【CASICON 2021】南京邮电大学张珺:基于人工神经网络的AlGaN/GaN HEMT反向特性表征技术

日期:2021-09-16 来源:半导体产业网阅读:389
核心提示:为了能够准确的、高效的预测AlGaN/GaN HEMT器件的反向特性,报告提出一种基于人工神经网络的数值仿真新方法。报告还提出了一个多层人工神经网络预测框架来预测AlGaN/GaN HEMT器件的反向特性。
9月13-14日,“2021中国(南京)功率与射频半导体技术市场应用峰会(CASICON 2021)”在南京召开。本届峰会由半导体产业网、第三代半导体产业主办,并得到了南京大学、第三代半导体产业技术创新战略联盟的指导。
 
功率集成电路广泛地应用于多样化的市场之中,种类繁多。作为功率集成电路中的核心元件,功率半导体器件决定了整个电路的性能、功耗、成本、良品率等。器件设计理论和制造技术是制约GaN基集成功率器件在性能和应用上发展的瓶颈。TCAD工具目前是GaN基功率半导体器件设计必不可少的工具。
张珺
会上,南京邮电大学张珺教授带来了“基于人工神经网络的AlGaN/GaN HEMT反向特性表征技术”的主题报告,报告指出,由于AlGaN/GaN HEMT器件中存在的多样复杂的二维耦合效应,时至今日,对器件反向性能的表征手段仍旧是制约AlGaN/GaN HEMT耐压特性研究的重要障碍。具体来说,由于AlGaN/GaN HEMT器件中存在的叠层耐压结构和二维缺陷态分布,雪崩击穿过程在AlGaN/GaN HEMT和成熟的硅基横向功率器件之间有着很大不同。特别是由于功率器件工作环境的极端性,导致目前基于TCAD工具数值仿真的耐压性能分析方法往往是低效、耗时且收敛性差。
 
 
为了能够准确的、高效的预测AlGaN/GaN HEMT器件的反向特性,报告提出一种基于人工神经网络的数值仿真新方法。该方法主要由:i).包含输入层、两个隐藏层和输出层的人工神经网络架构;ii) .一个可以直接将输出结果转换为I-V曲线的转换函数;两个部分构成。对于人工神经网络构建,输入神经元表示施加的偏置和器件结构参数,而隐藏层层数及神经元个数作为训练超参数(包括权重和偏置)。因而,可以根据预测任务的复杂程度对其进行优化设置以实现最优神经网络的构建。与此同时,输出层的神经元代表电流相关的特征,将作为转换函数的输入。当AlGaN/GaN HEMT器件处于反向工作状态时,随着施加的反向偏置电压(Vd)增加,在数十伏电压的变化内,电流变化的跨度将覆盖数个数量级。这类快速变化过程将阻碍训练数据集与神经网络之间的拟合。为解决优化拟合问题,提升预测准确度和效率。本文通过引入转换函数。以结构参数为输入,从而直接得到关态电流-电压(I-V)曲线以及击穿电压(BV)、全耗尽电压、饱和漏电流等基本性能指标。
 
报告提出了一个多层人工神经网络预测框架来预测AlGaN/GaN HEMT器件的反向特性。通过基于实验数据校准的预测和模拟之间的良好一致性来验证训练的神经网络。与Sentaurus TCAD仿真相比,所提出的工具可以实现较低的反向I-V和击穿电压预测误差(平均误差<5%),平均计算时间消耗不足传统数值方法的0.02‰。此外,基于人工神经网络的方法还可以有效地解释反向性能随结构参数的变化趋势。此外,所提出的方法避免了TCAD模拟中经常出现的收敛问题。相同的方法有望应用于新型AlGaN/GaN HEMT器件,以研究器件结构和耐压性能之间的关系。
 
打赏
联系客服 投诉反馈  顶部