[发明专利]基于ANN的射频功放互连可靠性建模方法

权利要求书

1.一种基于ANN的射频功放互连可靠性建模方法，其特征在于，包括以下步骤：

步骤一，采用FEA计算产生训练数据和测试数据；

步骤二，将步骤一中获得的训练数据和测试数据分别用于ANN的训练和测试，建立ANN模型；

步骤三，利用步骤二中建立的ANN模型，生成射频功率放大器互连可靠性数据，建立一个射频功率放大器互连可靠性数据库；

步骤四，利用建立的射频功率放大器互连可靠性数据库，对射频功率放大器的互连可靠性以及各种因素对射频功率放大器互连可靠性的影响进行系统的分析。

2.根据权利要求1所述的基于ANN的射频功放互连可靠性建模方法，其特征在于，步骤二中ANN模型的建立过程：

(1)定义ANN模型的输入：射频功率放大器的ANN模型中选取温度T、电流I和栅宽W作为模型的输入变量，即在ANN模型中x＝[T，I，W]作为输入矢量；

(2)定义ANN模型的输出：选择漏极金属互连线PD1、PD2和源极金属互连线PS1、PS2、PS3处的原子通量散度用来作为ANN模型的输出变量，即在ANN模型中y＝[AFD_PS1，AFD_PD1，AFD_PS2，AFD_PD2，AFD_PS3]作为输出矢量；

(3)确定ANN模型的表示形式：y＝y(x，w)，w代表包含权重值的矢量；

(4)确定输入变量的范围和分布：根据工艺手册确定温度、电流和栅宽的设置范围；

(5)训练数据和测试数据的采样；

(6)数据的训练和测试。

3.根据权利要求2所述的基于ANN的射频功放互连可靠性建模方法，其特征在于，步骤(6)数据的训练和测试，主要包括以下步骤：

a.选择ANN的多层感知器结构；

b.设置输入神经元、输出神经元及隐藏神经元的个数；

c.用不同的优化算法调整其内部权重值w；

d.通过公式分别计算出训练误差E_tr和测试误差E_te，其中y_j(x_k,w)是输入变量为x_k时ANN模型的第j个输出值，d_jk是向量d_k的第j个元素，d_k是原始电路的输出，p是训练数据的总个数，k＝1，2,3…p；

e.若训练误差E_tr比期望值E_d大，代表ANN模型为欠缺学习的状态，此时通过增加隐藏神经元，重新调整ANN模型内部权重值w，再重新判断训练误差E_tr的大小；若训练误差E_tr小于期望值E_d，再比较测试误差E_te与期望值E_d；若测试误差E_te大于期望值E_d，则表示ANN模型为过度学习的状态，此时应减少隐藏神经元，再重新调整ANN模型内部权重值w并计算训练误差E_tr和测试误差E_te的大小；若测试误差E_te比期望值E_d小，表示ANN模型为良好学习的状态，此时停止训练，ANN模型构建完成。