[发明专利]半导体器件建模方法

权利要求书

1.一种半导体器件建模方法，其特征在于，所述半导体器件建模方法至少包括：

提供一半导体器件，列出所述半导体器件的表面势非线性方程，扫描所述表面势非线性方程中的若干参数，建立表面势与各参数的关系；

利用人工神经网络拟合所述表面势与各参数的关系；

根据人工神经网络表征的所述表面势及所述半导体器件的载流子运输方式推导沟道电流表达式和电荷表达式，获得所述半导体器件的模型。

2.根据权利要求1所述的半导体器件建模方法，其特征在于：所述参数包括工艺参数、器件偏压、工作温度、环境电场、磁场、辐射环境、光照或器件所受压力信息中的一种或几种组合。

3.根据权利要求1所述的半导体器件建模方法，其特征在于：利用数值方法解所述表面势非线性方程，以建立所述表面势与各参数的关系。

4.根据权利要求3所述的半导体器件建模方法，其特征在于：解所述表面势非线性方程的方法包括牛顿法、牛顿法变形、割线法、布朗方法、拟牛顿法、最优化方法或连续法。

5.根据权利要求1所述的半导体器件建模方法，其特征在于：使用仿真软件仿真出所述表面势与各参数的关系，进而建立所述表面势与各参数的关系。

6.根据权利要求1所述的半导体器件建模方法，其特征在于：利用人工神经网络拟合所述表面势与各参数的关系的方法包括：基于所述表面势非线性方程的解获得所述表面势与各参数的数值映射关系，然后利用人工神经网络对所述表面势与各参数的关系进行训练。

7.根据权利要求6所述的半导体器件建模方法，其特征在于：采用贝叶斯人工神经网络优方法或基于最速下降的后向传播优化方法来训练所述表面势与各参数的关系。

8.根据权利要求6所述的半导体器件建模方法，其特征在于：在训练所述表面势与各参数的关系之前，对所述人工神经网络进行降维，以减小训练过程中的过拟合。

9.根据权利要求1所述的半导体器件建模方法，其特征在于：获得所述沟道电流表达式和所述电荷表达式后，对所述沟道电流表达式和所述电荷表达式进行载流子饱和效应或漏致势垒效应的优化。

10.根据权利要求1～9任意一项所述的半导体器件建模方法，其特征在于：采用所述半导体器件的费米能级非线性方程组代替所述半导体器件的表面势非线性方程，利用人工神经网络拟合费米能级与各参数的关系，再基于人工神经网络表征的所述费米能级获得人工神经网络表征的表面势，进而推导出所述沟道电流表达式和所述电荷表达式，获得所述半导体器件的模型。

11.根据权利要求10所述的半导体器件建模方法，其特征在于：所述参数包括栅极电容、外部偏压中间量及工作温度，所述外部偏压中间量满足如下关系式：

V_gox＝V_g-V_x-V_off，

其中，V_gox为外部偏压中间量；V_g为栅极偏压；V_x为沟道电压；V_off为直流偏置电压。

12.根据权利要求1所述的半导体器件建模方法，其特征在于：所述参数包括平带电压修正后的栅压、衬底效应系数、热电压及经过沟道位置修正后的强反型电势，满足如下关系式：

V_GBF＝V_GB-V_FB，

φ_FXB＝2φ_F+V_XB，

其中，V_GBF为平带电压修正后的栅压；V_GB为栅极与体区之间的电压；V_FB为平带电势；γ为衬底效应系数(body effect coefficient)；q为单个电子电荷量；ε_s为体硅的介电常数；N_A为体硅的掺杂浓度；C_ox为栅极电容；φ_t为热电压；K为玻尔兹曼常数；T为工作温度；φ_FXB为经过沟道位置修正后的强反型电势；φ_F为掺杂硅衬底的费米能级与硅本征费米能级之差；V_XB为沟道x处与体区之间的电压；n_i为硅本征载流子浓度。