基于神经网络的CMOS反相器电磁可靠性预测方法

本发明属于cmos反相器的电磁可靠特性预测，具体涉及一种基于神经网络的cmos反相器电磁可靠性预测方法。

背景技术：

1、cmos反相器是数字电路的基本单元，业界对于研究cmos反相器在电磁环境下的损伤过程和损伤机理，以及相应的加固方法有愈加凸显的需求。cmos包含pmos和nmos，其在hpm作用下的损伤机理相对基本mosfet单器件更加复杂。业界基于电路模型的仿真方式通常难以获得准确的电磁可靠特性预测，而通过tcad等物理仿真软件通常耗时漫长，而且需要研究人员掌握大量数理知识，半导体知识与复杂的仿真软件操作方法。

2、目前业界对于cmos器件与电路的电磁可靠性研究通常是基于电路级仿真与基于器件数值模拟工具tcad建立模型的混合仿真。现有的cmos反相器的电路模型基于eda或者工艺厂商的器件模型与基于实际工艺或实验的提参方法。而tcad建立器件模型，需要利用软件建立结构模型、设置掺杂、划分网格，根据所需仿真设置物理模型，建立器件模型与电路模型的混合仿真电路，再通过求解器求解物理模型对应的载流子连续性方程、泊松方程、晶格温度方程等微分方程。

3、在电路级仿真中，由eda或者工艺厂商给出的器件数理模型以及其模型参数通常是电路在正常工作条件下实验与测试提取的结果，在hpm辐照等极端条件下，很难通过这种模型获得真实的器件与电路相应。基于tcad或者其他基于物理数值方程的仿真工具，通常涉及到大量的微分(差分)方程求解，对于选择完整的物理模型与较为精细的网格条件下进行单器件电磁仿真，仿真时长通常在数十分钟以上，对于电路结构的物理仿真，仿真时间将会难以承受。

4、现有的cmos反相器的电磁损伤特性及加固手段在业界尚未进行充分研究，而且基于现有的电磁可靠性的仿真研究方法，在效率，准确率等方面都难以满足要求。

技术实现思路

1、为了克服上述现有技术存在的不足，本发明的目的在于提供基于神经网络的cmos反相器电磁可靠性预测方法，该方法通过神经网络预测的方式，能够快速实现cmos反相器的电磁可靠特性预测，并且通过工作条件实现对cmos反相器电磁损伤类型的分类。

2、为了实现上述目的，本发明采用的技术方案是：

3、基于神经网络的cmos反相器电磁可靠性预测方法，包括以下步骤；

4、步骤1：通过tcad器件建模，完成cmos反相器的物理模型搭建与基本特性的验证；

5、步骤2：研究cmos反相器的电磁损伤机理，分析不同外部或内部变量对于cmos反相器电磁可靠性的影响，揭示cmos反相器在电磁脉冲影响下不同的毁伤类型；筛选影响cmos反相器电磁可靠特性的参数(输入参数)，并确定描述cmos反相器的电磁毁伤量化参数；

6、所述步骤2中，参数分别是hpm峰值电压、hpm频率，hpm上升时间以及cmos反相器偏置电源电压；并且选择电源电流峰值和毁伤时间作为描述cmos反相器的电磁毁伤的量化参数(输出参数)。电源电流峰值和器件的毁伤时间是衡量cmos电磁可靠性的关键参数。电源电流峰值表征了器件能够承受的最大电流，毁伤时间表征了器件能够承受的高功率电磁辐照时间；

7、步骤3：通过控制变量法改变所述参数的输入组合进行仿真实验，获得样本集；

8、步骤4：建立神经网络预测cmos反相器在不同条件之下的毁伤类型，针对不同毁伤类型的情况分别预测步骤2中的两种电磁毁伤量化参数；

9、步骤5：利用所述样本集训练神经网络；

10、步骤6：利用测试集对训练完成的网络进行功能验证和效果评估，基于满足要求的网络预测cmos反相器的电磁可靠性。

11、所述步骤1具体为：

12、基于tcad建立器件数值物理模型，搭建用于进行cmos反相器hpm损伤研究的仿真电路；

13、所述基本特性的验证包括器件物理结构与材料掺杂模型搭建、电磁注入仿真电路搭建与电气特性的功能正确性验证；

14、将建模的cmos反相器器件模型接入hpm损伤研究仿真电路，由hpm损伤研究电路模拟hpm注入源，向cmos模型注入hpm电流。

15、所述器件数值物理模型为cmos反相器，cmos反相器内部设置寄生晶体管q1、寄生晶体管q2、寄生电阻rs和寄生电阻rw；

16、其中寄生晶体管q1的集电极连接在n阱的接触n型重掺杂区，发射极连接在nmos的n重掺杂源区，基极连接在衬底区，寄生晶体管q2的集电极连接在衬底区，发射极连接在pmos的n重掺杂源区，基极连接在n阱；而rs和rw两个寄生电阻分别在p衬底的p重掺杂接触区和衬底之间，和n阱的n重掺杂接触区和n阱之间。

17、衬底区的掺杂类型是均匀硼掺杂，n阱通过扩散生成，在p型衬底和n阱中分别通过离子注入生成nmos源漏区和pmos源漏区。

18、所述cmos反相器电磁损伤研究的仿真电路中，cmos反相器的工作电压为1.5v，栅极输入周期为20ns的方波信号，方波信号的高电平为1.5v，低电平为0v，上升/下降时间为1ns，占空比为50％；

19、hpm的电磁脉冲通过互连线、电力电缆“后门”路径耦合进入集成电路中。

20、cmos反相器正常工作时nmos的源极和衬底接地，将hpm信号接在nmos的源极和地之间，设置cmos反相器内部初始温度为300k，cmos反相器衬底底部带有0.01cm2 k/w的表面热阻。

21、所述步骤2中，通过物理机理分析对影响cmos反相器的电磁可靠特性最重要的影响参数，确定cmos反相器的偏置电压(电源电压)、hpm峰值电压、hpm频率、上升下降时间为cmos反相器的电磁损伤特性最重要的影响因素，并将其设置为输入变量；选择电源电流峰值和毁伤时间作为描述cmos反相器的电磁毁伤的量化参数(输出参数)

22、对于cmos反相器电磁损伤最重要的影响因素，对cmos反相器的电磁可靠性进行加固通过对cmos反相器电磁损伤机理的研究，确定了两种存在的cmos反相器的毁伤类型：直接毁伤和闩锁毁伤。

23、进一步的，根据cmos反相器闩锁毁伤效应的特性，将nmos的源极和漏极调换位置，在紧贴着nmos源极处形成一个p+注入区；采用互连金属线将nmos源极和p+注入区连接；在该结构中，寄生电阻rs不再存在于寄生晶体管q1的基极和发射极之间；当有电流从nmos源极注入时，寄生电阻rs上的压降不再会使得寄生晶体管q1导通，有效地消除了该电阻对闩锁效应的影响；

24、互连金属线连接了nmos源极和p+注入区；当hpm从nmos源极注入时，新增加的p+注入区(衬底接触区)及其附近衬底的电压同样会发生变化；因此，在hpm作用下，加固结构中nmos衬-源pn结的压降相较于常规结构会更低。注入衬底的电子随pn结压降的降低而减少，有效地降低了相同脉冲条件下寄生晶体管q1集电极-发射极之间的电压，抑制闩锁效应的发生。

25、所述步骤3具体为：

26、针对以上步骤确定的参数，基于tcad仿真软件通过控制变量的方法进行仿真实验，构建数据集；通过sentaurus tcad软件分别仿真了cmos反相器闩锁烧毁和直接烧毁的参数，去除仿真失败的点，最终收集到的闩锁烧毁和直接烧毁的样本，获得各种特征参数向量下对应的数据集标签，将获得数据集进行预处理，将数据集划分为训练集，验证集和测试集，并对得到的各种数据集进行归一化。

27、所述步骤4具体为：

28、针对预测cmos反相器在不同条件之下的毁伤类型以及针对不同毁伤类型的情况下分别预测步骤2中的两种电磁毁伤量化参数，分别建立不同的神经网络模型进行建模与预测；

29、预测cmos反相器在不同条件之下的毁伤类型中，以hpm峰值电压、cmos反相器偏置电源电压、hpm上升下降时间和频率作为输入特征变量，选取分类标签为：正常工作、闩锁烧毁、直接烧毁三种，对cmos反相器的烧毁类型进行预测与分类。

30、针对不同毁伤类型的情况，预测的烧毁类型(即直接烧毁和闩锁烧毁)，分别对这两种烧毁情况下进行电磁参数的预测，其中直接烧毁选取hpm峰值电压、cmos反相器偏置电源电压、hpm上升下降时间和频率四个变量作为输入变量，选取烧毁时间和电源电流峰值作为预测变量，而闩锁烧毁则选择hpm峰值电压、hpm上升下降时间和频率三个变量作为输入变量，同样选择选取烧毁时间和电源电流峰值作为预测变量。

31、建立三种神经网络，第一种网络用来预测cmos反相器的烧毁类型，第二、三种网络用来预测不同毁伤类型下的电磁毁伤参数；

32、三种神经网络第一种用于对cmos反相器烧毁类型进行预测，然后根据预测的烧毁类型的不同分别输入针对直接烧毁和闩锁烧毁的两种神经网络进行电磁参数(烧毁时间和电源电流峰值)的预测。

33、cmos反相器烧毁类型分析的网络模型，该模型由全连接层构成，其中，模型输入为cmos反相器电源电压以及hpm峰值电压、频率和上升/下降时间，输出根据自然顺序分为三类，分别为正常工作、闩锁烧毁以及直接烧毁。

34、该模型将4维输入向量连续输入两个全连接层，最后通过全连接得到一个1*1的输出值；

35、4维输入向量为直流偏置、hpm电压峰值、hpm频率和hpm上升时间；

36、全连接层为1*120和1*40。

37、当输出值x≤1.5时，判断为正常工作，1.5≤x≤2.5时，判断为闩锁烧毁，当输出值x≥2.5时，判断为直接烧毁。

38、cmos反相器直接烧毁模型由全连接层和卷积层组成，其中，全连接层由全连接模块，batchnorm(批量归一化)层和relu及激活函数组成；卷积层由卷积模块，batchnorm(批量归一化)层和relu激活函数组成；

39、首先将3维输入向量输入两层全连接层以拓宽输入维度，3维输入向量为hpm峰值电压、hpm频率，hpm上升时间；两层全连接层为1*16和1*64；

40、然后连续输入两个卷积层进行维度拓宽，并在卷积层后加入maxpooling(最大池化)层以较少中间特征向量大小，卷积层与maxpooling(最大池化)层维度分别是：4*64,4*32，8*32，8*16；

41、最后进行特征展开，并连续输入三个全连接层并得到最终输出；全连接层的维度是：1*32，1*16，1*2(输出向量：烧毁时间和电源电流峰值)。

42、cmos反相器闩锁烧毁模型，该模型由全连接层和卷积层组成，首先将4维输入向量输入两层全连接层以拓宽输入维度；

43、4维输入向量为直流偏置电压、hpm峰值电压、hpm频率、hpm上升时间；

44、两层全连接层为1*32和1*128；

45、然后连续输入两个卷积层进行维度拓宽，并在卷积层后加入maxpooling(最大池化)层以较少中间特征向量大小，卷积层与maxpooling(最大池化)层维度分别是：4*128,4*64，16*64，16*32；

46、最后进行特征展开，并连续输入三个全连接层并得到最终输出，全连接层的维度是：1*32，1*16，1*2，输出向量：烧毁时间和电源电流峰值。

47、所述步骤5具体为：

48、将训练集数据输入深度学习网络预测模型，利用损失函数来衡量预测值与预期结果的匹配程度，并更新网络权重，得到优化后的模型，将交叉验证集数据输入优化后的模型，最终获得训练完成的模型。

49、所述步骤6具体为：

50、将测试集数据输入训练完成的模型，评估其预测准确率及泛化能力，展现该神经网络在对应不同的cmos反相器结构参数与偏置条件，以及不同参数的hpm机理条件下，该模型经过训练仍然可以正确预测反相器的电磁可靠性。

51、本发明的有益效果：

52、本发明显著降低了仿真时间，并且减少了物理建模过程，降低了技术人员对于数理知识和半导体相关理论的只是门槛，相对物理模型拥有更高的效率和更好的收敛性，提高了cmos反相器的电磁可靠性研究效率。

53、对于cmos在大规模集成电路设计中的电磁可靠性分析时，由于涉及大量器件以及复杂的电路连接关系，使用tcad等物理仿真软件，仿真时长是无法接受的。tcad物理仿真软件对于电磁特性的仿真时间，单器件可能需要数分钟甚至数十分钟之久，而采用神经网络的解析模型仅需要ms级别的时间。这使用于大规模的电路级电磁仿真。另外，sentaurus等tcad软件使用非常复杂，需要对于软件和物理过程有着深厚理解的专业人员才能操作，而本模型的使用则非常简单，只需要调用相关模型即可。

54、本技术提出的加固方案经过了仿真验证，对于在复杂电磁工作环境下，例如雷达，军事装备等电路应用中，这种结构可以显著提高cmos反相器的电磁可靠性。