一种基于Angelov模型的HEMT器件自动化紧凑模型参数提取方法

摘要: 本发明属于半导体器件建模与电子设计自动化,尤其涉及一种基于angelov模型的hemt器件自动化紧凑模型参数提取方法。背景技术:1、高电子迁移率晶体管(hemt...
一种基于Angelov模型的HEMT器件自动化紧凑模型参数提取方法

本发明属于半导体器件建模与电子设计自动化,尤其涉及一种基于angelov模型的hemt器件自动化紧凑模型参数提取方法。

背景技术:

1、高电子迁移率晶体管(hemt)是射频、微波和毫米波电路中的重要有源器件。以ingaas/gaas phemt为例,其依靠algaas/ingaas/gaas异质结形成高迁移率二维电子气,能够在较高频率下获得较大的跨导、较低的输入噪声和较好的小信号增益,因而广泛应用于低噪声放大器、接收机前端、卫星通信和毫米波小信号放大电路。

2、在hemt器件电路设计中,紧凑模型是连接器件工艺、电学特性测试数据和电路仿真的关键环节。angelov模型能够通过经验型非线性函数描述hemt器件的转移特性、输出特性和偏置相关电容,在参数数量相对可控的前提下覆盖直流、电容以及小信号射频仿真的主要需求,因而被广泛用于gaas phemt、ingaas/gaas phemt和gan hemt等器件的建模。

3、现有angelov模型参数提取通常依赖人工反复调参以及仿真器反复调用。直流i-v参数提取过程中,需要在不同栅源电压vgs和漏源电压vds偏置下反复运行仿真器并比较id-vgs转移特性、id-vds输出特性、跨导gm曲线、膝点区以及准饱和区误差;c-v参数提取过程中,还需要根据小信号导纳或电容曲线提取cgs、cgd、cds等偏置相关电容参数,并与后续s参数验证保持一致。该过程耗时长、对经验依赖强,且容易出现参数物理性不足、局部曲线拟合较好但整体模型验证不一致等问题。

4、尤其是在采用hspice、ads或其他eda仿真器进行参数优化时,若每一次候选参数评价均直接调用原始仿真器生成完整i-v曲线,将导致优化速度低、批量建模效率差。若完全依赖人工调参,又难以保证在较大的参数空间内获得全局较优的模型参数。因此,需要一种能够结合人工物理经验、神经网络快速预测和自动优化算法的hemt器件angelov紧凑模型参数提取方法,以减少重复仿真器调用并提高参数提取效率和拟合精度。

技术实现思路

1、为了克服现有技术的不足,本发明的目的在于提供一种基于angelov模型的hemt器件自动化紧凑模型参数提取方法,其能够减少重复调用仿真器的时间成本,提高angelovi-v参数提取效率和拟合精度,避免完全随机搜索导致的非物理解和低效率问题,可用于模型库建设、工艺评估和射频电路设计。

2、针对上述技术问题,本发明采用如下技术方案实现:一种基于angelov模型的hemt器件自动化紧凑模型参数提取方法,包括以下步骤:

3、步骤1、获取hemt器件的i-v数据、c-v数据及偏置信息;

4、步骤2、建立小信号等效电路并提取寄生参数;

5、步骤3、通过人工调参确定angelov紧凑模型的i-v模型参数初值,并以所述初值为中心构建参数搜索范围;

6、步骤4、在所述搜索范围内调用仿真器生成i-v样本数据,训练以angelov紧凑模型的i-v模型参数和偏置条件为输入、以i-v数据为输出的神经网络;

7、步骤5、采用optuna优化算法调用所述神经网络替代仿真器进行i-v参数寻优,得到angelov紧凑模型的i-v模型参数;

8、步骤6、基于偏置相关电容数据提取cgs和cgd的angelov紧凑模型的c-v模型参数;

9、步骤7、将angelov紧凑模型的i-v模型参数和angelov紧凑模型的c-v模型参数共同回代至angelov紧凑模型进行验证。

10、进一步地,步骤1具体包括:

11、步骤1-1、sde 结构建模,建立gaas衬底、ingaas沟道、algaas势垒、gaas cap、si3n4 钝化、recess栅和源漏接触结构,输出网格文件和边界文件,保证2deg、栅控和漏端高场区的物理来源明确;

12、步骤1-2、获取hemt器件在多个栅源电压vgs和漏源电压vds偏置条件下的i-v数据,所述i-v数据包括id-vgs转移特性曲线数据、id-vds输出特性曲线数据以及由id对vgs求导得到的跨导gm数据,用于提取angelov直流电流源、栅控参数和输出调制参数;

13、步骤1-3、获取hemt器件的c-v数据,包括cgs和cgd,并可选包括cds;

14、步骤1-4、对获取的数据进行单位归一化、端口极性检查、偏置范围检查、曲线连续性检查和异常点处理,形成用于后续参数提取的目标数据集。

15、进一步地,步骤2具体包括:

16、步骤2-1、建立小信号等效电路。在完成tcad dc i-v仿真和多偏置s参数仿真后,首先建立小信号等效电路,并从s参数中提取外部寄生网络;

17、步骤2-2、寄生参数提取。

18、进一步地,步骤3具体包括:

19、步骤3-1、外部i-v数据本征化处理;先利用寄生电阻参数对 i-v 数据进行去嵌,将外部端口数据转换为本征沟道数据;

20、步骤3-2、建立angelov紧凑模型的i-v模型;

21、步骤3-3、基于物理意义进行初值估计;基于参数的物理意义,对初值进行人工估计和校正;对–曲线进行分组,并在高漏压区域提取近似饱和电流随的变化关系。

22、进一步地,步骤4具体包括:

23、步骤4-1、在搜索范围内生成样本;选择优化对象和优化参数的初始值,设置搜索范围作为后续生成训练数据的参数范围,选择采样方式,完成后即可开始生成训练数据;自动调参程序通过替换hspice仿真文件中的占位符,并运行hspice程序,从输出文件中提取不同参数组合下的i-v样本数据并保存,作为后续神经网络训练的输入;

24、步骤4-2、设置神经网络;神经网络的输入端接收两类异构信息,首先通过两个独立的编码器分别对其进行特征提取;两个编码器输出的特征向量在通道维度上进行拼接,形成融合特征,随后送入解码器;解码器由若干全连接层顺序堆叠构成,层间采用非线性激活函数,逐层对融合特征进行变换与抽象,最终输出一个标量值;

25、步骤4-3、设置损失函数。

26、进一步地,步骤5具体包括:optuna优化算法根据上述神经网络输出的i-v数据计算各候选参数对应的损失值,采样器将候选参数及其对应的损失值存入历史记录,更新内部模型,再根据历史决定下一个参数。

27、进一步地,步骤6具体包括:

28、步骤6-1、c-v数据预处理;c-v 参数拟合的数据来自小信号去嵌后得到的本征电容数据;在数据预处理阶段,首先读取电容数据表;对明显异常的数据进行剔除;经过清洗后,得到用于后续电容模型拟合的数据集;

29、步骤6-2、cgs双sigmoid模型与参数提取;

30、步骤6-3、cgd模型与参数提取。

31、进一步地,步骤7具体包括:回代验证时,首先将 angelov 直流参数、电容模型参数和寄生参数写入统一模型;随后在与 tcad 完全一致的 vgs、vds 与频率点上运行包含所述i-v模型和c-v模型的angelov紧凑模型;最后将模型输出与 tcad 数据逐点对齐;对dc 曲线优先比较外部端口电压下的 id;对 c-v 曲线,比较去嵌后的本征 cgs/cgd;对s参数,比较复数 sij。

32、进一步地,步骤1-2中,对id-vgs转移特性曲线和id-vds输出特性曲线进行平滑处理后再计算gm和gds;对cgs、cgd和cds数据进行正值性检查和连续性检查,以避免电容模型追随异常数值点。

33、进一步地,步骤3-1中,外部测试或tcad 输出的漏源电压、栅源电压和漏极电流分别为、和,源极、漏极寄生电阻分别为和;本征漏源电压由外部漏源电压扣除源漏串联电阻压降得到:

34、

35、由于源极寄生电阻会使器件内部源端电位抬升,本征栅源电压写为:

36、

37、忽略栅电流对漏极电流分配的影响,本征漏极电流近似取为:

38、

39、经过上述处理后,可得到用于 angelov 本征电流源拟合的数据集:

40、

41、通过上述处理,从i–v数据中剥离源漏寄生电阻引起的端口电压误差。

42、步骤3-2中,angelov紧凑模型将分解为栅压控制项和漏压输出项两部分,其中、、、、等参数主要由–转移特性决定,、、等参数主要由–输出特性决定;

43、采用的 angelov 直流电流表达式为:

44、

45、

46、其中:

47、

48、栅压控制函数定义为:

49、

50、其中用于描述随漏压变化的修正:

51、

52、峰值跨导对应的等效栅压位置写为:

53、

54、漏压饱和控制系数为:

55、

56、漏压调制系数为:

57、

58、在本阶段拟合中,、、和作为模型固定参数或高压修正参数处理,优化、、、、、、、、、、和共12个 dc 参数。

59、相比现有技术,本发明的有益效果在于:

60、1.本发明的基于angelov模型的hemt器件自动化紧凑模型参数提取方法,其以人工调参得到的物理合理参数初值为中心构建搜索范围,避免完全随机搜索导致的非物理解和低效率问题。

61、2.本发明通过训练以模型参数和偏置条件为输入、以i-v数据为输出的神经网络,用于替代优化过程中的原始仿真器i-v生成环节,能够减少重复调用仿真器的时间成本。

62、3.本发明采用optuna优化算法在神经网络替代仿真器的基础上进行全局寻优,能够提高angelov i-v参数提取效率和拟合精度,并进一步提取cgs和cgd的c-v模型参数,与i-v参数共同回代验证,使直流、电容和射频小信号验证具有统一性。

63、4.本发明以人工调参得到的物理合理初值为中心构建参数搜索范围,通过神经网络替代仿真器生成i-v数据,并结合optuna优化算法进行全局寻优,随后提取c-v模型参数并完成统一回代验证,适用于gaas phemt、ingaas/gaas phemt、gan hemt等hemt器件的紧凑模型建模,可用于模型库建设、工艺评估和射频电路设计。