：栅极长度、沟道高度、沟道宽度和栅氧化层厚度；所述基本电学参数包括：跨导、亚阈值摆幅和阈值电压。

4.根据权利要求1所述基于集成学习模型的GAAFET直流特性预测方法，其特征在于，所述步骤3，使用greedy ensemble算法对所述三个子模型进行M轮投票得到三个子模型各自权重，以权重最大的子模型输出结果为预测模型输出结果。

5.根据权利要求4所述基于集成学习模型的GAAFET直流特性预测方法，其特征在于，所述随机森林模型的子树数量为300；所述最近邻模型的K值为7；所述深度学习模型为卷积神经网络模型，由一层输入层，两层全连接输入扩展层，两层卷积层，两层全连接层，一层输出层组成；其中，第一层全连接输入扩展层由32个神经元组成，第二层全连接输入扩展层由64个神经元组成，每一层全连接输入扩展层后均添加一个批量归一化单元与一个LeakyReLu激活函数；卷积层每层的kernel为3*3，通道数为32，stride为1，padding为1；两层全连接层中，第一层由512个神经元组成，第二层由128个神经元组成。

6.根据权利要求1所述基于集成学习模型的GAAFET直流特性预测方法，其特征在于，所述步骤4，将训练集输入预测模型，通过损失函数衡量预测值与真实值之间的差距，优化预测模型，同时将交叉验证集输入预测模型，通过对比其损失函数曲线与训练集损失函数曲线来提高预测模型精度的同时削弱训练过拟合造成的不良影响；将测试集数据输入预测模型，评估其预测准确率及泛化能力。

7.根据权利要求6所述基于集成学习模型的GAAFET直流特性预测方法，其特征在于，所述损失函数为RMSE损失函数，将划分好的训练集分别输入三个子模型，通过参数搜索找到单个子模型最优解，其中随机森林中子树个数为300，最近邻模型中K值为7，深度学习模型使用Adam梯度下降优化算法更新每层网络的权重，并进行动态学习率调整，以便达到更好的训练效果；然后使用greedy ensemble算法，进行M轮投票，确定三个子模型各自权重，实现模型集成。