(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110553063.X (22)申请日 2021.05.20 (65)同一申请的已公布的文献号 申请公布号 CN 113221460 A (43)申请公布日 2021.08.0 6 (73)专利权人 西安电子科技大 学 地址 710126 陕西省西安市西沣路 兴隆段 266号 (72)发明人 徐长卿　程佳良　廖新芳　刘毅　 杨银堂　 (74)专利代理 机构 西安智邦专利商标代理有限 公司 6121 1 专利代理师 王少文 (51)Int.Cl. G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/02(2020.01) 审查员 高宇峰 (54)发明名称 一种基于神经网络回归的单粒子瞬态效应 建模方法 (57)摘要 本发明提出一种基于神经网络回归的单粒 子瞬态效应建模 方法， 解决了现有基于物理机理 的单粒子瞬态建模存在模型复杂度高、 不适用电 路级单粒子效应仿真分析， 而基于特定函数拟合 的单粒子瞬态建模很难保证模型的精度的技术 问题。 方法步骤包括： 建立场效应管器件结构模 型； 对器件结构模型进行TCAD仿真， 获得不同因 素条件下单粒子效应产生的漏极瞬态电流脉冲 曲线； 对漏极瞬态电流脉冲曲线进行抽样， 获得 不同时间、 不同LET条件下的离散 数据； 将离散 数 据随机分成训练集、 验证集及测试集； 构建基于 神经网络的SET模型； 神经网络进行学习拟合， 对 SET模型进行训练和测试， 当误差低于设定阈值， 训练完成， 获得基 于神经网络的SET 模型。 权利要求书2页 说明书4页 附图3页 CN 113221460 B 2022.09.20 CN 113221460 B 1.一种基于神经网络回归的单 粒子瞬态效应建模方法， 其特 征在于， 包括以下步骤： 步骤1、 针对目标工艺， 建立场效应管器件结构模型； 步骤2、 采用TCAD对器件结构模型进行仿真， 获得不同因素条件下单粒子效应产生的漏 极瞬态电流脉冲曲线； 步骤3、 根据精度需求， 对漏极瞬态电流脉冲曲线进行抽样， 获得不同时间、 不同LET条 件下的离 散数据； 步骤4、 将步骤3得到的离 散数据随机分成训练集、 验证集和 测试集； 步骤5、 构建基于神经网络的单粒子瞬态效应模型， 通过学习拟合， 用训练集和验证集 对单粒子瞬态效应模型进 行训练和验证， 然后用测试集对训练后的单粒子瞬态效应模型进 行漏极电流精度测试， 获得测试曲线； 步骤6、 将测试曲线与步骤2中仿真得到的漏极瞬态电流脉冲曲线进行对比， 判断误差 是否低于设定阈值： 若否， 则调整神经网络的单 粒子瞬态效应模型参数， 返回步骤5； 若是， 则训练完成， 获得 单粒子瞬态效应模型。 2.根据权利要求1所述一种基于神经网络回归的单粒子瞬态效应建模方法， 其特征在 于： 步骤5中， 所述神经网络为多层前馈神经网络； 所述学习拟合采用Levenberg –Marquardt 算法； 所述多层前馈神经网络包括输入层、 输出层及至少一层隐藏层； 所述输入层神经元个 数与单粒子瞬态效应模型输入变量一致； 所述隐藏层 包括至少1个神经元； 所述输出层 包括 1个神经元。 3.根据权利要求2所述一种基于神经网络回归的单粒子瞬态效应建模方法， 其特征在 于： 所述输入层包括3个神经元； 所述隐藏层为两层， 每层隐藏层包括8个神经元； 所述输入 层与隐藏层之间引入 归一化操作， 所述输出层之后引入去归一 化操作。 4.根据权利要求3所述一种基于神经网络回归的单粒子瞬态效应建模方法， 其特征在 于： 所述隐藏层采用tansig函数作为传输函数， 所述输出层采用pureline函数作为传递函 数， 具体公式如下： fpureline(x)＝x 其中： ftansig(x)为tansig函数； fpureline(x)为purel ine函数， x为变量。 5.根据权利要求1至4任一所述一种基于神经网络回归的单粒子瞬态效应建模方法， 其 特征在于， 步骤3中， 所述对漏极瞬态电流脉冲曲线 进行抽样， 具体为： 对漏极瞬态电流源曲线抽 样采用分段均匀取样， 在漏极瞬态电流源前半段电流变化较 快的区间采用高频率采样， 在漏极瞬态电流源后半段电流变化平缓的区间采用低频率采 样。 6.根据权利要求5所述一种基于神经网络回归的单粒子瞬态效应建模方法， 其特征在 于： 步骤6中， 所述设定阈值 为均方误差 0.0001。 7.根据权利要求6所述一种基于神经网络回归的单粒子瞬态效应建模方法， 其特征在权　利　要　求　书 1/2 页 2 CN 113221460 B 2于： 步骤1中， 所述器件 结构模型参数包括栅长、 栅宽、 栅氧厚度、 源/漏掺杂浓度及沟道 掺杂 浓度中的任意多种。 8.根据权利要求7所述一种基于神经网络回归的单粒子瞬态效应建模方法， 其特征在 于： 步骤2中， 所述因素 条件包括LET、 温度、 入射 位置、 入射角度及漏极偏置中的任意多种。 9.根据权利要求8所述一种基于神经网络回归的单粒子瞬态效应建模方法， 其特征在 于： 所述LET取值范围为0.1～10 0MeV.cm2/mg； 所述漏极偏置电压范围为0～1.5Vd d。 10.根据权利要求9所述一种基于神经网络回归的单粒子瞬态效应建模方法， 其特征在 于： 步骤4中， 所述训练集、 验证集及测试集的设置比例为： 训练集65％～75％， 验证集10％ ～20％， 测试集10％～ 20％。权　利　要　求　书 2/2 页 3 CN 113221460 B 3