(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111007779.6 (22)申请日 2021.08.3 0 (71)申请人 西安电子科技大 学 地址 710000 陕西省西安市雁塔区太白南 路2号 (72)发明人 吕红亮　戚军军　严思璐　程林　 张玉明　张义门　 (74)专利代理 机构 西安嘉思特知识产权代理事 务所(普通 合伙) 6123 0 代理人 刘长春 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/39(2020.01) G06N 3/08(2006.01) G06F 119/08(2020.01) (54)发明名称 一种基于BP神经网络模型的半导体器件温 度分布预测方法 (57)摘要 本发明公开了一种基于BP神经网络模型的 半导体器件温度分布预测方法， 所述方法包括： 基于目标半导体器件对应的参数， 建立半导体器 件模型； 获取所述半导体器件模 型在多个预设环 境下的多个数据集； 基于所述训练数据集对BP神 经网络模型进行训练， 以得到初始温度分布预测 模型基于所述训练数据集对BP神经网络模型进 行训练， 以得到初始温度分布预测模型； 基于所 述测试数据集对所述初始温度分布预测模型进 行验证， 并根据验证结果对所述初始温度分布预 测模型进行调整， 以得到目标温度分布预测模 型。 本发明能够快速、 高效、 精准地得到目标温度 分布预测模 型， 从而可以基于所述目标温度分布 预测模型进行半导体 器件的温度分布预测。 权利要求书1页 说明书5页 附图2页 CN 113947008 A 2022.01.18 CN 113947008 A 1.一种基于BP神经网络模型的半导体器件温度分布预测方法， 其特征在于， 所述方法 包括： 步骤1： 基于目标半导体 器件对应的参数， 建立半导体 器件模型； 步骤2： 获取所述半导体器件模型在多个预设环境下的多个数据集； 其中， 所述多个数 据集中包括一个测试数据集和多个训练数据集， 所述数据集中包括环境温度数据、 功耗数 据、 距热源的距离数据和温度分布数据； 步骤3： 基于所述训练数据集对BP神经网络模型进行训练， 以得到初始温度分布预测模 型 基于所述训练数据集对BP神经网络模型进行训练， 以得到初始温度分布预测模型； 步骤4： 测试数据集基于所述测试数据集对所述初始温度分布预测模型进行验证， 并根 据验证结果对所述初始温度分布预测模型进行调整， 以得到目标温度分布预测模型。 2.根据权利要求1所述的方法， 其特征在于， 所述目标半导体器件对应的参数包括结构 参数和物理参数。 3.根据权利要求1所述的方法， 其特 征在于， 所述 步骤2包括： 步骤2‑1： 对多个预设环境下的半导体 器件模型， 进行有限元网格划分； 步骤2‑2： 对有限元网格划分后的半导体器件模型进行稳态求解， 以得到目标半导体器 件的温度分布数据； 步骤2‑3： 将一个预设环境对应的环境温度数据、 功耗数据、 距热源的距离数据， 和基于 该预设环境 求解得到的温度分布数据， 确定为 一个数据集， 以得到多个数据集。 4.根据权利要求1所述的方法， 其特征在于， 将所述环境温度 数据、 功耗数据、 距热源的 距离数据确定为所述BP神经网络模 型的输入数据； 将所述温度分布数据确定为所述BP神经 网络模型的输出 数据。 5.根据权利要求1所述的方法， 其特 征在于， 所述 步骤4包括： 步骤4‑1： 将所述测试数据集中的环境温度数据、 功耗数据、 距热源的距离数据输入至 所述初始温度分布模型， 以得到测试温度分布数据； 步骤4‑2： 将所述测试温度分布数据与所述测试 数据集中温度分布数据进行对比； 步骤4‑3： 当测试温度分布数据与测试数据集中温度分布数据之间的误差小于预设阈 值时， 则将所述初始温度分布模型确定为目标温度分布预测模型。 6.根据权利要求5所述的方法， 其特 征在于， 所述 步骤4‑2之后， 所述方法还 包括： 步骤S1： 当测试温度分布数据与测试数据集中温度分布数据之间的误差大于预设阈值 时， 则调整所述BP神经网络模型中的隐藏层参数， 其中， 所述隐藏层参数包括隐藏层个数、 隐藏层神经 元个数； 步骤S2： 基于调整后的所述BP神经网络模型， 重复执行步骤3， 以得到更新后的初始温 度分布预测模型； 步骤S3： 基于更新后的初始温度分布预测模型， 执行步骤4， 直到测试温度分布数据与 测试数据集中温度分布数据之 间的误差小于预设阈值时， 则将所述更新后的初始温度分布 模型确定为目标温度分布预测模型。权　利　要　求　书 1/1 页 2 CN 113947008 A 2一种基于BP神经 网络模型的半导体器件温度分布预测方 法 技术领域 [0001]本发明属于集成电路技术领域， 具体涉及一种基于BP神经网络模型的半导体器件 温度分布预测方法。 背景技术 [0002]随着微电子技术的发展， 半导体器件的尺寸不断减小， 集成电路及系统的功率密 度成倍增加， 使得集成电路自热效应不断加剧， 其中， 自热效应会影响器件自身特性， 还会 导致器件之 间发生电磁热耦合效应， 电磁热耦合效应会导致该器件对周围器件的性能造成 严重影响。 [0003]因此， 在大规模集成电路设计时， 需要电路设计者在电路设计初期对半导体器件 的温度特性进行预测， 评估其温度分布对集成电路性能可能带来的影响， 从而在设计初期 就进行合理的布局布线优化， 对保证和提升集成电路性能具有重要意 义。 [0004]现有技术中， 为了准确预测半导体器件 温度分布数据， 主要采用两种方法： 一种是 有限元分析方法， 但该方法中有限元单次仿 真计算成本较高， 耗时较长； 另一种是基于器件 温度分布结果， 通过数据间的表现关系， 选择合适的数学函数进 行表征， 以得到器件的温度 分布结果， 这种方法虽然简便但拟合精度特别依赖于分析者拟合函数数据的选择和特征函 数的选取， 对于有些应用领域的数学关系并非简单 的函数关系， 因此导致该方法的拟合精 度误差较大。 发明内容 [0005]为了解决现有技术中存在的上述问题， 本发明提供了一种基于BP神经网络模型的 半导体器件温度分布预测方法。 本发明要解决的技 术问题通过以下技 术方案实现： [0006]一种基于BP神经网络模型的半导体器件温度分布预测方法， 包括： 步骤1： 基于目 标半导体器件对应的参数， 建立半导体器件模型； 步骤2： 获取所述半导体器件模型在多个 预设环境下 的多个数据集； 其中， 所述多个数据集中包括一个测试数据集和多个训练数据 集， 所述数据集中包括环境温度数据、 功耗数据、 距热源的距离数据和温度分布数据； 步骤 3： 基于所述训练数据集对BP神经网络模型进行训练， 以得到初始温度分布预测模型； 步骤 4： 测试数据集基于所述测试数据集对 所述初始温度分布预测模型进 行验证， 并根据验证结 果对所述初始温度分布预测模型进行调整， 以得到目标温度分布预测模型。 [0007]在本发明的一个实施例中， 所述目标半导体器件对应的参数包括结构参数和物理 参数。 [0008]在本发明的一个实施例中， 所述步骤2包括： 步骤2 ‑1： 对多个预设环境下的半导体 器件模型， 进行有限元网格划分； 步骤2 ‑2： 对有限元网格划分后的半导体器件模型进行稳 态求解， 以得到目标半导体器件的温度分布数据； 步骤2 ‑3： 将一个预设环境对应的环境温 度数据、 功耗数据、 距热源的距离数据， 和基于该预设环境求解得到的温度分布数据， 确定 为一个数据集， 以得到多个数据集。说　明　书 1/5 页 3 CN 113947008 A 3