GaAs pHEMT管芯非线性模型参数提取方法
【专利摘要】本发明提供了一种GaAs?pHEMT管芯非线性模型的参数提取方法。该方法首先对GaAs?pHEMT管芯等效电路进行分析，提取其中的非线性元件参数。再由等效电路模型中非线性和线性元件的维度，设计适用的前馈型神经网络算法，进行非线性模型参数提取。将训练好的神经网络导入CAD软件，即可生成GaAs?pHEMT管芯非线性模型，以实现对大信号的仿真。本发明结合了数据挖掘技术与器件等效电路建模技术，是一种有效的参数提取方法。
【专利说明】GaAs pHEMT管芯非线性模型参数提取方法
【技术领域】
[0001]本发明属于微波【技术领域】，具体涉及一种GaAs pHEMT管芯非线性模型参数提取方法。
【背景技术】
[0002]在信息技术的众多领域中，以半导体材料为基础制作的各种各样的器件在人们的生活中几乎无处不在。它们不断改变着人们的生活方式、思维方式，提高了人类的生活质量，促进了社会的文明进步。半导体材料的迅速发展与电子产品的发展是互相促进，不可分开的。
[0003]砷化镓(GaAs)晶体是一种电学性能优越的化合物半导体材料，以它作为衬底的半导体器件及集成电路具有超高频、低功耗、低噪声等突出优点，并且得到广泛的应用。GaAs器件及其集成电路在微波通信和军事领域显示出它的重要性。
[0004]微波/毫米波器件和电路是当今微电子技术的一个重要发展方向。它在电子对抗、雷达、通信、导航等系统中有着广泛的应用。在民用方面也大量应用在移动电话、无线通信、近年来，微波功率放大器的发展速度很快，其总栅宽和耐压水平也正在逐步提高。一般情况下，制作微波功率放大器都会使用微波单片集成电路(MMIC)的形式，因为它的制作工艺比较成熟。
[0005]在MMIC设计中，器件模型起着至关重要的作用，我们不仅需要利用器件模型来仿真电路拓扑，用来验证所设计的电路是否达到预期的目标，还要根据电路的指标要求对器件工艺提出相关的性能要求。随着半导体器件的大小向着越来越小的方向发展，今后MMIC的集成度将越来越高，传统的以经验为主的电路设计方法已经不能再满足期间的发展要求，因而获得准确的期间模型将会成为电路设计的关键之一。
[0006]器件模型包括大信号非线性模型和小信号模型，其中，非线性模型包括非线性电流电压模型和非线性电容电压模型。小信号模型主要用于器件性能分析和反向工艺设计，大信号非线性模型则主要用于精确描述器件的非线性特性，需要尽量考虑器件中的物理过程。精确的小信号模型是研究大信号模型的基础，同时，不同的功能电路和应用频率对模型的要求是不同的。
[0007]直接从材料特性，工艺条件和器件的工作状态来确定模型参数是很困难的，因此通过实验测量来获得模型参数是比较实用的方法。在实际工作中，通常用从S参数提取的方法来确定等效电路的参数模型。常用的S参数提取方法主要有利用解析公式直接提取的方法和基于优化数据拟合的方法。直接提取的方法不能保证在全部频率范围内模型参数的一致性，基于优化的方法受测量误差较小，可以得到比直接提取的方法更为准确的参数值。
[0008]神经网络法是一种全局优化算法，它可以避免利用解析公式直接提取参数可能会产生的错误解问题。人工神经网络(ANN)是模仿人类脑神经活动的一种人工智能技术，是由大量的同时也是很简单的处理单元广泛连接构成的复杂网络系统。人工神经网络是建立在现代神经科学研究基础上的一种抽象的数学模型。人工神经网络可以通过学习掌握样本规律，在输入新的数据和状态信息时，可以用人工神经网络进行自动推理和控制。
【发明内容】
[0009]本发明提出了一种新的GaAs pHEMT管芯非线性模型参数提取方法，以实现对大信号输入下GaAs pHEMT管芯电路响应的精确仿真。
[0010]该方法首先对GaAs pHEMT管芯等效电路进行分析，提取其中的非线性元件参数。再由等效电路模型中非线性和线性元件的维度，设计适用的前馈型神经网络算法，进行非线性模型参数提取。
[0011]本发明中采用的神经网络算法为前馈型神经网络，由输入层、隐含层和输出层三部分组成。通过分析GaAs pHEMT管芯等效电路模型，确定输入层、隐含层与输出层的节点。然后对该神经网络进行训练。训练好的神经网络即可用于GaAs pHEMT管芯非线性模型参数的提取。
[0012]本发明所述的GaAs pHEMT管芯非线性模型参数提取方法的步骤如下:
(I)、对GaAs pHEMT管芯等效电路进行分析，提取其中的非线性元件参数，建立5层前馈型神经网络。
[0013](2)、由等效电路模型中非线性和线性元件的维度，确定前馈型神经网络输入层、隐含层与输出层的节点数。
[0014](3)、通过实测的不同Vgs和Vds下管芯的S参数，及通过脉冲1-V测试得到的管芯的1-V特性曲线，导出等效电路模型中各元件值，作为训练神经网络的样本数据。
[0015](4)、利用自适应学习速率法对网络进行训练。
[0016](5 )、将不同的Vgs和Vds偏压输入该训练好的神经网络，实现GaAs pHEMT管芯非线性模型参数的提取。
[0017]将训练好的神经网络可导入CAD软件，生成GaAs pHEMT管芯非线性模型。
[0018]本发明步骤(3)所述的S参数又称为散射参数，它可以直接用网络分析仪器测量得到，可以用网络分析技术来计算。所述的脉冲1-V测试能够在施加电流脉冲的同时测量电压，使工程人员能够对器件进行1-V特征分析，与此同时，还能保护器件不受损坏。
[0019]本发明步骤(4)所述的自适应学习速率法有利于缩短学习时间。学习速率太小，收敛比较慢；学习速率太大，则有可能导致发散，因此选取自适应调整的改进算法，对神经网络进行训练。一旦训练达到了最大训练次数或者网络函数指标小于期望误差，或者超出规定计算时间，都会使网络停止学习。
[0020]本发明结合了数据挖掘技术与器件等效电路建模技术，实现了基于前馈型神经网络的GaAs pHEMT管芯非线性模型参数提取，是一种有效的参数提取方法。其创新与优势在于:
(I)、该方法与一般的直接测量方法相比，受测量误差影响较小，可以得到比直接提取方法更为准确的参数值。
[0021 ] ( 2)、该方法采用的前馈型神经网络算法受等效电路各参数维度的指导，是一种经过层结构优化的全局优化算法，资源占用较少，且最终解受初始值选取的影响较小，易于得到全局最优解。
[0022]【专利附图】
【附图说明】
[0023]图1 GaAs pHEMT管芯等效电路图。
[0024]图2 GaAs pHEMT管芯非线性模型参数提取流程示意图。
【具体实施方式】
[0025]本发明提供了一种用于GaAs pHEMT管芯非线性模型参数提取方法。该方法首先对图1中所示的GaAs pHEMT管芯等效电路进行分析，提取其中的非线性元件参数。再由等效电路模型中非线性和线性元件的维度，设计适用的前馈型神经网络算法，进行非线性模型参数提取。将训练好的神经网络导入CAD软件，即可生成GaAs pHEMT管芯非线性模型，以实现对大信号的仿真。提取流程示意图如图2所示，其【具体实施方式】如下:
(I)、对GaAs pHEMT管芯等效电路进行分析，提取其中的非线性元件参数，建立5层前馈型神经网络。其中包括I输入层，3隐含层和I输出层。
[0026](2)、将栅源偏压Vgs和漏源偏压Vds作为神经网络的输入层节点，将归一化后的电路非线性本征参数cgs、Cgd, Cds, Ri, Rds, Gm作为网络输出层的节点。输入输出层之间设3层隐含层，将寄生电阻Rs、Rd、Rg,寄生电感Ls、Ld、Lg,以及寄生电容Cpg、Cpd的总维数8作为前馈型神经网络的第三层隐含层节点数，并将第一、第二层隐含层的节点数分别设为4和6。
[0027](3)、通过实测不同Vgs和Vds下的管芯，得到管芯的S参数；并通过施加电流脉冲，测得管芯的1-V特性曲线，从而导出图1等效电路模型中各元件值，作为训练神经网络的样本数据。
[0028](4)、利用自适应学习速率法对网络进行训练。首先进行初始化，即随机地设置各层权重系数；然后将训练样本的数据加到网络输入端，计算各层的输出，将输出值与期望值相比得到误差值；根据误差值重新调整连接权重；如果误差值小于预订误差，则认为网络已收敛，停止学习，反之，继续学习。可通过调整自适应学习速率参数有效地调整学习时间。
[0029](5)、将不同的Vgs和Vds偏压输入该训练好的神经网络，即可实现GaAs pHEMT管芯非线性模型参数的提取。
[0030]将训练好的神经网络导入CAD软件，生成GaAs pHEMT管芯非线性模型，即可进行
大信号仿真。
[0031]本发明是一种有效的参数提取方法。由于所设计的神经网络算法可得到全局最优解，所以测量误差对参数的影响较小。此外，初始值的选取也不影响最终解，所以通过该算法可有效得到最优的GaAs pHEMT管芯非线性模型参数。
【权利要求】
1.GaAs pHEMT管芯非线性模型参数提取方法，其特征在于该方法的具体步骤如下: (1)、对GaAspHEMT管芯等效电路进行分析，提取其中的非线性元件参数，建立5层前馈型神经网络；其中包括I输入层，3隐含层和I输出层； (2)、将栅源偏压Vgs和漏源偏压Vds作为神经网络的输入层节点，将归一化后的电路非线性本征参数Cgs、Cgd, Cds, Ri, Rds, Gm作为网络输出层的节点；输入输出层之间设3层隐含层，将寄生电阻Rs、Rd、Rg,寄生电感Ls、Ld、Lg,以及寄生电容Cpg、Cpd的总维数8作为前馈型神经网络的第三层隐含层节点数，并将第一、第二层隐含层的节点数分别设为4和6 ； (3)、通过实测不同Vgs和Vds下的管芯，得到管芯的S参数；并通过施加电流脉冲，测得管芯的1-V特性曲线，从而导出等效电路模型中各元件值，作为训练神经网络的样本数据； (4)、利用自适应学习速率法对网络进行训练；通过调整自适应学习速率参数有效地调整学习时间； (5)、将不同的Vgs和Vds偏压输入该训练好的神经网络，即可实现GaAspHEMT管芯非线性模型参数的提取。
【文档编号】G06N3/02GK103778281SQ201410010775
【公开日】2014年5月7日 申请日期:2014年1月9日 优先权日:2014年1月9日
【发明者】王志宇, 王立平, 徐秀琴, 郁发新 申请人:浙江大学