基于神经网络的GaNJBS二极管器件性能预测方法

基于神经网络的gan jbs二极管器件性能预测方法
技术领域
1.本发明涉及微电子器件技术与人工智能技术领域，具体涉及基于神经网络的gan jbs(junction barrier schottky，结势垒肖特基)二极管器件性能预测方法。


背景技术：

2.氮化镓gan作为第三代半导体的代表，具有宽禁带、高临界击穿电场、高电子迁移率和高热导率等特性，是制作功率器件的理想材料。当今，gan器件一直处于高速发展阶段，目前jbs二极管应用广泛，通过折衷pin二极管和肖特基二极管的优点，能够同时拥有较低的正向导通电阻和较高的反向击穿电压，可以显著提高电力电子系统的性能。
3.然而，gan jbs二极管的正向导通电阻和击穿电压受p+区多项参数影响，加上传统器件仿真和实验测试方法周期长、效率低，因此设计起来需要耗费很多人力工作。而神经网络的快速发展为快速预测器件和材料结构或者性质提供了另一种选择，可利用其根据数据自动提取特征的便利，免除了高昂的入门成本及人为因素的干扰，在保证准确性的同时，可降低计算成本，缩短开发周期。


技术实现要素：

4.针对现有技术中存在的问题，本发明的目的在于提供基于神经网络的gan jbs二极管器件性能预测方法，减少gan jbs二极管器件的设计成本，且快速获得gan jbs二极管器件的性能指标参数。
5.为了达到上述目的，本发明采用以下技术方案予以实现。
6.基于神经网络的gan jbs二极管器件性能预测方法，包括以下步骤：
7.步骤1，构建仿真gan jbc二极管，不断改变仿真gan jbc二极管的漂移区掺杂浓度、p+区宽度与相邻p+区间距的比值、p+区掺杂浓度、p+区注入深度，获得对应的仿真gan jbc二极管的正向导通电阻和反向击穿电压；将每组漂移区掺杂浓度、p+区宽度与相邻p+区间距的比值、p+区掺杂浓度、p+区注入深度及对应的正向导通电阻和反向击穿电压作为一组样本；所有样本构成样本集；
8.步骤2，对样本集数据进行预处理，将样本集数据按比例随机划分为训练集和验证集；
9.步骤3，构建卷积神经网络预测模型；
10.步骤4，使用训练集和验证集对卷积神经网络预测模型进行训练和验证，获得训练完成的卷积神经网络预测模型；
11.步骤5，将要预测器件性能的gan jbc二极管的漂移区掺杂浓度、p+区宽度与相邻p+区间距的比值、p+区掺杂浓度、p+区注入深度输入训练完成的卷积神经网络预测模型，获得该gan jbc二极管的正向导通电阻和反向击穿电压的预测结果。
12.与现有技术相比，本发明的有益效果为：充分利用神经网络深度学习根据数据自动提取特征的特点，将其应用于gan jbs二极管器件性能的预测，从而快速预测器件性能，
并根据预测结果调整输入结构来优化器件特性；弥补了传统器件仿真和实验测试方法周期长、效率低、耗时耗力的不足，快速便捷地建立起由gan jbs二极管器件结构与性能指标之间的关联，能够加速gan jbs二极管性能预测的研究，降低预期性能指标下器件结构的设计难度。
附图说明
13.下面结合附图和具体实施例对本发明做进一步详细说明。
14.图1是本发明基于神经网络的gan jbs二极管器件性能预测方法的流程图；
15.图2是本发明实施例中仿真的gan jbs二极管器件的剖面图；
16.图3是本发明的卷积神经网络预测模型的结构图；
17.图4是卷积神经网络预测模型中双分支卷积层的结构图；
18.图5是测试集的性能预测结果与真实值的对比图；图5(a)是反向击穿电压的预测结果与真实值的对比图；图5(b)是正向导通电阻的预测结果与真实值的对比图。
19.附图标记说明：1n型gan衬底、2n型gan漂移区、3p+区、4阳极电极、5阴极电极。
具体实施方式
20.下面将结合实施例对本发明的实施方案进行详细描述，但是本领域的技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限制本发明的范围。
21.参考图1，基于神经网络的gan jbs二极管器件性能预测方法，包括以下步骤：
22.步骤1，构建仿真gan jbc二极管，不断改变仿真gan jbc二极管的漂移区掺杂浓度、p+区宽度与相邻p+区间距的比值、p+区掺杂浓度、p+区注入深度，获得对应的仿真gan jbc二极管的正向导通电阻和反向击穿电压；将每组漂移区掺杂浓度、p+区宽度与相邻p+区间距的比值、p+区掺杂浓度、p+区注入深度及对应的正向导通电阻和反向击穿电压作为一组样本；所有样本构成样本集；
23.使用tcad软件构建仿真gan jbs二极管；参考图2，为本实施例使用的gan jbs二极管器件，包括n型gan衬底1、n型gan漂移区2、p+区3、阳极电极4、阴极电极5，p+区3位于n型gan漂移区2内，阳极电极4与n型gan漂移区2之间形成肖特基接触，阴极电极5与n型gan衬底1之间形成欧姆接触；本实施例构建的gan jbs二极管器件具有普适性同时具有符合半导体工艺要求的垂直结构；其中，衬底掺杂浓度为1.00
×
10
19
/cm3，厚度为10μm；n型gan漂移区厚度为5μm；
24.不断改变仿真gan jbc二极管的漂移区掺杂浓度、p+区宽度与相邻p+区间距的比值、p+区掺杂浓度、p+区注入深度；
25.漂移区掺杂浓度分别取3.00
×
10
15
/cm3、4.00
×
10
15
/cm3、5.00
×
10
15
/cm3、6.00
×
10
15
/cm3、7.00
×
10
15
/cm3、8.00
×
10
15
/cm3、9.00
×
10
15
/cm3、1.00
×
10
16
/cm3；p+区宽度与相邻p+区间距的比值分别取1:9、2:8、3:7、4:6、5:5、6:4；p+区掺杂浓度分别取3.00
×
10
17
/cm3、4.00
×
10
17
/cm3、5.00
×
10
17
/cm3、6.00
×
10
17
/cm3、7.00
×
10
17
/cm3、8.00
×
10
17
/cm3、9.00
××
10
17
/cm3、1.00
×
10
18
/cm3；p+区注入深度分别取0.15μm、0.20μm、0.25μm、0.30μm、0.35μm、0.40μm；
26.使用tcad软件获得对应的仿真gan jbc二极管的正向导通电阻和反向击穿电压；
其中，正向导通电阻为gan jbc二极管两端施加电压达到3.5v时，gan jbc二极管两端施加电压与此时通过gan jbc二极管电流大小的比值；反向击穿电压为反向漏电流达到10-6
a/cm3时在gan jbc二极管两端所施加的电压大小；剔除仿真失败的样本后最终获得了样本容量为2287的样本集。
27.步骤2，对样本集数据进行预处理，将样本集数据按比例随机划分为训练集、验证集和测试集；
28.具体的，预处理为对漂移区掺杂浓度、p+区宽度与相邻p+区间距的比值、p+区掺杂浓度、p+区注入深度进行标准化处理，对正向导通电阻和反向击穿电压进行归一化处理；
29.将样本容量为2287的样本集按8:1:1随机划分为训练集、验证集和测试集。
30.步骤3，构建卷积神经网络预测模型；
31.具体的，卷积神经网络预测模型的输入为漂移区掺杂浓度、p+区宽度与相邻p+区间距的比值、p+区掺杂浓度、p+区注入深度，卷积神经网络预测模型的输出为正向导通电阻和反向击穿电压；
32.参考图3，本实施例的卷积神经网络预测模型包含依次连接的输入层、线性扩展模块、转置卷积模块、双分支卷积模块、转置卷积模块、全连接模块和输出层；
33.线性扩展模块包含3个依次级联的线性扩展层，每个线性扩展层包含一个全连接层和一个批量归一化层；线性扩展模块用于将输入数据拓展到更高维度。
34.转置卷积模块包含2个依次级联的一维转置卷积层；转置卷积模块用于进一步扩展数据维度，为后续卷积操作提高操作空间。
35.双分支卷积模块包含4个依次级联的双分支卷积层，每个双分支卷积层，参考图4，包含两个通道，一个通道包含依次级联的一维卷积层、批量归一化层、一维卷积层、批量归一化层、一维卷积层，其中一维卷积层的卷积核大小均为3
×
1；另一个通道包含一个卷积核大小为5
×
1的一维卷积层；两个通道的输出特征再进行拼接，拼接后的特征作为双分支卷积层的输出；双分支卷积模块用于提取数据特征，同时防止梯度消失或梯度爆炸问题出现。
36.全连接模块包含3个依次级联的全连接层。全连接模块用于对卷积模块学习到的特征进行相应性能的预测。
37.步骤4，使用训练集和验证集对卷积神经网络预测模型进行训练和验证，获得训练完成的卷积神经网络预测模型；
38.具体的，步骤4的子步骤如下：
39.子步骤4.1，对卷积神经网络预测模型的网络参数进行随机初始化；
40.子步骤4.2，将漂移区掺杂浓度、p+区宽度与相邻p+区间距的比值、p+区掺杂浓度、p+区注入深度作为模型输入，将对应的正向导通电阻和反向击穿电压作为标签；
41.子步骤4.3，将训练集数据输入卷积神经网络预测模型，通过计算每批次训练的损失函数relu，反向传播采用adam优化器优化网络参数，直至卷积神经网络预测模型收敛，获得训练后的卷积神经网络预测模型；
42.子步骤4.4，重复子步骤4.1～4.3，获得多个训练后的卷积神经网络预测模型；
43.子步骤4.5，将验证集数据分别输入子步骤4.4获得的多个训练后的卷积神经网络预测模型，将对验证集的预测准确率最高的卷积神经网络预测模型作为训练完成的卷积神经网络预测模型。
44.步骤5，将测试集数据输入训练完成的卷积神经网络预测模型，获得测试集的正向导通电阻和反向击穿电压的预测结果。
45.参考图5(a)、图5(b)，测试集的反向击穿电压与正向导通电阻的预测值与真实值吻合度均较高，可计算得平均相对误差分别为4.8％和2.8％，说明对正向导通电阻和反向击穿电压的预测精度是符合实际要求的，表明本发明方法可以较为准确的对正向导通电阻和反向击穿电压进行预测。
46.虽然，本说明书中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。