一种基于RBF神经网络模型预测半导体器件结温的方法

技术领域

本发明属于集成电路分析技术领域，具体涉及一种基于RBF(Radial BasisFunction，径向基函数)神经网络模型预测半导体器件结温的方法。

背景技术

随着微电子制造工艺的飞速发展，半导体器件的尺寸不断缩小，功率密度成倍增加。然而，高功率密度容易导致器件及电路的工作温度显著升高。升高的器件结温不仅会影响器件的电学性能，还会使器件自热效应严重增大，缩短器件寿命，影响器件可靠性。因此，在芯片设计阶段，电路设计者就需要对器件结温及温度特性进行准确评估，以便通过散热结构设计及合理布局布线，实现芯片版图布局的优化，确保器件及电路的电热可靠性，从而提高芯片及系统工作的稳定性。

为了准确对半导体器件结温进行分析，现有技术有使用红外热成像方式测量器件结温的方法，也有使用函数拟合的特征函数法拟合器件结温方法；其中，对于红外测量结温而言，由于半导体器件裸片尺寸在微米级别，裸片的测试需要结合探针台进行，对热成像设备、测试环境、红外热成像仪的分辨率都提出很高要求，稍有偏差便容易得到误差大的测量结果；另外，由于成品电路中的器件数量庞大，采用红外测量的方式难以保证器件的测量覆盖率；因此，在高标准的测试要求以及较低的器件覆盖率两方面的限制下，使得红外测量器件结温这种分析方式的在实际开发周期中难以切实施展；而对于函数拟合的方式而言，需要根据实际实验数据，使用一次函数、幂指数函数等进行函数拟合，以此来表达器件参数与器件结温的关系；但是，器件结温与器件参数的关系并不会严格遵守某一数学函数关系，故而这种方式在拟合精度上存在一定的误差。

因此，有必要寻求一种简单、高效、快速以及精确地预测半导体器件结温的方案。

发明内容

为了能够简单、高效、快速以及精确地预测半导体器件结温，本发明提供了一种基于RBF神经网络模型预测半导体器件结温的方法，包括

一种基于RBF神经网络模型预测半导体器件结温的方法，包括：

确定半导体器件的环境温度和功耗；

将所确定的环境温度和功耗输入至预先训练完成的RBF神经网络模型，以使该RBF神经网络模型输出所述半导体器件的结温；

其中，所述RBF神经网络模型是基于预先构建的数据集所训练获得的；所述数据集包括：通过有限元分析法所获得的、在多种仿真条件下的器件模型的结温；所述器件模型为所述半导体器件的仿真模型，每种所述仿真条件对应一种预设的环境温度和一种预设的功耗。

可选地，所述数据集的构建方式包括：

获取所述半导体器件的工艺库文件；

基于所述工艺库文件中的结构尺寸参数和材料属性参数，利用COMSOL有限元分析软件构建所述半导体器件的物理模型；

在所述COMSOL有限元分析软件中，根据所述半导体器件的功耗范围和环境温度范围，分别为所述物理模型加载多种所述仿真条件，以得到各种所述仿真条件下的所述器件模型，并通过稳态热分析得到每种所述仿真条件下的所述器件模型的结温；

将每种所述仿真条件对应的环境温度和功耗均作为一个数据样本，并将在该种仿真条件下得到的结温作为该数据样本的真实结温，得到构建完成的所述数据集。

可选地，所述RBF神经网络模型的训练过程包括：

将所述数据集划分为训练集和测试集；其中，所述训练集中的数据样本为训练样本；所述测试集中的数据样本为测试样本；所述训练样本比所述测试样本多；

从所述训练集中获取训练样本输入至训练中的所述RBF神经网络模型，以使该RBF神经网络模型输出所预测的结温；

基于训练中的所述RBF神经网络模型所预测的结温和对应的真实结温之间的相对误差函数值计算模型误差；

当计算的所述模型误差不小于预设的目标误差时，调整模型参数，返回所述从所述训练集中获取训练样本输入至训练中的所述RBF神经网络模型的步骤，继续训练；

当计算的所述模型误差小于所述目标误差时，得到待测试的所述RBF神经网络模型；

从所述测试集中获取测试样本测试所述RBF神经网络模型；

当测试通过时，得到训练完成的所述RBF神经网络模型；

当测试不通过时，返回所述从所述训练集中获取训练样本输入至训练中的所述RBF神经网络模型的步骤，继续训练。

可选地，所述模型参数包括：spread；

所述当计算的所述模型误差不小于预设的目标误差时，调整模型参数，包括：

当计算的所述模型误差不小于预设的目标误差、且当前设置的spread位于预设的spread区间内时，以预设的步进更新当前的spread，并将更新后的spread作为下次训练所需设置的spread；

当计算的所述模型误差不小于预设的目标误差、且当前设置的spread不位于预设的spread区间内时，确定当前已计算过的相对误差函数值中的最小相对误差函数值；将计算出所述最小相对误差函数值时对应设置的spread作为下次训练所需设置的spread。

可选地，所述RBF神经网络模型包括：输入层、隐藏层以及输出层；其中，

所述输入层用于接收所述数据样本，并将所述数据样本传递至所述隐藏层的各个神经元；

每个所述神经元用于计算所述数据样本与预设的权值向量之间的距离；将所述距离乘以阈值，得到乘积结果；将所述乘积结果送入高斯激活函数得到该神经元的输出；

所述输出层与各个所述神经元的输出相连，用于根据各个所述神经元的输出，利用线性激活函数计算所述结温；

其中，所述权值向量是由环境温度对应的权值和功耗对应的权值所构成的。

可选地，所述半导体器件包括：半导体芯片或半导体功率器件。

可选地，所述确定半导体器件的环境温度和功耗，包括：

通过所述半导体器件所在电路中的温度传感器或获取电路实际工作环境的温度，确定半导体器件的环境温度；

根据所述半导体器件的输入电压、输入电流以及效率，确定所述半导体器件的功耗。

本发明提供的基于RBF神经网络模型预测半导体器件结温的方法中，预先通过有限元分析方法构建了数据集，且预先利用该数据集训练好RBF神经网络模型；由此，在实际预测半导体器件结温时，只需确定半导体器件的功耗和环境温度，即可准确地预测出半导体器件的结温；与现有的热成像测试获取器件结温的方法相比，本发明的预测结果不受外部测试环境的干扰，预测的结温更准确，预测方式也更便捷；与现有的函数拟合的方式相比，RBF神经网络模型预测的结温更贴近于半导体器件的结温与器件参数的真实关系，准确性更高。

并且，本发明中，将需要占用大量计算机资源和耗费大量时间的有限元分析过程前置；这样，通过有限元分析得到数据集并训练RBF神经网络模型后，便无需再占用任何计算机资源，将半导体器件的环境温度和功耗输入到训练好的RBF神经网络模型中，便可以立刻得到预测的结温，提高了结温的分析速度和效率。

以下将结合附图及对本发明做进一步详细说明。

附图说明

图1是本发明实施例提供的一种基于RBF神经网络模型预测半导体器件结温的方法的流程图；

图2是本发明实施例中构建数据集以及训练RBF神经网络模型的过程示意图；

图3为本发明实施例中所使用的RBF神经网络模型的拓扑结构图；

图4为采用本发明实施例提供的方法所得的结温随环境温度和功耗变化的RBF神经网络的训练误差；

图5为本发明实施例中预测的结温与真实结温随环境温度和功耗变化散点图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

为了能够简单、高效、快速以及精确地预测半导体器件结温，本发明实施例提供了一种基于RBF神经网络模型预测半导体器件结温的方法，参见图1所示，该方法包括：

S1：确定半导体器件的环境温度和功耗。

这里，半导体器件可以包括：半导体芯片和半导体功率器件；通常来说，这两种半导体器件对于结温的分析需求较高。当然，在具有分析需求的情况下，其他类型的半导体器件也可以按照本发明实施例提供的方法来预测结温。

在实际应用中，半导体器件所属的电路系统或者硬件设备中通常集成有温度传感器，故可以通过温度传感器来确定半导体器件的环境温度；或者，也可以由电路开发人员根据电路实际工作环境来输入环境温度，即该步骤中也可以直接获取电路实际工作环境的温度。另外，根据半导体器件的输入电压、输入电流以及效率，便可以直接计算半导体器件的功耗。

S2：将所确定的环境温度和功耗输入至预先训练完成的RBF神经网络模型，以使该RBF神经网络模型输出所述半导体器件的结温。

其中，该RBF神经网络模型是基于预先构建的数据集所训练获得的；该数据集包括：通过有限元分析法所获得的、在多种仿真条件下的器件模型的结温；该器件模型为半导体器件的仿真模型，每种仿真条件对应一种预设的环境温度和一种预设的功耗。

本发明提供的基于RBF神经网络模型预测半导体器件结温的方法中，预先通过有限元分析方法构建了数据集，且预先利用该数据集训练好RBF神经网络模型；由此，在实际预测半导体器件结温时，只需确定半导体器件的功耗和环境温度，即可准确地预测出半导体器件的结温；与现有的热成像测试获取器件结温的方法相比，本发明的预测结果不受外部测试环境的干扰，预测的结温更准确，分析方式也更便捷；与现有的函数拟合的方式相比，RBF神经网络模型预测的结温更贴近于半导体器件的结温与器件参数的真实关系，准确性更高。

并且，本发明中，将需要占用大量计算机资源和耗费大量时间的有限元分析过程前置；这样，通过有限元分析得到数据集并训练RBF神经网络模型后，便无需再占用任何计算机资源，将半导体器件的环境温度和功耗输入到训练好的RBF神经网络模型中，便可以立刻得到预测的结温，提高了结温的分析速度和效率。

本发明实施例中，构建数据集以及训练RBF神经网络模型的过程可以参见图2所示，包括：

S201：获取半导体器件的工艺库文件。

可以理解的是，半导体器件的工艺库文件中包括了半导体器件的多种参数，如结构尺寸参数和材料属性参数等等。其中，材料属性参数中包含有与材料的热性能相关的多种参数，如导热系数、恒压热容等。

S202：基于工艺库文件中的结构尺寸参数和材料属性参数，利用COMSOL有限元分析软件构建半导体器件的物理模型。

其中，COMSOL有限元分析软件是指COMSOL Multiphysics，它是一款大型的高级数值仿真软件，能够模拟科学和工程领域的各种物理过程。

S203：在COMSOL有限元分析软件中，根据半导体器件的功耗范围和环境温度范围，分别为几何模型加载多种仿真条件，以得到各种仿真条件下的器件模型，并通过稳态热分析得到每种仿真条件下的器件模型的结温。

具体的，根据半导体器件的功耗范围和环境温度范围，可以划分出多种仿真条件。在每种仿真条件下，均可以在COMSOL有限元分析软件中，为步骤S202中构建的物理模型加载功耗和边界条件；其中，加载功耗即是给物理模型加载热源，加载边界条件即是给物理模型加载环境温度；实际中加载环境温度方式，可以是设定承接半导体器件的衬底的背面温度为环境温度，且给半导体器件的其他表面设定为绝热。

然后，使用COMSOL有限元分析软件中的自由剖分四面体选项，对物理模型进行网格划分，并设置功耗的求解范围以及环境温度的求解范围，以此来进行稳态热分析仿真，从而获得物理模型的温度分布情况。

参照上述过程，依次变换仿真条件，即加载不同的功耗和边界条件，即可获得各种环境温度、各种功耗下的器件模型的结温。

在实际应用中，为了能够训练出预测准确度较高的RBF神经网络模型，可以适当的加大仿真次数，即加大仿真条件的数量。

S204：将每种仿真条件对应的环境温度和功耗均作为一个数据样本，并将在该种仿真条件下得到的结温作为该数据样本的真实结温，得到构建完成的数据集。

可以理解的是，数据样本的真实结温即是数据样本的标注信息。

在实际应用中，可以用每种仿真条件对应的环境温度和功耗来构建二维矩阵，从而将该二维矩阵作为数据样本。

S205：基于构建完成的数据集训练RBF神经网络模型。

其中，参见图3所示，该RBF神经网络模型的网络结构可以包括：输入层、隐藏层以及输出层；其中，输入层用于接收数据样本(p

其中，权值向量是由环境温度对应的权值和功耗对应的权值所构成的，这两个权值可以预先根据经验设定。

可以理解的是，高斯激活函数是以向量(p

步骤S205中，训练RBF神经网络模型的过程可以具体包括：

(1)将数据集划分为训练集和测试集；其中，训练集中的数据样本为训练样本；测试集中的数据样本为测试样本；训练样本比测试样本多。

优选地，训练集中数据样本的数量占整个数据集的70％以上，剩余的数据样本构成测试集。

(2)从训练集中获取训练样本输入至训练中的RBF神经网络模型，以使该RBF神经网络模型输出所预测的结温。

这里，RBF神经网络模型具体可以通过调用Matlab软件中的径向基函数这一神经网络函数来实现。

(3)基于训练中的RBF神经网络模型所预测的结温和对应的真实结温计算模型误差。

可以理解的是，将每个训练样本输入到RBF神经网络模型中，RBF神经网络模型均会输出一个预测的结温，根据每个训练样本真实结温和对应预测的结温可以分别计算出一个相对误差函数值；对已经计算出的所有相对误差函数值求取平均值，即可得到模型误差。

(4)当计算的模型误差不小于预设的目标误差时，调整模型参数，返回步骤(2)继续训练。

(5)当计算的模型误差小于目标误差时，得到待测试的RBF神经网络模型。

(6)从测试集中获取测试样本测试RBF神经网络模型。

这里，测试RBF神经网络模型即是将多个测试样本分别输入到RBF神经网络模型中后，检测RBF神经网络模型输出的结温与测试样本的真实结温在可接受的精度范围内是否一致，如果一致，则测试通过；否则，测试不通过。

(7)当测试通过时，得到训练完成的RBF神经网络模型。

(8)当测试不通过时，返回步骤(2)继续训练。

这里，如果测试不通过，则在返回步骤(2)时，应尽量获取未参与过训练的训练样本，以增加训练样本的覆盖率，提升RBF神经网络模型的学习能力。

在一个实施例中，RBF神经网络模型的训练过程的步骤(4)中，所调整的模型参数包括spread；在神经网络领域中，spread可以翻译为扩散速度或者扩展常数等，该spread对RBF神经网络模型的性能及精度至关重要；因此，为了能够使训练完成的RBF神经网络模型的相对误差平均值最小，即为了训练出预测精度较高、性能较佳的RBF神经网络模型，本发明实施例对spread的调整方式进行了优化；具体的，在每次训练的过程中计算出模型误差时，如果计算的模型误差不小于预设的目标误差、且当前的spread位于预设的spread区间内时，则以预设的步进更新当前的spread，并将更新后的spread作为下次训练所需设置的spread。而如果计算的模型误差不小于预设的目标误差、且当前的spread不位于预设的spread区间内时，确定当前已计算过的各个相对误差函数值中的最小相对误差函数值；将计算出该最小相对误差函数值时对应设置的spread作为下次训练所需设置的spread。

优选地，spread区间可以设置为[0.5，5]，步进可以设置为0.1；Spread初始的默认值为1.0。需要说明的是，这里给出的参数设置仅仅作为示例，并不构成对本发明实施例的限定。

下面通过实验数据对本发明实施例的有益效果进行详细说明。

图4示出了本发明实施例提供的方法所得的结温随环境温度和功耗变化的RBF神经网络的训练误差。从图4中可以看到，本发明实施例中，RBF神经网络模型的误差在0.0015％以内甚至更小，预测精度较高。

图5示出了本发明实施例中RBF神经网络模型预测的结温与真实结温随环境温度和功耗变化散点图。其中，X坐标与Y坐标分别为半导体器件所处的环境温度和工作时的功耗，Z坐标为半导体器件的结温，黑色球体表示真实结温，五边形表示采用本发明实施例提出的方法所预测的结温。

从图5中可以看出，在不同的采样点处，采用本发明所提出的半导体结温预测方法得到的预测结果与真实值非常接近。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。

尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。