GaAspHEMT管芯非線性模型參數提取方法
2023-07-04 19:52:56
GaAs pHEMT管芯非線性模型參數提取方法
【專利摘要】本發明提供了一種GaAs?pHEMT管芯非線性模型的參數提取方法。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。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網絡算法，進行非線性模型參數提取。將訓練好的神經網絡導入CAD軟體，即可生成GaAs?pHEMT管芯非線性模型，以實現對大信號的仿真。本發明結合了數據挖掘技術與器件等效電路建模技術，是一種有效的參數提取方法。
【專利說明】GaAs pHEMT管芯非線性模型參數提取方法
【技術領域】
[0001]本發明屬於微波【技術領域】，具體涉及一種GaAs pHEMT管芯非線性模型參數提取方法。
【背景技術】
[0002]在信息技術的眾多領域中，以半導體材料為基礎製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量，促進了社會的文明進步。半導體材料的迅速發展與電子產品的發展是互相促進，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、低噪聲等突出優點，並且得到廣泛的應用。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的一個重要發展方向。它在電子對抗、雷達、通信、導航等系統中有著廣泛的應用。在民用方面也大量應用在行動電話、無線通信、近年來，微波功率放大器的發展速度很快，其總柵寬和耐壓水平也正在逐步提高。一般情況下，製作微波功率放大器都會使用微波單片集成電路(MMIC)的形式，因為它的製作工藝比較成熟。
[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展，今後MMIC的集成度將越來越高，傳統的以經驗為主的電路設計方法已經不能再滿足期間的發展要求，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。小信號模型主要用於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於精確描述器件的非線性特性，需要儘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來確定模型參數是很困難的，因此通過實驗測量來獲得模型參數是比較實用的方法。在實際工作中，通常用從S參數提取的方法來確定等效電路的參數模型。常用的S參數提取方法主要有利用解析公式直接提取的方法和基於優化數據擬合的方法。直接提取的方法不能保證在全部頻率範圍內模型參數的一致性，基於優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值。
[0008]神經網絡法是一種全局優化算法，它可以避免利用解析公式直接提取參數可能會產生的錯誤解問題。人工神經網絡(ANN)是模仿人類腦神經活動的一種人工智慧技術，是由大量的同時也是很簡單的處理單元廣泛連接構成的複雜網絡系統。人工神經網絡是建立在現代神經科學研究基礎上的一種抽象的數學模型。人工神經網絡可以通過學習掌握樣本規律，在輸入新的數據和狀態信息時，可以用人工神經網絡進行自動推理和控制。
【發明內容】
[0009]本發明提出了一種新的GaAs pHEMT管芯非線性模型參數提取方法，以實現對大信號輸入下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。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網絡算法，進行非線性模型參數提取。
[0011]本發明中採用的神經網絡算法為前饋型神經網絡，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點。然後對該神經網絡進行訓練。訓練好的神經網絡即可用於GaAs pHEMT管芯非線性模型參數的提取。
[0012]本發明所述的GaAs pHEMT管芯非線性模型參數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，建立5層前饋型神經網絡。
[0013](2)、由等效電路模型中非線性和線性元件的維度，確定前饋型神經網絡輸入層、隱含層與輸出層的節點數。
[0014](3)、通過實測的不同Vgs和Vds下管芯的S參數，及通過脈衝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，作為訓練神經網絡的樣本數據。
[0015](4)、利用自適應學習速率法對網絡進行訓練。
[0016](5 )、將不同的Vgs和Vds偏壓輸入該訓練好的神經網絡，實現GaAs pHEMT管芯非線性模型參數的提取。
[0017]將訓練好的神經網絡可導入CAD軟體，生成GaAs pHEMT管芯非線性模型。
[0018]本發明步驟(3)所述的S參數又稱為散射參數，它可以直接用網絡分析儀器測量得到，可以用網絡分析技術來計算。所述的脈衝1-V測試能夠在施加電流脈衝的同時測量電壓，使工程人員能夠對器件進行1-V特徵分析，與此同時，還能保護器件不受損壞。
[0019]本發明步驟(4)所述的自適應學習速率法有利於縮短學習時間。學習速率太小，收斂比較慢；學習速率太大，則有可能導致發散，因此選取自適應調整的改進算法，對神經網絡進行訓練。一旦訓練達到了最大訓練次數或者網絡函數指標小於期望誤差，或者超出規定計算時間，都會使網絡停止學習。
[0020]本發明結合了數據挖掘技術與器件等效電路建模技術，實現了基於前饋型神經網絡的GaAs pHEMT管芯非線性模型參數提取，是一種有效的參數提取方法。其創新與優勢在於:
(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值。
[0021 ] ( 2)、該方法採用的前饋型神經網絡算法受等效電路各參數維度的指導，是一種經過層結構優化的全局優化算法，資源佔用較少，且最終解受初始值選取的影響較小，易於得到全局最優解。
[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提取流程示意圖。
【具體實施方式】
[0025]本發明提供了一種用於GaAs pHEMT管芯非線性模型參數提取方法。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。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網絡算法，進行非線性模型參數提取。將訓練好的神經網絡導入CAD軟體，即可生成GaAs pHEMT管芯非線性模型，以實現對大信號的仿真。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，建立5層前饋型神經網絡。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作為神經網絡的輸入層節點，將歸一化後的電路非線性本徵參數cgs、Cgd, Cds, Ri, Rds, Gm作為網絡輸出層的節點。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8作為前饋型神經網絡的第三層隱含層節點數，並將第一、第二層隱含層的節點數分別設為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；並通過施加電流脈衝，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，作為訓練神經網絡的樣本數據。
[0028](4)、利用自適應學習速率法對網絡進行訓練。首先進行初始化，即隨機地設置各層權重係數；然後將訓練樣本的數據加到網絡輸入端，計算各層的輸出，將輸出值與期望值相比得到誤差值；根據誤差值重新調整連接權重；如果誤差值小於預訂誤差，則認為網絡已收斂，停止學習，反之，繼續學習。可通過調整自適應學習速率參數有效地調整學習時間。
[0029](5)、將不同的Vgs和Vds偏壓輸入該訓練好的神經網絡，即可實現GaAs pHEMT管芯非線性模型參數的提取。
[0030]將訓練好的神經網絡導入CAD軟體，生成GaAs pHEMT管芯非線性模型，即可進行
大信號仿真。
[0031]本發明是一種有效的參數提取方法。由於所設計的神經網絡算法可得到全局最優解，所以測量誤差對參數的影響較小。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的GaAs pHEMT管芯非線性模型參數。
【權利要求】
1.GaAs pHEMT管芯非線性模型參數提取方法，其特徵在於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，建立5層前饋型神經網絡；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作為神經網絡的輸入層節點，將歸一化後的電路非線性本徵參數Cgs、Cgd, Cds, Ri, Rds, Gm作為網絡輸出層的節點；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8作為前饋型神經網絡的第三層隱含層節點數，並將第一、第二層隱含層的節點數分別設為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；並通過施加電流脈衝，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，作為訓練神經網絡的樣本數據； (4)、利用自適應學習速率法對網絡進行訓練；通過調整自適應學習速率參數有效地調整學習時間； (5)、將不同的Vgs和Vds偏壓輸入該訓練好的神經網絡，即可實現GaAspHEMT管芯非線性模型參數的提取。
【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 優先權日:2014年1月9日
【發明者】王志宇, 王立平, 徐秀琴, 鬱發新 申請人:浙江大學