本技术提供一种半导体器件参数智能提取方法及装置,涉及集成电路技术领域。此方法包括:首先将获取的半导体器件的目标数据输入初始神经网络的提取器,以获取当前模型参数组合。然后使用仿真器输出当前模型参数组合的当前目标数据,并计算当前目标数据对应的多个第一电学目标。计算第一误差,判断第一误差是否小于预设误差,若否,调整当前模型参数组合并重新仿真和计算第一误差,直至第一误差小于预设误差,根据当前模型参数组合和预设范围,生成模型参数范围。最终根据模型参数范围生成数据集,利用数据集所训练完成的神经网络的提取器,输出目标模型参数组合。可有效提高半导体器件参数提取的效率和准确性。
背景技术
在半导体领域,晶体管紧凑模型参数的提取是实现电路设计与半导体器件技术无缝对接的核心。晶体管紧凑模型参数的提取,需要从半导体器件的物理特性中提取出一组参数,这些参数能够精确描述半导体器件的行为,并用于电路模拟软件中,以预测半导体器件在各种工作条件下的性能。半导体器件参数提取的精确性对电路设计的性能预测和优化至关重要,对集成电路设计的成功具有决定性影响。
目前,传统的半导体器件参数提取方法通常涉及将参数分组,并将它们与不同的曲线区域相关联。然而,传统的半导体器件参数提取方法不仅需要多次迭代,还要依赖于领域专家的专业知识,尤其对于复杂的模型,如伯克利短沟道IGFET模型-通用多栅(BerkeleyShort-channel IGFET Model-Compact Model for 3D Gate Stack Transistors,BSIM-CMG),进行半导体器件参数的提取,可能需要数天甚至数周的时间来完成,需要消耗大量的时间,使得半导体器件参数提取的效率较低;对于半导体器件参数的提取需要依赖于专家的深厚专业知识,必须综合考虑各种物理效应和分析半导体器件的结构等因素,如果专家分析的因素不是很精细,会影响半导体器件参数提取的准确性,使得半导体器件参数提取的准确性较低。
实现思路