[发明专利]一种基于集成学习模型的GAAFET直流特性预测方法

说明书

一种基于集成学习模型的GAAFET直流特性预测方法，基于TCAD建立GAAFET器件模型，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；改变设计条件获取数据集，建立集成深度学习的预测模型；预测模型由三个子模型通过greedy ensemble算法集成得到；利用数据集训练预测模型；得到满足要求的预测模型，利用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。本发明结合了随机森林模型、最近邻模型以及深度学习模型，可解决现有GAAFET的直流特性仿真方式耗时长、效率低、受人工因素影响较大等问题中的至少之一。

技术领域

本发明属于半导体仿真技术领域，特别涉及一种基于集成学习模型的GAAFET直流特性预测方法。

背景技术

集成电路一直遵循着摩尔定律而不断缩小晶体管特征尺寸，但这要求电路具有高速度和低功耗。随着技术节点迈入深亚微米，传统的平面体硅MOSFET器件的短沟道效应愈发严峻，特征尺寸缩放达到了物理极限。为了最小化短沟道效应，新型器件结构和工艺应运而生。绝缘体上硅，高K绝缘体，金属栅极，非均匀掺杂等应用于器件设计。FinFET器件被提出后，器件结构自此迈向三维架构。随着持续的缩放趋势，FinFET器件的鳍结构逐步达到其物理极限。此时环栅型晶体管(GAAFET)的提出有效地解决了FinFET所面对的难题，它具有更强的栅极控制能力。

传统获取GAAFET器件特性的仿真方式多是基于器件数值模拟工具TCAD建立器件模型得到的。首先根据不同的工艺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，涉及到的物理模型包括漂移-扩散传输模型、迁移率模型、复合模型、费米统计模型和直接隧穿模型等。通过更改各种设计参数，执行多次迭代，得到每个参数对设备性能的影响

基于TCAD建立GAAFET器件模型可以实现直流特性仿真，但是该过程不仅复杂耗时而且还需具有一定的半导体物理知识，提取基本电学参数需要逐一设计。除此之外，基于TCAD仿真所涉及的数据量较大，仿真数据需要与流片数据比对，在合理的范围内迭代优化模型参数和材料参数，校准实验数据和仿真数据，以保证仿真环境的可靠性和准确性。综上所述，现有GAAFET的直流特性仿真方式耗时长、效率低、受人工因素影响较大。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于集成学习模型的GAAFET直流特性预测方法，该集成学习模型结合了随机森林模型、最近邻模型以及深度学习模型，以解决现有GAAFET的直流特性仿真方式耗时长、效率低、受人工因素影响较大等问题中的至少之一。

为了实现上述目的，本发明采用的技术方案是：

一种基于集成学习模型的GAAFET直流特性预测方法，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；