本技术涉及氮化镓高电子迁移率晶体管(GaN HEMT)紧凑型建模领域,针对p‑GaN栅HEMT紧凑型模型开发的难题,提供一种基于物理引导神经网络(Physics‑guided Neural Network,PGNN)的p‑GaN栅HEMT模型建立方法,包括以下步骤:先采用TCAD仿真工具构建p‑GaN栅HEMT晶体管模型,生成模型样本并提取仿真数据;构建基于物理引导神经网络的DerivNet模型和损失函数;最后使用仿真数据进行模型训练,得到基于物理引导神经网络p‑GaN栅HEMT模型。
背景技术
GaN HEMT具有击穿电压高、输出电流大、导热性好等优点,成为功率电子器件研究的热点。GaN HEMT的功率开关器件在快充中得到广泛应用,并已进入服务器电源、汽车电子等高端领域。市场需要增强模式(E-mode)GaN HEMT的功率开关器件,目前获得增强模式(E-mode)晶体管的方法之一是使用p-GaN栅极,该栅极在平衡状态下提升沟道表面的导带,并通过耗尽二维电子气(2DEG)实现常关器件。p-GaN栅极HEMT器件是首款商业化的E模式器件,具有高且稳健的阈值电压Vth
、高击穿电压VBV
和低动态电阻Ron
。近年来,p-GaN栅HEMT结构愈加复杂、功率变大、频率增高、GaN集成电路设计新要求不断提出,给器件模型的精确开发和参数提取带来了新问题和新挑战。表格基模型不具有外推能力很难在已知数据范围内扩展实现模型预测,无法用于非线性电路仿真等问题。Curtice模型、Statz模型和Angelov-Chalmers模型等经验曲线拟合模型不适用于大信号模式。DynaFET模型是一种基于非线性网络分析器(NVNA)和人工神经网络(ANN)的创新非线性模型,但缺乏预测能力并且受限于测试系统。p-GaN栅HEMT紧凑型模型开发已成为工业界和学术界公认的难题,需要提出新的建模技术和开发新的紧凑型模型以全方位满足GaN HEMT器件优化和GaN集成电路设计需求。
实现思路