一种半导体器件参数智能提取方法及装置

本发明涉及集成电路，尤其涉及一种半导体器件参数智能提取方法及装置。

背景技术：

1、在半导体领域，晶体管紧凑模型参数的提取是实现电路设计与半导体器件技术无缝对接的核心。晶体管紧凑模型参数的提取，需要从半导体器件的物理特性中提取出一组参数，这些参数能够精确描述半导体器件的行为，并用于电路模拟软件中，以预测半导体器件在各种工作条件下的性能。半导体器件参数提取的精确性对电路设计的性能预测和优化至关重要，对集成电路设计的成功具有决定性影响。

2、目前，传统的半导体器件参数提取方法通常涉及将参数分组，并将它们与不同的曲线区域相关联。然而，传统的半导体器件参数提取方法不仅需要多次迭代，还要依赖于领域专家的专业知识，尤其对于复杂的模型，如伯克利短沟道igfet模型-通用多栅（berkeleyshort-channel igfet model-compact model for 3d gate stack transistors，bsim-cmg），进行半导体器件参数的提取，可能需要数天甚至数周的时间来完成，需要消耗大量的时间，使得半导体器件参数提取的效率较低；对于半导体器件参数的提取需要依赖于专家的深厚专业知识，必须综合考虑各种物理效应和分析半导体器件的结构等因素，如果专家分析的因素不是很精细，会影响半导体器件参数提取的准确性，使得半导体器件参数提取的准确性较低。

技术实现思路

1、本发明实施例的目的是提供一种半导体器件参数智能提取方法及装置，解决半导体器件参数提取的效率较低以及半导体器件参数提取的准确性较低的问题。

2、为解决上述技术问题，本发明实施例提供如下技术方案：

3、本发明第一方面提供一种半导体器件参数智能提取方法，半导体器件参数智能提取方法包括：

4、获取半导体器件的目标数据，目标数据为半导体器件的端特性之间的关系曲线；

5、将目标数据输入初始神经网络的提取器，以使初始神经网络的提取器输出半导体器件的当前模型参数组合，初始神经网络的提取器是利用预设目标数据和预设目标数据对应的预设模型参数组合进行训练得到的提取器；

6、将当前模型参数组合输入仿真器中，仿真出当前模型参数组合的当前目标数据，并计算当前目标数据对应的多个第一电学目标；

7、根据多个第一电学目标和实际电学目标，计算第一误差，实际电学目标为根据目标数据计算的电学目标；

8、判断第一误差是否小于预设误差；

9、若否，则根据神经网络的梯度、比例因子和第一误差，确定概率因子；

10、根据概率因子，调整当前模型参数组合，得到更新的模型参数组合，将更新的模型参数组合作为当前模型参数组合，并返回将当前模型参数组合输入仿真器中，仿真出当前模型参数组合的当前目标数据，并计算当前目标数据对应的多个第一电学目标的步骤；

11、若是，则根据当前模型参数组合和预设范围，生成模型参数范围，并在模型参数范围内进行蒙特卡罗仿真，生成数据集，数据集包括第一目标数据集和对应的第一模型参数组合；

12、将目标数据输入到训练完成的神经网络的提取器，以使训练完成的神经网络的提取器输出目标模型参数组合，训练完成的神经网络的提取器为将第一目标数据集和第一模型参数组合输入到初始神经网络的提取器，以对初始神经网络的提取器进行训练得到的提取器。

13、本申请第二方面提供一种半导体器件参数智能提取装置，半导体器件参数智能提取装置包括：

14、获取模块，用于获取半导体器件的目标数据，目标数据为半导体器件的端特性之间的关系曲线；

15、当前模型参数组合提取模块，用于将目标数据输入初始神经网络的提取器，以使初始神经网络的提取器输出半导体器件的当前模型参数组合，初始神经网络的提取器是利用预设目标数据和预设目标数据对应的预设模型参数组合进行训练得到的提取器；

16、仿真模块，用于将当前模型参数组合输入仿真器中，仿真出当前模型参数组合的当前目标数据，并计算当前目标数据对应的多个第一电学目标；

17、误差计算模块，用于根据多个第一电学目标和实际电学目标，计算第一误差，实际电学目标为根据目标数据计算的电学目标；

18、判断模块，用于判断第一误差是否小于预设误差；

19、确定模块，用于若否，则根据神经网络的梯度、比例因子和第一误差，确定概率因子；

20、调整模块，用于根据概率因子，调整当前模型参数组合，得到更新的模型参数组合，将更新的模型参数组合作为当前模型参数组合，并返回将当前模型参数组合输入仿真器中，仿真出当前模型参数组合的当前目标数据，并计算当前目标数据对应的多个第一电学目标的步骤；

21、生成模块，用于若是，则根据当前模型参数组合和预设范围，生成模型参数范围，并在模型参数范围内进行蒙特卡罗仿真，生成数据集，数据集包括第一目标数据集和对应的第一模型参数组合；

22、目标模型参数组合提取模块，用于将目标数据输入到训练完成的神经网络的提取器，以使训练完成的神经网络的提取器输出目标模型参数组合，训练完成的神经网络的提取器为将第一目标数据集和第一模型参数组合输入到初始神经网络的提取器，以对初始神经网络的提取器进行训练得到的提取器。

23、相较于现有技术，本发明提供的半导体器件参数智能提取方法及装置，根据概率因子，调整当前模型参数组合，得到更新的模型参数组合，可以自动确定更新的模型参数组合，进而在第一误差小于预设误差时，根据当前模型参数组合和预设范围，生成模型参数范围，可以自动的确定模型参数范围，提高确定模型参数范围的效率，进而提高半导体器件参数提取的效率；在第一误差不小于预设误差时，根据神经网络的梯度、比例因子和第一误差，确定概率因子，可以根据概率因子，调整当前模型参数组合，使得更新的模型参数组合更加准确，进而使得半导体器件参数提取的准确性较高。

技术特征：

1.一种半导体器件参数智能提取方法，其特征在于，所述半导体器件参数智能提取方法包括：

2.根据权利要求1所述的半导体器件参数智能提取方法，其特征在于，所述多个第一电学目标包括第一漏极电流、第一最大跨导、第一线性区跨导、第一线性区的阈值电压、第一饱和漏电流、第一截止漏电流和第一亚阈值斜率，所述实际电学目标包括实际漏极电流、实际最大跨导、实际线性区跨导、实际线性区的阈值电压、实际饱和漏电流、实际截止漏电流和实际亚阈值斜率。

3.根据权利要求2所述的半导体器件参数智能提取方法，其特征在于，所述根据所述多个第一电学目标和实际电学目标，计算第一误差，包括：

4.根据权利要求3所述的半导体器件参数智能提取方法，其特征在于，所述根据所述第一漏极电流、所述第一最大跨导、所述第一线性区跨导、所述第一线性区的阈值电压、所述第一饱和漏电流、所述第一截止漏电流和所述第一亚阈值斜率，以及所述实际漏极电流、所述实际最大跨导、所述实际线性区跨导、所述实际线性区的阈值电压、所述实际饱和漏电流、所述实际截止漏电流和所述实际亚阈值斜率，计算所述第一误差，包括：

5.根据权利要求1所述的半导体器件参数智能提取方法，其特征在于，所述比例因子包括第一比例因子和第二比例因子，所述第一比例因子和第二比例因子不同，所述根据神经网络的梯度、比例因子和所述第一误差，确定概率因子，包括：

6.根据权利要求5所述的半导体器件参数智能提取方法，其特征在于，所述根据所述梯度和所述第一比例因子，确定第一变换方程，包括：

7.根据权利要求5所述的半导体器件参数智能提取方法，其特征在于，所述根据所述第一变换方程、所述第二比例因子和所述第一误差，确定概率因子，包括：

8.根据权利要求1所述的半导体器件参数智能提取方法，其特征在于，所述根据所述概率因子，调整所述当前模型参数组合，得到更新的模型参数组合，包括：

9.根据权利要求1所述的半导体器件参数智能提取方法，其特征在于，所述当前模型参数组合包括：栅极功函数、界面陷阱参数、sio2等效栅极介电厚度、每单位宽度的零偏置源极到漏极延伸电阻、低场迁移率、饱和区域的饱和速度、长沟道饱和漏极电压参数、饱和漏极电压的平滑函数因子以及漏极感应势垒降低效应的相关参数。

10.一种半导体器件参数智能提取装置，其特征在于，所述半导体器件参数智能提取装置包括：

技术总结本发明提供一种半导体器件参数智能提取方法及装置，涉及集成电路技术领域。此方法包括：首先将获取的半导体器件的目标数据输入初始神经网络的提取器，以获取当前模型参数组合。然后使用仿真器输出当前模型参数组合的当前目标数据，并计算当前目标数据对应的多个第一电学目标。计算第一误差，判断第一误差是否小于预设误差，若否，调整当前模型参数组合并重新仿真和计算第一误差，直至第一误差小于预设误差，根据当前模型参数组合和预设范围，生成模型参数范围。最终根据模型参数范围生成数据集，利用数据集所训练完成的神经网络的提取器，输出目标模型参数组合。可有效提高半导体器件参数提取的效率和准确性。技术研发人员：游海龙,郭广鑫,于淼,崔镇海,李聪受保护的技术使用者：西安电子科技大学技术研发日：技术公布日：2024/9/17