一种基于混合算法的器件模型参数自动提取方法

本发明属于紧凑模型参数提取，具体的说，涉及一种基于混合算法的器件模型参数自动提取方法。

背景技术：

1、随着集成电路领域的迅猛发展，用于集成电路中的关键器件，金属氧化物半导体场效应管的特征尺寸已进入纳米量级，器件的物理效应越来越复杂。紧凑模型被用于模拟器件的电学特性，为了对相应的物理器件进行更精确的建模，紧凑模型所包含的参数数量也逐渐增加到几百甚至上千个，这使得传统的基于工程师经验的手动参数提取变得困难。精确高效的紧凑模型参数提取已成为集成电路设计领域的关键环节，发展参数提取自动化方法已是大势所趋。目前，已经有遗传算法、差分算法、贝叶斯优化算法、神经网络、强化学习等算法被应用于参数提取，然而这些方案各自仍存在泛用性不强、难以应对高维挑战等问题。因此，参数提取自动化方法仍需新的突破。

技术实现思路

1、本发明旨在提供一种基于混合算法的器件模型参数自动提取方法，以解决在参数空间中精确高效地提取器件模型参数的问题，辅助模拟电路设计；本发明所提出的基于hirl混合算法的器件模型参数自动提取方法收敛更快，性能更好。

2、本发明的技术方案具体介绍如下。

3、本发明提供一种基于混合算法的器件模型参数自动提取方法，其将himoss算法和强化学习算法相结合，模拟人工参数提取过程，在参数搜索空间中实现全局探索与局部优化的协同，输出所提取的最优的模型参数，实现器件电学特性拟合；具体步骤如下：

4、(1)采集目标电学特性曲线；

5、(2)根据器件特性选择紧凑模型以用于模拟器件的电学特性，定义紧凑模型中待提取的参数的取值范围；

6、(3)使用himoss算法在参数搜索空间中进行初步的探索和定位，生成新的模型参数范围

7、将参数提取问题描述为使目标函数r(x)最大化的数学问题，定义目标函数r(x)，在优化过程中，算法以最大化目标函数r(x)为目标来进行优化；在每个优化周期内，根据子空间的抽样策略在初始定义的模型参数取值范围区间内选择采样点，也就是模型参数x，由目标函数r(x)计算相应的奖励值，并把样本和对应奖励都进行记录；然后，进行子空间更新；重复执行若干周期后，结束循环；根据所记录的采样数据，生成模型参数的新取值范围；

8、(4)使用强化学习算法在新的模型参数范围内进行优化和参数提取

9、每个优化周期内，首先观察环境并确认这一时刻所处的状态st，根据状态st决定这一时刻输出的动作at，即紧凑模型参数序列；随后，通过目标函数计算动作at对应的奖励rt，并得到执行动作at后的新状态st+1，将这一时刻的状态、动作、奖励和下一时刻的状态(st,at,rt,st+1)一起放入经验回放池中；

10、优化完成后，输出最优的紧凑模型参数，实现目标器件电学特性拟合。

11、本发明中，步骤(1)中，使用tcad软件仿真或通过测试真实器件采集电学特性曲线；电学特性曲线包含i-v特性曲线和c-v特性曲线。

12、本发明中，步骤(2)中，紧凑模型为bsimcmg紧凑模型或者bsimsoi紧凑模型。

13、本发明中，步骤(3)中，首先进行himoss算法的初始化设置，定义模型参数x的初始取值范围，最大采样次数t和用于控制新生成的模型参数范围的超参数β；随后进行优化周期的循环。

14、本发明中，步骤(3)中，参数提取问题如下：搜索合适的紧凑模型参数，使得将此模型参数应用于紧凑模型后，紧凑模型所表达出的电学特性曲线与所期望的电学特性曲线尽可能相近。

15、本发明中，步骤(3)和步骤(4)中，当有m个数据点需要拟合时，目标函数r(x)的表达式如下：

16、

17、其中，x代表当前的模型参数取值，h(i,x)代表了第i个数据点拟合值与目标值的相对的误差的平方，wi为第i个数据点所赋予的权重。

18、本发明中，步骤(4)中，强化学习算法的智能体为智能体包含演员网络和评论家网络；演员网络的输入为状态st，输出为动作at，评论家网络的输入为状态st和动作at，输出为动作价值函数。

19、本发明中，步骤(4)中，当智能体和环境交互达到预定次数时，优化结束，此时最优紧凑模型参数为奖励rt最大时所对应的动作at。

20、以上，himoss算法是一种改进型贝叶斯优化算法，通过高斯过程来构建目标函数的代理模型。它具有较高的采样效率，可以快速定位模型参数的潜在最优区域。强化学习是一种与监督学习和无监督学习并列的机器学习方法，智能体在与环境的交互过程中学习。强化学习其在高维空间中的适应性，能够有效地捕捉复杂的状态-动作映射关系。和现有技术相比，本发明的有益效果在于：

21、1)本发明所提出的混合算法hirl，将himoss算法和强化学习算法的优点相结合，模拟人工参数提取过程，在参数搜索空间中实现全局探索与局部优化的协同，能更高效和精确地拟合器件电学特性曲线。

22、2)本发明可以实现在连续参数空间中自动化提取器件紧凑模型参数。

23、3)本发明选用bsimsoi模型和bsimcmg模型，采用tcad仿真数据和器件实测数据进行仿真对比实验。结果表明所提方法性能优于其他的对比算法，证明了本发明的有效性。本发明紧凑模型参数提取自动化领域提供了一种有效方法，可推动参数提取自动化向前发展。

1.一种基于混合算法的器件模型参数自动提取方法，其特征在于，将himoss算法和强化学习算法相结合，模拟人工参数提取过程，在参数搜索空间中实现全局探索与局部优化的协同，输出所提取的最优的模型参数，实现器件电学特性拟合；具体步骤如下：

2.根据权利要求1所述的器件模型参数自动提取方法，其特征在于，步骤(1)中，使用tcad软件仿真或通过测试真实器件采集电学特性曲线；电学特性曲线包含i-v特性曲线和c-v特性曲线。

3.根据权利要求1所述的器件模型参数自动提取方法，其特征在于，步骤(2)中，紧凑模型为bsimcmg紧凑模型或者bsimsoi紧凑模型。

4.根据权利要求1所述的器件模型参数自动提取方法，其特征在于，步骤(3)中，首先进行himoss算法的初始化设置，定义模型参数x的初始取值范围，最大采样次数t和用于控制新生成的模型参数范围的超参数β；随后进行优化周期的循环。

5.根据权利要求1所述的器件模型参数自动提取方法，其特征在于，步骤(3)中，参数提取问题如下：搜索合适的紧凑模型参数，使得将此模型参数应用于紧凑模型后，紧凑模型所表达出的电学特性曲线与所期望的电学特性曲线尽可能相近。

6.根据权利要求1所述的器件模型参数自动提取方法，其特征在于，步骤(3)和步骤(4)中，当有m个数据点需要拟合时，目标函数r(x)的表达式如下：

7.根据权利要求1所述的器件模型参数自动提取方法，其特征在于，步骤(4)中，强化学习算法的智能体包含演员网络和评论家网络；演员网络的输入为状态st，输出为动作at，评论家网络的输入为状态st和动作at，输出为动作价值函数。

8.根据权利要求1所述的器件模型参数自动提取方法，其特征在于，步骤(4)中，当智能体和环境交互达到预定次数或者满足目标函数中设定条件时，优化结束，此时最优紧凑模型参数为奖励rt最大时所对应的动作at。