公开(公告)号：CN119442888A

公开(公告)日：2025-02-14

申请号：CN202411541173.4

申请日：2024-10-31

Applicant: 西安电子科技大学杭州研究院 ,  西安电子科技大学

Inventor： 王树龙 ,  周浩 ,  黎浏滔 ,  严杏圆 ,  孙志逸 ,  顾诗洁 ,  赵鹏

IPC: G06F30/27 ,  G06F30/25 ,  G06N3/0464 ,  G06N3/084

Abstract: 基于人工神经网络的功率VDMOSFET单粒子效应预测方法，包括以下步骤；步骤1：基于TCAD建立功率Si基VDMOSFET器件模型，收集到Si基VDMOSFET的单粒子效应仿真数据；步骤2，基于TCAD仿真数据建立数据集，将数据集划分为训练集、交叉验证集和测试集；步骤3，建立基于卷积神经网络的深度学习预测模型；步骤4，将训练集输入深度学习预测模型，通过损失函数衡量预测值与真实值之间的差距，优化深度学习预测模型；步骤5，将测试集数据输入优化后的深度学习预测模型，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Si基VDMOSFE器件的单粒子效应预测。本发明具有预测精度高，预测时间快的特点。

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

Inventor： 王树龙 ,  周浩 ,  黄金 ,  孙志逸 ,  黎浏滔 ,  严杏圆 ,  陈思宇

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：CN118316453A

公开(公告)日：2024-07-09

申请号：CN202410411977.6

申请日：2024-04-08

Applicant: 西安电子科技大学

Inventor： 王树龙 ,  马浩 ,  黎浏滔 ,  冯旺龙 ,  刘诗杰 ,  刘海宇 ,  张旭艳

IPC: H03M3/00 ,  H03M1/66 ,  G06N3/0464 ,  G06N3/063 ,  G06N3/084

Abstract: 本发明公开了一种基于神经网络的Sigma‑Delta调制器校准方法，包括以下步骤；步骤1.建立实际Sigma‑Delta调制器和参考理想Sigma‑Delta调制器；步骤2.采用相干采样，将同一输入信号输入到调制器中，分别进行FFT仿真；采样作为样本数据集和参考数据集；步骤3.构建Sigma‑Delta调制器校准方案；步骤4.构建卷积神经网络模型；步骤5.输入样本数据集训练卷积神经网络，获得训练完成的神经网络校准模型，训练过程中迭代优化卷积神经网络模型参数和超参数，直至神经网络收敛；步骤6.将训练好的神经网络校准模型应用到Sigma‑Delta调制器中，Sigma‑Delta调制器输出经过网络校准输出校准后的数字码，做FFT仿真得到校准后的调制器性能并于校准前的性能进行比对。本发明能够同时校准多项误差，有效提升调制器性能。

公开(公告)号：CN117852475A

公开(公告)日：2024-04-09

申请号：CN202410015282.6

申请日：2024-01-04

Applicant: 西安电子科技大学

Inventor： 王树龙 ,  陈荟锴 ,  潘锦斌 ,  周浩 ,  黎浏滔 ,  冯旺龙 ,  严杏圆

IPC: G06F30/39 ,  G06F30/27 ,  G06N3/0464 ,  G06N3/0499 ,  G06N3/09 ,  G06F119/02

Abstract: 基于神经网络的CMOS反相器电磁可靠性预测方法，其特征在于，包括以下步骤；步骤1：通过TCAD器件建模，完成CMOS反相器的物理模型搭建与基本特性的验证；步骤2：筛选影响CMOS反相器电磁可靠特性的参数；步骤3：通过控制变量法改变参数输入组合进行仿真实验，获得样本集；步骤4：建立神经网络预测CMOS反相器在不同条件之下的毁伤类型，针对不同毁伤类型的情况下分别预测步骤2中的两种电磁毁伤量化参数；步骤5：利用所述样本集数据训练神经网络；步骤6：最后利用测试集数据对训练完成的网络进行功能验证和效果评估。本发明通过神经网络预测的方式，能够很快获得CMOS反相器的电磁可靠特性预测，并且通过工作条件实现对CMOS反相器电磁损伤类型的分类。