(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 202211264349.7 (22)申请日 2022.10.17 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市太白南路2号 (72)发明人 王树龙　刘海宇　李宇航　马浩　 马兰　刘伯航　 (74)专利代理 机构 西安智大知识产权代理事务 所 61215 专利代理师 王晶 (51)Int.Cl. G06F 30/25(2020.01) G06F 30/27(2020.01) G06F 119/02(2020.01) (54)发明名称 基于神经网络预测FinFET器件的单粒子效 应及特征参数的方法 (57)摘要 基于神经网络预测FinFET器件的单粒子效 应及特征参数的方法， 包括； 步骤1， 获取多组 FinFET器件单粒子效应曲线的数据并提取曲线 的特征参数， 作为样本集； 步骤2， 将样本集的多 组数据按比例随机划分为训练集、 验证集； 分别 对训练集、 验证集的FinFET器件单粒子效应参数 进行标准化处理； 步骤3， 构建神经网络预测模 型； 步骤4， 使用训练集和验证集对神经网络 预测 模型进行训练， 得到训练后的预测模型； 步骤5， 向训练后的神经网络预测模型输入FinFET器件 的不同单粒子效应参数， 分别得到所预测FinFET 器件的单粒子效应曲线以及特征参数。 本发明通 过输入不同的粒子入射条件， 可以快速准确地获 得单粒子效应曲线及相应的特征参数， 实验中使 用的神经网络模型 具有较高的预测精度。 权利要求书2页 说明书6页 附图3页 CN 115544854 A 2022.12.30 CN 115544854 A 1.基于神经网络预测FinFET器件的单粒子效应及特征参数的方法， 其特征在于， 包括 以下步骤； 步骤1， 获取多组FinFET器件单粒子效应曲线的数据并提取曲线的特征参数， 作 为样本 集； 其中， FinFET器件的单粒子效应参数包含线性传输能量(LET)、 粒子的入射位置(x)、 粒 子的入射角度( θ )、 粒子入射的特征距离(Wt_hi)； FinFET器件单粒子效应的特征参数包含 输出电流 I0与总输出电荷Q0； 步骤2， 将样本集的多组数据按比例随机划分为训练集、 验证集； 分别 对训练集、 验证集 的FinFET器件单 粒子效应参数进行 标准化处理； 步骤3， 构建神经网络预测模型； 步骤4， 使用训练集和验证集对神经网络预测模型进行训练， 利用反向传播算法对神经 网络预测模型的网络参数进行迭代更新， 得到训练后的预测模型； 步骤5， 向训练后的神经网络预测模型输入FinFET器件的不同单粒子 效应参数， 分别得 到所预测FinFET器件的单 粒子效应曲线以及特 征参数。 2.根据权利要求1所述的基于神经网络预测FinFET器件的单粒子效应及特征参数的方 法， 其特征在于， 所述 步骤1具体为： 具体的， 所述输出电流 I0的计算公式如式(1)： 式(1)中， q是电子电荷， μn是电子迁移率， Na是通道的掺杂浓度， N是电子 ‑空穴对的线密 度， ε是介电常数， xp是PN结耗竭区的宽度； 所述总输出电荷Q0的计算公式如式(2)： 式(2)中， Idrain是FinFET器件的源漏间电流， t是时间； 所述线性传输能量(LET)计算公式如式(3)： 式(3)中， 单位是MeV/cm.其 中dEΔ是当单个粒子在距离dx处入射时， 即粒子入射单位长 度时， 通过与材 料碰撞电离而损失的能量， 通过与材 料碰撞电离而损失的能量。 3.根据权利要求1所述的基于神经网络预测FinFET器件的单粒子效应及特征参数的方 法， 其特征在于， 所述步骤2中标准化处理是将数据变换为均值为0、 标准差为 1的分布， 转换 函数为式所示： 归一化处理是将一列数据变 化到某个固定区间或范围中， 通常这个区 间是[0,1]， 其常用转换函数为式所示： 其中， Xi为待处理的数据， μ为均值， σ 为方差， Xmin为数据中的最小值， Xmax为数据中的 最大值。 4.根据权利要求1所述的基于神经网络预测FinFET器件的单粒子效应及特征参数的方 法， 其特征在于， 所述步骤3中深度 残差神经网络预测模 型的输入为FinFET器件的单粒子效权　利　要　求　书 1/2 页 2 CN 115544854 A 2应参数， 神经网络预测模型的输出为Fi nFET器件单 粒子效应的瞬态电流曲线； 所述深度残差神经网络预测模型包含依次连接的输入层、 全连接层、 卷积层、 全连接层 和输出层； 输入层用于FinFET器件单粒子效应不同参数的输入； 输入层的神经元个数与FinFET器 件单粒子效应参数的个数相同； 所述全连接层可对输入向量进行维度扩展， 批量归一 化层用于防止过拟合； 卷积层部分包 含两个卷积层， 卷积单 元用于对 全连接层输出的特 征进行卷积； 全连接层可对输出向量进行降维， 批量归一 化层用于防止过拟合； 输出层用于FinFET器件单粒子效应瞬态特性曲线的输出； 输出层的神经元个数与 FinFET器件单 粒子效应瞬态特性曲线所 取数据点的个数相同。 5.根据权利要求1所述的基于神经网络预测FinFET器件的单粒子效应及特征参数的方 法， 其特征在于， 所述步骤4的训练过程中， 将训练集和验证集中的FinFET器件单粒子效应 瞬态电流曲线的数据作为标签； 通过计算每批次训练的损失函数ReLu， 采用SGD优化器反向 传播优化网络参数， 直至神经网络预测模型收敛， 得到训练后的深度残差神经网络预测模 型。权　利　要　求　书 2/2 页 3 CN 115544854 A 3