基于深度学习的模型参数提取方法、系统、设备及介质

技术领域

本发明涉及集成电路计算机辅助设计技术领域，具体涉及一种基于深度学习的模型参数提取方法、系统、设备及介质。

背景技术

随着半导体技术与集成电路技术的不断发展，电路计算机辅助设计领域电子设计自动化技术对电路设计人员来说也变得越来越重要。电子设计自动化技术的发展使得整个集成电路产业的各个阶段的工作在速度、质量和精度上都有所提升。在集成电路中，电子线路的仿真是建立在器件模型和模型参数的基础上的，正确的器件模型和准确的模型参数是取得准确仿真结果的保证。在器件模型确定以后，仿真的精度就取决于模型参数。要取得准确、可靠、有指导意义的仿真结果，就要有精确的模型参数和器件的真实数据。模型参数是芯片代工厂与设计公司之间的桥梁。芯片代工厂为设计公司提供模型参数，设计公司在设计过程中使用芯片代工厂提供的模型参数进行仿真。半导体器件是集成电路的基础，因此集成电路的设计以及分析很大程度的依赖于半导体器件模型参数的准确性。无论一个器件模型多么复杂，如果不能有效的提取模型参数，那么这个模型的操作性将大大降低。现有的模型参数提取软件在开发过程中，需要开发人员对模型有深入透彻的理解，根据模型表达式对每个模型参数详细计算，非常耗时。很多公司都开发了器件模型参数提取的工具，多数只针对一种器件模型进行提取模型参数，而集成电路器件中，需要提取的模型参数数量多，公式复杂，模型参数组合存在多种不确定性，且传统模型提参依赖大量经验并耗时严重。本申请通过神经网络的机器学习方法，可以适用于不同器件模型的分段部分区域训练和预测，减少人力消耗，难度低、耗时短。

发明内容

本发明的目的是针对现有技术提出了一种基于深度学习的模型参数提取方法、系统、设备及介质。

本发明的一方面提供了一种基于深度学习的模型参数提取方法，该基于深度学习的模型参数提取方法包括如下步骤：

待提取器件测量获得的测量数据输入预先建立的神经网络模型；所述测量数据包括分为若干独立的区域的电压-电流曲线的其中一个区域的曲线信息；所述神经网络模型根据模型参数及其取值范围获得的仿真数据及模型对应的真实仪器测量的真实数据作为样本数据进行训练得到；

获取所述深度神经网络模型输出的所述待提取器件的电路模型参数。

根据本发明一实施例，所述模型参数包括影响所述电压-电流曲线的其中一个区域的所有参数信息。

根据本发明一实施例，所述参数信息包括用于调制阈值电压、用于调制阈值电压的Vbs依赖关系、低电场条件下的电子或空穴迁移率，用于拟合Vgs超过阈值电压后的Ids、用于高Vgs条件下的迁移率参数、用于调制模型沟道电阻的模型参数、用户调制迁移率的Vbs依赖关系；所述取值范围是每个参数的上下边界。

根据本发明一实施例，对所述获得的仿真数据及模型对应的真实仪器测量的真实数据进行训练前先进行标准化预处理。

根据本发明一实施例，所述标准化预处理包括归一化处理和/或对数化处理；

所述归一化处理包括将所述所有模型参数向量，依照参数的种类不同，分别统计原始数据集中不同样本间各种模型参数的最大最小值，以及各种模型参数的均值；将各个样本中每种模型参数分别减去其均值，并除以最大值减最小值的差，再将结果加上0.5，实现归一化；

所述对数化处理包括将所述每个样本的转移特性曲线均乘以10000，构成标准化曲线数据的奇数序列曲线；将所述每个样本的转移特性曲线取以10为底的对数，并除以-10，构成标准化曲线数据的偶数序列曲线，奇数序列和偶数序列组合后得到对数化曲线数据。

根据本发明一实施例，所述神经网络模型包括六层网络结构，所述六层网络结构包括第一卷积结构，第二卷积结构，第三卷积结构，第四卷积结构，展平层以及全连接结构。

根据本发明一实施例，所述第一卷积结构包括三层神经网络，具体包括两层输出通道数为32的以elu为激活函数的1维卷积层，以及一个步长为2的最大池化层；其中，所述elu激活函数为f(x)＝{x(x>0)；(exp(x)-1)(x≤0)}；

所述第二卷积结构包括三层神经网络，将所述第一卷积结构的输出结果作为第二卷积结构的输入，具体包括两层输出通道数为64的以elu为激活函数的1维卷积层，以及一个步长为2的最大池化层；

所述第三卷积结构包括三层神经网络，将所述第二卷积结构的输出结果作为第三卷积结构的输入，具体包括两层输出通道数为128的以elu为激活函数的1维卷积层，以及一个步长为2的最大池化层；

所述第四卷积结构包括三层神经网络，将所述第三卷积结构的输出结果作为第四卷积结构的输入，具体包括两层输出通道数为128的以elu为激活函数的1维卷积层，以及一个步长为3的最大池化层；

将所述第四层卷积结构的输出结果作为所述展平层的输入，进行展平处理；

将展平处理后的数据输入到全连接结构中，所述全连接结构由两层全连接网络构成，所述两层全连接网络采用的激活函数为sigmoid函数，所述sigmoid函数为：f(x)＝1/(1+exp(-x))；

所述全连接结构的输出结果为所述模型参数取值的预测结果。

本发明的另一方面提供了一种基于深度学习的模型参数提取系统。该基于深度学习的模型参数提取系统包括如下内容：

输入单元，用于待提取器件测量获得的测量数据输入预先建立的神经网络模型；所述测量数据包括分为若干独立的区域的电压-电流曲线的其中一个区域的曲线信息；所述神经网络模型根据模型参数及其取值范围获得的仿真数据及模型对应的真实仪器测量的真实数据作为样本数据进行训练得到；

获取单元，用于获取所述深度神经网络模型输出的所述待提取器件的电路模型参数。

本发明的又一方面提供了一种基于深度学习的模型参数提取的电子设备。该电子设备包括如下内容：

存储器，所述存储器用于存储处理程序；

处理器，所述处理器执行所述处理程序时实现如前述中任意一项实施例所述的基于深度学习的模型参数提取方法。

本发明的最后一方面提供了一种可读存储介质。所述可读存储介质上存储有处理程序，所述处理程序被处理器执行时实现如前述中任意一项实施例所述的基于深度学习的模型参数提取方法。

本发明的优点在于：

本申请公开了一种基于深度学习的模型参数提取方法、系统、设备及存储介质。通过神经网络的机器学习方法，可以适用于不同器件模型的分段部分区域训练和预测，减少人力消耗，难度低、耗时短。本申请神经网络模型根据模型参数及其取值范围获得的仿真数据及模型对应的真实仪器测量的真实数据作为样本数据进行训练得到。可以提高神经网络模型的准确性。分段部分区域训练和预测包括滤分段部分数据集里面参数的所有组合，预测更准确。

附图说明

图1是本发明实施例提供的一种亚阈值区域电压电流曲线示意图。

图2是本发明实施例提供的另一种亚阈值区域电压电流曲线示意图。

图3是本发明实施例提供的一种深度学习算法训练示意图。

图4是本发明实施例提供的一种预测参数仿真电流电压曲线与测量数据比对示意图。

图5是本发明实施例提供的一种预测参数误差分布示意图。

图6是本发明实施例提供的一种基于深度学习的模型参数提取方法的流程示意图。

图7是本发明实施例提供的一种基于深度学习的模型参数提取系统的结构示意图。

图8是本发明实施例提供的一种基于深度学习的模型参数提取设备的结构示意图。

图9是本发明实施例提供的一种计算机可读存储介质的结构示意图。

具体实施方式

下面结合附图对本发明的技术方案进行更详细的说明，本发明包括但不仅限于下述实施例。

本申请的一种基于深度学习的模型参数提取方法、系统、设备及存储介质，可以用于各种集成电路器件和对应的器件模型。在一些实施例中，集成电路器件是选自下述组中的一种器件：MOSFET晶体管、SOI(绝缘体上硅)晶体管、FinFET(鳍式场效应晶体管)晶体管、BJT(双极性)晶体管、HBT(异质结)晶体管、TFT(薄膜晶体管)晶体管、MESFET(金属半导体接触场效应晶体管)晶体管、二极管、电阻或电感等；器件模型可以是选自下述组中的一种器件模型：BSIM3、BSIM4、BSIM6、BSIM-CMG、BSIM-IMG、BSIMSOI、UTSOI、HiSIM2、HiSIM_HV、PSP、GP-BJT或RPI TFT。例如，对于MOSFET晶体管，其对应的器件模型可以是BSIM3、BSIM4、BSIM6或其他已知的标准模型或非标准模型。其中，上述器件模型仅仅是示例性的，在实际应用中，可以根据需要选择与集成电路器件对应的模型。

MOSFET晶体管是集成电路中最常用的器件之一，因此在本申请下面的实施例中，均以集成电路器件为MOSFET晶体管为例进行说明。但是本领域技术人员可以理解，本申请的应用并不限于此。

在选取确定适用的器件模型之后，为了提高提取的模型参数的准确性，还需要提供与集成电路器件对应的测试数据，这些测试数据通常是在不同的测试条件下对集成电路器件进行测试所获得的。在一些实施例中，测试条件可以是集成电路器件的不同尺寸(例如不同的沟道长度、沟道宽度)、不同的电压偏置条件(例如体区和源极之间的偏置电压Vbs，不同的源极和漏极电压Vds等等)或者不同的温度条件等。需要说明的是，在此所述的集成电路器件并非指某个特定的实体器件，而是指采用同一集成电路制程制备得到的一类器件的总称。例如，采用同一制程制备而差别仅在于沟道宽度的两个集成电路器件可以认为是同一集成电路器件。

在不同的测试条件下对集成电路器件进行测试可以产生对应的测试数据，这些测试数据例如可以包括沟道趋势曲线、电流-电压曲线、电容-电压曲线中的一种或多种及其转换形式中的一种或多种，所述转换形式包括电流对电压一阶导数，kop trend，dkoptrend等。在一些实施例中，测试数据可以是沟道趋势曲线，相应地，测试数据集可以包括一个或多个沟道趋势曲线。换言之，多组测试条件下测试得到的测试数据可以构成一个测试数据集。在下述的实施例中，均以测试数据为电流-电压曲线为例进行说明。本领域技术人员可以理解，在一些其他的实施例中，测试数据可以根据进行测试时的测试条件和测试需求而变化或调整，本申请并不限于此。同理仿真数据集。

本公开的实施例一提供了一种基于深度学习的模型参数提取方法的一种具体实施方式，参见图1-6，该基于深度学习的模型参数提取方法具体包括如下步骤：

S100：待提取器件测量获得的测量数据输入预先建立的神经网络模型；测量数据包括分为若干独立的区域的电压-电流曲线的其中一个区域的曲线信息；神经网络模型根据模型参数及其取值范围获得的仿真数据及模型对应的真实仪器测量的真实数据作为样本数据进行训练得到；

S200：获取深度神经网络模型输出的待提取器件的电路模型参数。

其中，模型参数包括影响电压-电流曲线的其中一个区域的所有参数信息，如图4所示。参数信息包括用于调制阈值电压、用于调制阈值电压的Vbs依赖关系、低电场条件下的电子或空穴迁移率，用于拟合Vgs超过阈值电压后的Ids、用于高Vgs条件下的迁移率参数、用于调制模型沟道电阻的模型参数、用户调制迁移率的Vbs依赖关系；取值范围是每个参数的上下边界。对获得的仿真数据及模型对应的真实仪器测量的真实数据进行训练前先进行标准化预处理。该标准化预处理包括归一化处理和/或对数化处理。该归一化处理包括将所有模型参数向量，依照参数的种类不同，分别统计原始数据集中不同样本间各种模型参数的最大最小值，以及各种模型参数的均值；将各个样本中每种模型参数分别减去其均值，并除以最大值减最小值的差，再将结果加上0.5，实现归一化；该对数化处理包括将每个样本的转移特性曲线均乘以10000，构成标准化曲线数据的奇数序列曲线；将每个样本的转移特性曲线取以10为底的对数，并除以-10，构成标准化曲线数据的偶数序列曲线，奇数序列和偶数序列组合后得到对数化曲线数据。神经网络模型包括六层网络结构，六层网络结构包括第一卷积结构，第二卷积结构，第三卷积结构，第四卷积结构，展平层以及全连接结构。该第一卷积结构包括三层神经网络，具体包括两层输出通道数为32的以elu为激活函数的1维卷积层，以及一个步长为2的最大池化层；其中，elu激活函数为f(x)＝{x(x>0)；(exp(x)-1)(x≤0)}；第二卷积结构包括三层神经网络，将第一卷积结构的输出结果作为第二卷积结构的输入，具体包括两层输出通道数为64的以elu为激活函数的1维卷积层，以及一个步长为2的最大池化层；第三卷积结构包括三层神经网络，将第二卷积结构的输出结果作为第三卷积结构的输入，具体包括两层输出通道数为128的以elu为激活函数的1维卷积层，以及一个步长为2的最大池化层；第四卷积结构包括三层神经网络，将第三卷积结构的输出结果作为第四卷积结构的输入，具体包括两层输出通道数为128的以elu为激活函数的1维卷积层，以及一个步长为3的最大池化层；将第四层卷积结构的输出结果作为展平层的输入，进行展平处理；将展平处理后的数据输入到全连接结构中，全连接结构由两层全连接网络构成，两层全连接网络采用的激活函数为sigmoid函数，sigmoid函数为：f(x)＝1/(1+exp(-x))；全连接结构的输出结果为模型参数取值的预测结果。深度学习算法训练过程中获得如图3所示的随着迭代次数的变化，损失函数发生变化。

示例性的，电压-电流曲线分为三个独立的区域，分别为第一区域、第二区域、第三区域，例如第一区域是亚阈值区域，如图1或2所示，找出影响亚阈值区域的所有参数，即Vgs0-0.4，在bsim4模型下找出所有影响该区域的参数和对应边界如表一或表二所示：

表一：亚阈值区域1：电压电流曲线(vd＝vdthx)

表二：亚阈值区域2：电压电流曲线(vd＝vdd)

将待提取器件测量获得的测量数据(仿真数据和真实数据)进行标准化预处理后，输入预先建立的神经网络模型。深度学习网络采用tensorflow.keras网络框架，存在6层网络结构，包含第一卷积结构，第二卷积结构，第三卷积结构，第四卷积结构，展平层以及全连接结构。输出结果为对于所述模型参数的预测结果，即一个八维向量。具体的计算过程为：以曲线对应的栅极电压均为相同且等间隔的120个电压值为例，将所述以曲线对应的栅极电压均为相同且等间隔的120个电压值作为输入数据输入到第一卷积结构。该卷积结构包含三层神经网络，首先用输出通道数为32的以elu为激活函数的1维卷积层进行计算，得到形状为(120，32)的数据，所述elu激活函数可表示成：f(x)＝{x(x>0)；(exp(x)-1)(x≤0)}；然后再用输出通道数为32的以elu为激活函数的1维卷积层进行计算，得到形状为(120，32)的数据；最后连接一个步长为2的最大池化层，得到形状为(60，32)的数据。将第一卷积结构的输出结果作为第二卷积结构的输入。第二卷积结构包含三层神经网络，首先用输出通道数为64的以elu为激活函数的1维卷积层进行计算，得到形状为(60，64)的数据；然后再用输出通道数为64的以elu为激活函数的1维卷积层进行计算，得到形状为(60，64)的数据；最后连接一个步长为2的最大池化层，得到形状为(30，64)的数据。将第二卷积结构的输出结果作为第三卷积结构的输入。第三卷积结构包含三层神经网络，首先用输出通道数为128的以elu为激活函数的1维卷积层进行计算，得到形状为(30，128)的数据；然后再用输出通道数为128的以elu为激活函数的1维卷积层进行计算，得到形状为(30，128)的数据；最后连接一个步长为2的最大池化层，得到形状为(15，128)的数据。将第三卷积结构的输出结果作为第四卷积结构的输入。第四卷积结构包含三层神经网络，首先用输出通道数为128的以elu为激活函数的1维卷积层进行计算，得到形状为(15，128)的数据；然后再用输出通道数为128的以elu为激活函数的1维卷积层进行计算，得到形状为(15，128)的数据；最后连接一个步长为3的最大池化层，得到形状为(5，128)的数据。将第四层卷积结构的输出结果作为展平层的输入，进行展平处理，得到形状为640的数据。将展平处理后的数据输入到全连接结构中，全连接结构由两层全连接网络构成，该两层全连接网络采用的激活函数为sigmoid函数，该sigmoid函数为：f(x)＝1/(1+exp(-x))；经过第一层全连接网络得到形状为100的数据，再经过第二层全连接网络得到形状为8的数据，此向量即表示对于模型参数取值的预测结果。预测结果的误差分布如图5所示。

本公开的实施例二提供了一种基于深度学习的模型参数提取系统500的一种具体实施方式，参见图7，它包括：

输入单元510，用于待提取器件测量获得的测量数据输入预先建立的神经网络模型；测量数据包括分为若干独立的区域的电压-电流曲线的其中一个区域的曲线信息；神经网络模型根据模型参数及其取值范围获得的仿真数据及模型对应的真实仪器测量的真实数据作为样本数据进行训练得到；

获取单元520，用于获取深度神经网络模型输出的待提取器件的电路模型参数。

可以理解的是，本公开技术方案的各个方面可以实现为系统、方法或程序产品。因此，本公开技术方案的各个方面可以具体实现为以下形式，即完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“单元”或“平台”。

本领域的技术人员应该明白，上述本公开的各单元或各步骤可以用通用的计算设备来实现，它们可以集中在单个的计算设备上，或者分布在多个计算设备所组成的网络上，可选地，它们可以用计算设备可执行的程序代码来实现，从而，可以将它们存储在存储介质中由计算设备来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路单元，或者将它们中的多个单元或步骤制作成单个集成电路单元来实现。

图8根据本公开的一些实施例，示出了一种基于深度学习的模型参数提取设备的结构示意图。下面参照图8来详细描述根据本实施例中的实施方式实施的基于深度学习的模型参数提取设备600。可以理解的是，图8显示的基于深度学习的模型参数提取设备600仅仅是一个示例，不应对本公开技术方案任何实施例的功能和使用范围带来任何限制。

如图8所示，基于深度学习的模型参数提取设备600以通用计算设备的形式表现。基于深度学习的模型参数提取设备600的组建可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。

其中，存储单元存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行本实施例中上述基于深度学习的模型参数提取系统中各个功能模块的实现。

存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取单元(RAM)6201和/或高速缓存存储单元6202，可以进一步包括只读存储单元(ROM)6203。

存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图像加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

基于深度学习的模型参数提取设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可以与一个或者多个使得用户与该基于深度学习的模型参数提取设备600交互的设备通信，和/或与使得该电子设备能与一个或多个其他计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)、广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其他模块通信。应当明白，尽管图8中未示出，可以结合电子设备600使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。

在本公开的一些实施例中，还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时能够实现上述公开中基于深度学习的模型参数提取系统中的各个功能单元的实现。

尽管本实施例未详尽地列举其他具体的实施方式，但在一些可能的实施方式中，本公开技术方案说明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本公开技术方案中定位信息误差修正方法区域中描述的根据本公开技术方案各种实施例中实施方式的步骤。

图9根据本公开的一些实施例示出了一种计算机可读存储介质的结构示意图。如图9所示，其中描述了根据本公开技术方案的实施方式中用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。当然，依据本实施例产生的程序产品不限于此，在本公开技术方案中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读存储介质可以包括在基带中或者作为载波一区域传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开技术方案操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、区域地在用户设备上执行、作为一个独立的软件包执行、区域在用户计算设备上区域在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

综上所述，通过本公开提出的技术方案，能够实现通过神经网络的机器学习方法，可以适用于不同器件模型的分段部分区域训练和预测，减少人力消耗，难度低、耗时短。本申请神经网络模型根据模型参数及其取值范围获得的仿真数据及模型对应的真实仪器测量的真实数据作为样本数据进行训练得到。可以提高神经网络模型的准确性。分段部分区域训练和预测包括滤分段部分数据集里面参数的所有组合，预测更准确。

上述描述仅是对本公开技术方案较佳实施例的描述，并非对本公开技术方案范围的任何限定，本公开技术方案领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。

综上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。