GaAs pHEMT管芯非線性模型參數(shù)提取方法
【專利摘要】本發(fā)明提供了一種GaAs?pHEMT管芯非線性模型的參數(shù)提取方法。該方法首先對GaAs?pHEMT管芯等效電路進行分析，提取其中的非線性元件參數(shù)。再由等效電路模型中非線性和線性元件的維度，設計適用的前饋型神經(jīng)網(wǎng)絡算法，進行非線性模型參數(shù)提取。將訓練好的神經(jīng)網(wǎng)絡導入CAD軟件，即可生成GaAs?pHEMT管芯非線性模型，以實現(xiàn)對大信號的仿真。本發(fā)明結(jié)合了數(shù)據(jù)挖掘技術(shù)與器件等效電路建模技術(shù)，是一種有效的參數(shù)提取方法。
【專利說明】GaAs pHEMT管芯非線性模型參數(shù)提取方法
【技術(shù)領域】
[0001]本發(fā)明屬于微波【技術(shù)領域】，具體涉及一種GaAs pHEMT管芯非線性模型參數(shù)提取方法。
【背景技術(shù)】
[0002]在信息技術(shù)的眾多領域中，以半導體材料為基礎制作的各種各樣的器件在人們的生活中幾乎無處不在。它們不斷改變著人們的生活方式、思維方式，提高了人類的生活質(zhì)量，促進了社會的文明進步。半導體材料的迅速發(fā)展與電子產(chǎn)品的發(fā)展是互相促進，不可分開的。
[0003]砷化鎵(GaAs)晶體是一種電學性能優(yōu)越的化合物半導體材料，以它作為襯底的半導體器件及集成電路具有超高頻、低功耗、低噪聲等突出優(yōu)點，并且得到廣泛的應用。GaAs器件及其集成電路在微波通信和軍事領域顯示出它的重要性。
[0004]微波/毫米波器件和電路是當今微電子技術(shù)的一個重要發(fā)展方向。它在電子對抗、雷達、通信、導航等系統(tǒng)中有著廣泛的應用。在民用方面也大量應用在移動電話、無線通信、近年來，微波功率放大器的發(fā)展速度很快，其總柵寬和耐壓水平也正在逐步提高。一般情況下，制作微波功率放大器都會使用微波單片集成電路(MMIC)的形式，因為它的制作工藝比較成熟。
[0005]在MMIC設計中，器件模型起著至關重要的作用，我們不僅需要利用器件模型來仿真電路拓撲，用來驗證所設計的電路是否達到預期的目標，還要根據(jù)電路的指標要求對器件工藝提出相關的性能要求。隨著半導體器件的大小向著越來越小的方向發(fā)展，今后MMIC的集成度將越來越高，傳統(tǒng)的以經(jīng)驗為主的電路設計方法已經(jīng)不能再滿足期間的發(fā)展要求，因而獲得準確的期間模型將會成為電路設計的關鍵之一。
[0006]器件模型包括大信號非線性模型和小信號模型，其中，非線性模型包括非線性電流電壓模型和非線性電容電壓模型。小信號模型主要用于器件性能分析和反向工藝設計，大信號非線性模型則主要用于精確描述器件的非線性特性，需要盡量考慮器件中的物理過程。精確的小信號模型是研究大信號模型的基礎，同時，不同的功能電路和應用頻率對模型的要求是不同的。
[0007]直接從材料特性，工藝條件和器件的工作狀態(tài)來確定模型參數(shù)是很困難的，因此通過實驗測量來獲得模型參數(shù)是比較實用的方法。在實際工作中，通常用從S參數(shù)提取的方法來確定等效電路的參數(shù)模型。常用的S參數(shù)提取方法主要有利用解析公式直接提取的方法和基于優(yōu)化數(shù)據(jù)擬合的方法。直接提取的方法不能保證在全部頻率范圍內(nèi)模型參數(shù)的一致性，基于優(yōu)化的方法受測量誤差較小，可以得到比直接提取的方法更為準確的參數(shù)值。
[0008]神經(jīng)網(wǎng)絡法是一種全局優(yōu)化算法，它可以避免利用解析公式直接提取參數(shù)可能會產(chǎn)生的錯誤解問題。人工神經(jīng)網(wǎng)絡(ANN)是模仿人類腦神經(jīng)活動的一種人工智能技術(shù)，是由大量的同時也是很簡單的處理單元廣泛連接構(gòu)成的復雜網(wǎng)絡系統(tǒng)。人工神經(jīng)網(wǎng)絡是建立在現(xiàn)代神經(jīng)科學研究基礎上的一種抽象的數(shù)學模型。人工神經(jīng)網(wǎng)絡可以通過學習掌握樣本規(guī)律，在輸入新的數(shù)據(jù)和狀態(tài)信息時，可以用人工神經(jīng)網(wǎng)絡進行自動推理和控制。

【發(fā)明內(nèi)容】

[0009]本發(fā)明提出了一種新的GaAs pHEMT管芯非線性模型參數(shù)提取方法，以實現(xiàn)對大信號輸入下GaAs pHEMT管芯電路響應的精確仿真。
[0010]該方法首先對GaAs pHEMT管芯等效電路進行分析，提取其中的非線性元件參數(shù)。再由等效電路模型中非線性和線性元件的維度，設計適用的前饋型神經(jīng)網(wǎng)絡算法，進行非線性模型參數(shù)提取。
[0011]本發(fā)明中采用的神經(jīng)網(wǎng)絡算法為前饋型神經(jīng)網(wǎng)絡，由輸入層、隱含層和輸出層三部分組成。通過分析GaAs pHEMT管芯等效電路模型，確定輸入層、隱含層與輸出層的節(jié)點。然后對該神經(jīng)網(wǎng)絡進行訓練。訓練好的神經(jīng)網(wǎng)絡即可用于GaAs pHEMT管芯非線性模型參數(shù)的提取。
[0012]本發(fā)明所述的GaAs pHEMT管芯非線性模型參數(shù)提取方法的步驟如下:
(I)、對GaAs pHEMT管芯等效電路進行分析，提取其中的非線性元件參數(shù)，建立5層前饋型神經(jīng)網(wǎng)絡。
[0013](2)、由等效電路模型中非線性和線性元件的維度，確定前饋型神經(jīng)網(wǎng)絡輸入層、隱含層與輸出層的節(jié)點數(shù)。
[0014](3)、通過實測的不同Vgs和Vds下管芯的S參數(shù)，及通過脈沖1-V測試得到的管芯的1-V特性曲線，導出等效電路模型中各元件值，作為訓練神經(jīng)網(wǎng)絡的樣本數(shù)據(jù)。
[0015](4)、利用自適應學習速率法對網(wǎng)絡進行訓練。
[0016](5 )、將不同的Vgs和Vds偏壓輸入該訓練好的神經(jīng)網(wǎng)絡，實現(xiàn)GaAs pHEMT管芯非線性模型參數(shù)的提取。
[0017]將訓練好的神經(jīng)網(wǎng)絡可導入CAD軟件，生成GaAs pHEMT管芯非線性模型。
[0018]本發(fā)明步驟(3)所述的S參數(shù)又稱為散射參數(shù)，它可以直接用網(wǎng)絡分析儀器測量得到，可以用網(wǎng)絡分析技術(shù)來計算。所述的脈沖1-V測試能夠在施加電流脈沖的同時測量電壓，使工程人員能夠?qū)ζ骷M行1-V特征分析，與此同時，還能保護器件不受損壞。
[0019]本發(fā)明步驟(4)所述的自適應學習速率法有利于縮短學習時間。學習速率太小，收斂比較慢；學習速率太大，則有可能導致發(fā)散，因此選取自適應調(diào)整的改進算法，對神經(jīng)網(wǎng)絡進行訓練。一旦訓練達到了最大訓練次數(shù)或者網(wǎng)絡函數(shù)指標小于期望誤差，或者超出規(guī)定計算時間，都會使網(wǎng)絡停止學習。
[0020]本發(fā)明結(jié)合了數(shù)據(jù)挖掘技術(shù)與器件等效電路建模技術(shù)，實現(xiàn)了基于前饋型神經(jīng)網(wǎng)絡的GaAs pHEMT管芯非線性模型參數(shù)提取，是一種有效的參數(shù)提取方法。其創(chuàng)新與優(yōu)勢在于:
(I)、該方法與一般的直接測量方法相比，受測量誤差影響較小，可以得到比直接提取方法更為準確的參數(shù)值。
[0021 ] ( 2)、該方法采用的前饋型神經(jīng)網(wǎng)絡算法受等效電路各參數(shù)維度的指導，是一種經(jīng)過層結(jié)構(gòu)優(yōu)化的全局優(yōu)化算法，資源占用較少，且最終解受初始值選取的影響較小，易于得到全局最優(yōu)解。
[0022]【專利附圖】

【附圖說明】
[0023]圖1 GaAs pHEMT管芯等效電路圖。
[0024]圖2 GaAs pHEMT管芯非線性模型參數(shù)提取流程示意圖。
【具體實施方式】
[0025]本發(fā)明提供了一種用于GaAs pHEMT管芯非線性模型參數(shù)提取方法。該方法首先對圖1中所示的GaAs pHEMT管芯等效電路進行分析，提取其中的非線性元件參數(shù)。再由等效電路模型中非線性和線性元件的維度，設計適用的前饋型神經(jīng)網(wǎng)絡算法，進行非線性模型參數(shù)提取。將訓練好的神經(jīng)網(wǎng)絡導入CAD軟件，即可生成GaAs pHEMT管芯非線性模型，以實現(xiàn)對大信號的仿真。提取流程示意圖如圖2所示，其【具體實施方式】如下:
(I)、對GaAs pHEMT管芯等效電路進行分析，提取其中的非線性元件參數(shù)，建立5層前饋型神經(jīng)網(wǎng)絡。其中包括I輸入層，3隱含層和I輸出層。
[0026](2)、將柵源偏壓Vgs和漏源偏壓Vds作為神經(jīng)網(wǎng)絡的輸入層節(jié)點，將歸一化后的電路非線性本征參數(shù)cgs、Cgd, Cds, Ri, Rds, Gm作為網(wǎng)絡輸出層的節(jié)點。輸入輸出層之間設3層隱含層，將寄生電阻Rs、Rd、Rg,寄生電感Ls、Ld、Lg,以及寄生電容Cpg、Cpd的總維數(shù)8作為前饋型神經(jīng)網(wǎng)絡的第三層隱含層節(jié)點數(shù)，并將第一、第二層隱含層的節(jié)點數(shù)分別設為4和6。
[0027](3)、通過實測不同Vgs和Vds下的管芯，得到管芯的S參數(shù)；并通過施加電流脈沖，測得管芯的1-V特性曲線，從而導出圖1等效電路模型中各元件值，作為訓練神經(jīng)網(wǎng)絡的樣本數(shù)據(jù)。
[0028](4)、利用自適應學習速率法對網(wǎng)絡進行訓練。首先進行初始化，即隨機地設置各層權(quán)重系數(shù)；然后將訓練樣本的數(shù)據(jù)加到網(wǎng)絡輸入端，計算各層的輸出，將輸出值與期望值相比得到誤差值；根據(jù)誤差值重新調(diào)整連接權(quán)重；如果誤差值小于預訂誤差，則認為網(wǎng)絡已收斂，停止學習，反之，繼續(xù)學習?？赏ㄟ^調(diào)整自適應學習速率參數(shù)有效地調(diào)整學習時間。
[0029](5)、將不同的Vgs和Vds偏壓輸入該訓練好的神經(jīng)網(wǎng)絡，即可實現(xiàn)GaAs pHEMT管芯非線性模型參數(shù)的提取。
[0030]將訓練好的神經(jīng)網(wǎng)絡導入CAD軟件，生成GaAs pHEMT管芯非線性模型，即可進行
大信號仿真。
[0031]本發(fā)明是一種有效的參數(shù)提取方法。由于所設計的神經(jīng)網(wǎng)絡算法可得到全局最優(yōu)解，所以測量誤差對參數(shù)的影響較小。此外，初始值的選取也不影響最終解，所以通過該算法可有效得到最優(yōu)的GaAs pHEMT管芯非線性模型參數(shù)。
【權(quán)利要求】
1.GaAs pHEMT管芯非線性模型參數(shù)提取方法，其特征在于該方法的具體步驟如下: (1)、對GaAspHEMT管芯等效電路進行分析，提取其中的非線性元件參數(shù)，建立5層前饋型神經(jīng)網(wǎng)絡；其中包括I輸入層，3隱含層和I輸出層； (2)、將柵源偏壓Vgs和漏源偏壓Vds作為神經(jīng)網(wǎng)絡的輸入層節(jié)點，將歸一化后的電路非線性本征參數(shù)Cgs、Cgd, Cds, Ri, Rds, Gm作為網(wǎng)絡輸出層的節(jié)點；輸入輸出層之間設3層隱含層，將寄生電阻Rs、Rd、Rg,寄生電感Ls、Ld、Lg,以及寄生電容Cpg、Cpd的總維數(shù)8作為前饋型神經(jīng)網(wǎng)絡的第三層隱含層節(jié)點數(shù)，并將第一、第二層隱含層的節(jié)點數(shù)分別設為4和6 ； (3)、通過實測不同Vgs和Vds下的管芯，得到管芯的S參數(shù)；并通過施加電流脈沖，測得管芯的1-V特性曲線，從而導出等效電路模型中各元件值，作為訓練神經(jīng)網(wǎng)絡的樣本數(shù)據(jù)； (4)、利用自適應學習速率法對網(wǎng)絡進行訓練；通過調(diào)整自適應學習速率參數(shù)有效地調(diào)整學習時間； (5)、將不同的Vgs和Vds偏壓輸入該訓練好的神經(jīng)網(wǎng)絡，即可實現(xiàn)GaAspHEMT管芯非線性模型參數(shù)的提取。
【文檔編號】G06N3/02GK103778281SQ201410010775
【公開日】2014年5月7日 申請日期:2014年1月9日 優(yōu)先權(quán)日:2014年1月9日
【發(fā)明者】王志宇, 王立平, 徐秀琴, 郁發(fā)新 申請人:浙江大學