(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211314144.5 (22)申请日 2022.10.25 (71)申请人 深圳飞骧科技股份有限公司 地址 518052 广东省深圳市南 山区南头街 道大汪山社区南光路286号水木一方 大厦1栋16 01 (72)发明人 杨睿智　袁军平　胡锦钊　常林森　 李帅　张磊　郭嘉帅　 (74)专利代理 机构 深圳君信诚知识产权代理事 务所(普通 合伙) 44636 专利代理师 刘伟 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/25(2020.01) G06K 9/62(2022.01)G06N 3/12(2006.01) G06N 5/00(2006.01) G06N 20/20(2019.01) G01R 31/00(2006.01) G06F 111/04(2020.01) (54)发明名称 仿真测试拟合工艺参数方法、 系统、 设备和 存储介质 (57)摘要 本发明实施例提供了一种仿真测试拟合工 艺参数方法、 仿真测试拟合系统、 仿真测试拟合 设备和计算机可读存储介质， 所述仿真测试拟合 工艺参数方法包括： 将测试原始数据进行清理并 得到样本； 将样本拟合出单个导纳样本； 将抽样 出的样本拟合得到多个抽样导纳样 本； 将所有样 本进行分布式计算并拟合得出全部导纳样本； 将 具有相同几何参数的谐振器相对应的多组参数 结果合并为一组进行处理； 训练机器学习模型并 得到预测调整参数模型； 将抽样后的样本通过预 测调整参数模型进行验证。 与相关技术相比， 采 用本发明的技术方案可解决在不同工艺和测试 波动的情况下实现统计意义上的自动化仿真测 试且普适性好， 计算速度快且准确性高。 权利要求书3页 说明书11页 附图4页 CN 115495995 A 2022.12.20 CN 115495995 A 1.一种仿真测试拟合工艺参数方法， 其应用于声表滤波器， 所述声表滤波器包括多个 谐振器； 其特 征在于， 该 方法包括如下步骤： 步骤S1、 获得多个所述谐振器的测试原始数据， 根据预设的清理规则将所述测试原始 数据进行清理并得到清理后的样本； 所述测试原始数据包括用于匹配所述谐振器的几何参 数和测试文件， 所述清理规则为根据所述测试原始数据在统计上的一致性将不具一致性的 部分去除； 步骤S2、 将预设的全局类优化方法设置约束， 再通过设置所述约束后的所述全局类优 化方法将所述样本拟合出单个导纳样本； 所述约束为选择的所述全局类优化方法的种类和 所述全局类优化方法中相关的参数， 所述导纳样本、 全局类优化方法的种类、 所述全局类优 化方法中相关的参数一 一对应； 步骤S3、 将所有所述样本进行抽样， 再将抽样出的所述样本按照所述步骤S2进行拟合 得到多个抽样导纳样本， 再将所述全局类优化方法的种类和所述全局类优化方法中相关的 参数在多个所述抽样导纳样本中的分布效果是否小于预设的指标阈值进行判断： 若是， 则进入步骤S4； 若否， 则调整所述约束后返回所述 步骤S2； 步骤S4、 将所有所述样本进行分布式计算并拟合得 出全部所述 导纳样本； 步骤S5、 根据全部所述导纳样本中的数据获得多组参数结果， 将具有相同几何参数的 所述谐振器相对应的多组所述参数结果合并为一组进 行处理， 再将处理后的多组所述参数 结果输出； 步骤S6、 预选机器学习模型， 将所述步骤S1中的所述谐振器的几何参数作为所述机器 学习模型的输入数据， 将所述步骤S 5中输出的多组所述参数结果作为所述机器学习模型的 输出数据， 训练机器学习模型并得到训练后的预测调整参数模型； 步骤S7、 将所述步骤S2中的所有的所述样本进行抽样， 再将抽样后的所述样本通过所 述预测调整参数模型进行验证， 以保证所述抽样的拟合结果符合预设要求。 2.根据权利要求1所述的仿真测试拟合工艺参数方法， 其特征在于， 所述步骤S2中， 所 述全局类优化方法的种类包括粒子群优化 算法和进化计算 算法。 3.根据权利要求1所述的仿真测试拟合工艺参数方法， 其特征在于， 所述步骤S2中， 将 所述样本拟合出单个导纳样本的方法为： 采用耦合模模型方法计算所述谐振器的导纳， 并 在计算中调整耦合模模型的参数， 以使得耦合模模型方法计算出的导纳与实际测试的导纳 相同。 4.根据权利要求1所述的仿真测试拟合工艺参数方法， 其特征在于， 所述步骤S3中， 所 述测试原始数据包括第一几何参数、 第一测试文件、 第二几何参数以及第二测试文件； 其 中， 所述第一几何参数为同一批所述声表滤波器的流片测试数据中的多个不相同的所述几 何参数； 所述第一测试文件为同一批所述声表滤波器的流片测试数据中的多个不相同的所 述测试文件； 所述第二几何参数为所述声表滤波器的流片测试数据中不同晶圆且不同位置 上的相同的所述几何参数； 所述第二测试文件为所述声表滤波器的流片测试数据中不同晶 圆且不同位置上的相同的所述测试文件。 5.根据权利要求1所述的仿真测试拟合工艺参数方法， 其特征在于， 所述步骤S3中， 多 个所述导纳样本中的分布效果为所述谐振器的偏差指标的统计指标的平均值， 所述谐振器 的偏差指标包括振点频率偏差、 反谐振点频率偏差和静态电容偏差 。权　利　要　求　书 1/3 页 2 CN 115495995 A 26.根据权利要求1所述的仿真测试拟合工艺参数方法， 其特征在于， 所述步骤S5具体包 括： 步骤S51、 将全部所述参数结果根据预设的参考指标评估拟合效果， 并将所述拟合效果 中超过所述指标阈值的参数 结果所对应的所述 导纳样本去除； 步骤S52、 将所述参数结果中相同几何参数的所述谐振器所对应的多组所述参数结果 进行平均值计算， 将计算得 出的平均值数据作为 一组所述 参数结果。 7.根据权利要求1所述的仿真测试拟合工艺参数方法， 其特征在于， 所述步骤S6之前还 包括： 步骤S60、 根据 所述输入数据和/或所述输出数据的数据量是否大于预设的数据量阈值 进行判断： 若是， 则将所述机器学习模型选择为深度学习的模型； 若否， 则将所述机器学习模型选择为决策树类的模型。 8.一种仿真测试拟合系统， 其特征在于， 所述仿真测试拟合系统应用 如权利要求1至7 中任一项所述的仿真测试拟合工艺 参数方法； 所述仿真测试拟合系统包括依次连接的仿真测试拟合器、 训练器以及验证 器； 所述仿真测试拟合器用于实施所述的仿真测试拟合工艺参数方法的所述步骤S1至所 述步骤S5； 具体为： 用于实施所述步骤S1， 获得多个谐振器的测试原始数据， 根据预设的清 理规则将所述测试原始数据进 行清理并得到清理后的样本； 所述测试原始数据包括用于匹 配所述谐振器的几何参数和测试文件， 所述清理规则为根据所述测试原始数据在统计上的 一致性将不具一致性的部分去除； 还用于实施所述步骤S2， 将预设的全局类优化方法设置 约束， 再通过设置所述约束后的所述全局类优化方法将所述样本拟合出单个导纳样本； 所 述约束为选择的所述全局类优化方法的种类和所述全局类优化方法中相关的参数， 所述导 纳样本、 全局类优化方法的种类、 所述全局类优化方法中相关的参数一一对应； 还用于实施 所述步骤S3， 将所有所述样本进行抽样， 再将抽样出的所述样本按照所述步骤S2进行拟合 得到多个抽样导纳样本， 再将所述全局类优化方法的种类和所述全局类优化方法中相关的 参数在多个所述抽样导纳样本中的分布效果是否小于预设的指标阈值进行判断： 若是， 则 进入步骤S4； 若否， 则调整所述约束后 返回所述步骤S2； 还用于实施所述步骤S4， 根据将所 有所述样本进行分布式计算并拟合得出全部所述导纳样本； 还用于实施所述步骤S5， 根据 全部所述导纳样本中的数据获得多组参数结果， 将具有相同几何参数的所述谐振器相对应 的多组所述 参数结果合并为一组进行处 理， 再将处 理后的多组所述 参数结果输出； 所述训练器用于实施所述步骤S6， 预选机器学习模型， 将所述步骤S1中的所述谐振器 的几何参数作为所述机器学习模 型的输入数据， 将所述步骤S 5中输出的多组所述参数结果 作为所述机器学习模型的输出数据， 训练机器学习模型并得到训练后的预测调整参数模 型； 所述验证器用于实施所述步骤S7， 将所述步骤S2中的所有的所述样本进行抽样， 再将 抽样后的所述样本通过所述预测调整参数模型进 行验证， 以保证所述抽样的拟合结果符合 预设要求。 9.一种仿真测试拟合设备， 其特征在于， 包括处理器和存储器， 所述处理器用于读取所 述存储器中的程序， 执行如权利要求 1至7中任一项 所述的仿 真测试拟合工艺参数方法中的权　利　要　求　书 2/3 页 3 CN 115495995 A 3