-
公开(公告)号：CN118627445A
公开(公告)日：2024-09-10
申请号：CN202410665084.4
申请日：2024-05-27
Applicant: 西安电子科技大学杭州研究院 , 西安电子科技大学
IPC: G06F30/367 , G06F30/373 , G06F18/214 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于神经网络的1200V SiCMOSFET建模优化及性能预测方法，包括以下步骤；步骤1，基于TCAD建立1200V沟槽型SiCMOSFET器件模型；步骤2，基于TCAD仿真建立数据集，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预测模型，进行后续器件电学特性预测和输出特性曲线预测；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；步骤5，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，满足要求的模型即可用于不同参数以及不同工作条件下的SiCMOSFET器件电学特性预测。本发明提高了器件设计效率以及准确度，拓展了微电子器件预测的可能性。
-
公开(公告)号：CN115561559A
公开(公告)日：2023-01-03
申请号：CN202211274849.9
申请日：2022-10-18
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于稠密连接网络的单粒子预测效应方法，包括以下步骤；步骤1，GEANT4建模：步骤2，将获取到的不同粒子条件下的LET数据作为数据集；步骤3，将样本总数据集随机划分为训练集，交叉验证集和测试集，并固定随机种子以确保实验结果可复现；步骤4，基于稠密连接网络构建预测模型；步骤5，将训练集输入预测模型优化预测模型；步骤6，在步骤5过程中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调整优化过程中的训练集重复训练次数与反向传播中的学习率；步骤7，评估其预测准确率与泛化能力。本发明能准确和快速地预测微电子器件的线性能量传输数据，从而分析单粒子效应对其产生的影响。
-
公开(公告)号：CN116306402A
公开(公告)日：2023-06-23
申请号：CN202211582911.0
申请日：2022-12-08
Applicant: 西安电子科技大学
IPC: G06F30/3308 , G06F30/10 , G06N3/0464 , G06N3/08
Abstract: 一种基于K折交叉验证集成学习模型的GAAFET电容特性预测方法，通过TCAD仿真软件建立GAAFET器件模型；通过改变设计参数，得到多条不同设计条件下的电容‑电压特性曲线，以相同的电压间隔，从每条曲线中取出N个数据点作为训练集成学习模型的数据集，按比例划分成训练集、交叉验证集和测试集，并通过K折交叉将训练集划分为K个子集；集成学习模型的输入为一组设计参数，输出为GAAFET器件电容特性；利用数据集训练集成学习模型，满足要求的模型用于不同参数以及不同工作条件下的GAAFET器件电容特性预测。本发明能够快速准确地预测GAAFET特性，解决传统方法所存在的耗时长、效率低、受人工因素等缺点。
-
公开(公告)号：CN116245058A
公开(公告)日：2023-06-09
申请号：CN202211575462.7
申请日：2022-12-08
Applicant: 西安电子科技大学
IPC: G06F30/33 , G06F30/10 , G06N20/20 , G06F18/2431 , G06F111/10
Abstract: 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。
-
-
-
Search Results
4
records
(took 0.074 seconds)
