-
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
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
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：CN119997631A
公开(公告)日：2025-05-13
申请号：CN202510212140.3
申请日：2025-02-25
Applicant: 西安电子科技大学
IPC: H10F30/225 , H10F77/14 , H10F71/00
Abstract: 本发明公开了一种红外增强的单光子雪崩二极管器件，包括位于器件表面中心位置的P+光敏区，P+光敏区外侧包围P‑注入区，P‑注入区外侧包围深N阱，深N阱外侧包围P型衬底；所述P+光敏区、P‑注入区、深N阱和P型衬底上表面平齐；所述P+光敏区作为光敏面吸收光子，从表面处引出金属阳极，形成欧姆接触；P‑注入区中埋入一个P型电荷层，深N阱中埋入N埋层，N埋层位于P型电荷层下方，且所述P型电荷层和N埋层位于器件的中心位置；N埋层形成深度较深的主雪崩区。本发明能够有效提升硅基单光子雪崩二极管在近红外波段的探测效率。
-
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
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。
-
-
-
Search Results
4
records
(took 0.044 seconds)
