(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 202110658454.8 (22)申请日 2021.06.15 (65)同一申请的已公布的文献号 申请公布号 CN 113536661 A (43)申请公布日 2021.10.2 2 (73)专利权人 西安电子科技大 学 地址 710071 陕西省西安市雁塔区太白南 路2号 (72)发明人 王树龙　马兰　王刚　段小玲　 吴介豫　刘钰　孙承坤　 (74)专利代理 机构 西安睿通知识产权代理事务 所(特殊普通 合伙) 61218 专利代理师 惠文轩 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)(56)对比文件 WO 201802825 5 A1,2018.02.15 CN 110851782 A,2020.02.28 US 2016080007 A1,2016.0 3.17 CN 106777621 A,2017.0 5.31 CN 106446310 A,2017.02.2 2 CN 108880529 A,2018.1 1.23 CN 112926157 A,2021.0 6.08 俞华锋.神经网络在软件可靠性预测中的应 用研究. 《计算机 仿真》 .201 1,(第04期), Indranil Palit等.“TFET-based cel lular neural netw ork architectures ”. 《IEEE Xplore》 .2013,第1- 6页. 黎明 等.“后摩尔时代大规模集成电路器件 与集成技 术”. 《中国科 学： 信息科 学》 .2018,第 963-977页. 辛艳辉 等. “对称三材 料双栅应 变硅金属氧 化物半导体场效应晶体管二维解析模型 ”. 《物理 学报》 .2014,第6 3卷(第14期),第1- 6页. 审查员 于湃 (54)发明名称 基于神经网络的TFET器件结构优化和性能 预测方法 (57)摘要 本发明属于微电子器件技术与人工智能技 术领域， 具体公开了一种基于神经网络的TFET器 件结构优化和性能预测方法， 本发明以TFET的物 理机制为基础选取特征变量： 栅氧化层厚度、 沟 道掺杂浓度、 源漏掺杂浓度、 栅长， 通过构建神经 网络， 与TFET的电学特性之间建立关联， 作为正 向设计。 将正向设计中的网络输入 数据作为输出 数据， 输出数据作为输入数据， 进行相应的反向 设计， 本发 明使用神经网络建立隧穿场效应晶体 管的结构与其电性能之间的关系， 能够加速隧穿 场效应晶体管的结构优化和性能预测的研究。 权利要求书3页 说明书7页 附图5页 CN 113536661 B 2022.12.13 CN 113536661 B 1.基于神经网络的TFET器件性能预测方法， 其特 征在于， 包括以下步骤： 步骤1， 确定TFET器件的结构参数和电性能参数； 获取多组已设计完成的TFET器件数据 作为待训练数据， 构建训练样本集； 其中， 所述结构参数包含TFET器件的栅氧化层厚度、 沟道掺杂 浓度、 源漏掺杂 浓度和栅 长， 所述电性能参数包含直流特性参数和交流特性参数， 所述直流特性参数包含阈值电压、 平均亚阈值摆幅、 最大跨导和电流开关比， 所述交流特性参数为最大截止频率； 所述T FET器 件数据包含T FET器件的栅氧化层厚度、 沟道 掺杂浓度、 源漏掺杂浓度、 栅长、 阈值电压、 平均 亚阈值摆幅、 最大跨 导、 电流开关比和最大截止频率； 步骤2， 构建卷积神经网络预测模型， 所述卷积神经网络预测模型包含特征扩展模块、 转置卷积模块、 双分支卷积模块和全连接模块； 所述特征扩展模块用于将输入数据拓展到 更高维度； 所述转置卷积模块用于对高纬度数据进一步进行组合和扩展， 为后续卷积操作 提供操作空间； 所述双分支卷积模块用于提取数据特征， 所述全连接模块用于对双分支卷 积模块学习到的特征用来预测性能； 所述卷积神经网络预测模型的输入端神经元个数与输 入数据相对应； 所述卷积神经网络预测模型的输出端神经 元个数于 输出数据相对应； 步骤3， 采用训练样本集对卷积神经网络预测模型进行训练， 利用反向传播法对预测模 型的网络参数进行迭代更新， 得到训练完成的预测模型； 其中， 一个训练样本为一组TFET器件数据， TFET器件的结构参数作 为输入数据， TFET器 件的电性能参数作为标签即输出 数据； 步骤4， 给定待预测TFET器件 的结构参数， 并将其输入训练完成的预测模型， 输出待预 测TFET器件的直 流特性参数预测值和交流特性 参数预测值。 2.根据权利要求1所述的基于神经网络的TFET器件性能预测方法， 其特征在于， 通过待 预测TFET器件的直流特性参数预测值和交流特性参数预测值来反向调整待预测TFET器件 的结构参数， 优化TFET器件的电性能。 3.根据权利要求1所述的基于神经网络的TFET器件性能预测方法， 其特征在于， 步骤1 中， 所述待训练数据的获取过程为： 在TCADsentaurus中对环栅结构的TFET器件进行仿真； 通过改变T FET器件的栅氧化层厚度、 沟道掺杂浓度、 源漏掺杂浓度以及栅长， 从而得到多组 电性能数据。 4.根据权利要求3所述的基于神经网络的TFET器件性能预测方法， 其特征在于， 所述 TFET器件的源漏掺杂浓度的取值范围为1.00 ×1019‑8.00×1019， 取值间隔为1.00 ×1019， 单 位为： /cm3； 栅氧化层厚度的取值范围为0.0035 ‑0.011， 取值间隔为0.005， 单位为： 微米； 栅 长的取值范围为0.16 ‑0.30， 取值间隔为0.02， 单位为： 微米； 沟道掺杂浓度的取值范围为 1.00×1017‑9.00×1017， 取值间隔为1.0 0×1017， 单位为： /cm3。 5.根据权利要求1所述的基于神经网络的TFET器件性能预测方法， 其特征在于， 所述特 征扩展模块包含多个依次级联的特征扩展层， 每个特征扩展层由全连接层和批归一化层组 成； 在每层全连接层后添加一层批量归一 化层； 所述 转置卷积模块 为一维转置卷积层； 所述双分支卷积模块包含相互并列的两条通道， 其中， 主通道包含多个卷积核组成的 一维卷积层组成， 另一条通道包含一个卷积核组成的卷积层， 两条通道通过卷积层的卷积 运算实现通道拼接， 得到提取的特 征； 每个卷积层后添加批量归一 化层； 所述全连接模块包 含多个全连接层。权　利　要　求　书 1/3 页 2 CN 113536661 B 26.根据权利要求1所述的基于神经网络的TFET器件性能预测方法， 其特征在于， 所述采 用训练样本集对卷积神经网络预测模型进行训练， 具体过程 为： 3.1， 对所述卷积神经网络预测模型的网络参数进行随机初始化； 3.2， 将TFET器件的一组结构参数： 栅氧化层厚度、 沟道掺杂浓度、 源漏掺杂浓度和栅 长， 作为一组数据输入初始化网络参数的卷积神经网络预测模型； 3.3， 通过计算每批次训练的损失函数ReLu， 反向传播优化网络参数， 采用ADAM优化器 优化网络参数， 直至模型收敛， 得到训练完成的预测模型。 7.基于神经网络的TFET器件结构优化方法， 其特 征在于， 包括以下步骤： 步骤1， 确定TFET器件的结构参数和电性能参数； 获取多组已设计完成的TFET器件数据 作为待训练数据， 构建训练样本集； 其中， 所述结构参数包含TFET器件的栅氧化层厚度、 沟道掺杂 浓度、 源漏掺杂 浓度和栅 长， 所述电性能参数包含直流特性参数和交流特性参数， 所述直流特性参数包含阈值电压、 平均亚阈值摆幅、 最大跨导和电流开关比， 所述交流特性参数为最大截止频率； 所述T FET器 件数据包含T FET器件的栅氧化层厚度、 沟道 掺杂浓度、 源漏掺杂浓度、 栅长、 阈值电压、 平均 亚阈值摆幅、 最大跨 导、 电流开关比和最大截止频率； 步骤2， 构建卷积神经网络优化模型， 所述卷积神经网络优化模型包含特征扩展模块、 转置卷积模块、 双分支卷积模块和全连接模块； 所述特征扩展模块用于将输入数据拓展到 更高维度； 所述转置卷积模块用于对高纬度数据进一步进行组合和扩展， 为后续卷积操作 提供操作空间； 所述双分支卷积模块用于提取数据特征， 所述全连接模块用于对双分支卷 积模块学习到的特征用来优化结构参数； 所述卷积神经网络优化模型的输入端神经元个数 与输入数据相对应； 所述卷积神经网络优化模型的输出端神经 元个数于 输出数据相对应； 步骤3， 采用训练样本集对卷积神经网络优化模型进行训练， 利用反向传播法对优化模 型的网络参数进行迭代更新， 得到训练完成的优化模型； 其中， 一个训练样本为一组TFET器件数据， TFET器件的电性能参数作为输入数据， TFET 器件的结构参数作为标签即输出 数据； 步骤4， 给定待预测TFET器件 的电性能参数， 并将其输入训练完成的优化模型， 输出待 预测TFET器件 优化后的结构参数。 8.根据权利要求7所述的基于神经网络的TFET器件结构优化方法， 其特征在于， 所述待 训练数据通过仿真实验获取， 所述阈值电压为漏极电流达到1 ×10‑8A/ μm时的栅压； 所述电 流开关比为 栅压为1.5V时的漏电流与栅压为0V时的漏极电流的比值； 所述平均亚