[发明专利]半导体器件建模方法

说明书

本发明提供一种半导体器件建模方法，包括：提供一半导体器件，列出半导体器件的表面势非线性方程或费米能级非线性方程组，扫描表面势非线性方程或费米能级非线性方程组中的若干参数，建立表面势或费米能级与各参数的关系；利用人工神经网络拟合表面势或费米能级与各参数的关系；根据人工神经网络表征的表面势或费米能级及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，获得半导体器件的模型。本发明使用神经网络代替非线性方程组的经验解，从根本上解决了半导体器件物理集约模型开发的难点，具有开发速度快，精度更高，具有物理工艺缩放的功能等优点。

技术领域

本发明涉及建模领域，特别是涉及一种半导体器件建模方法。

背景技术

随着半导体体工业的快速发展，新的材料系统和工艺不断地更新，从而生产出各种高性能，高可靠性的半导体器件。然而，这个迭代过程如此之快，以至于传统的建模方法已经无法跟上工业应用的要求。物理集约模型被广泛在半导体工业上，因为其模型具有物理工艺参数缩放功能，既可以满足上游芯片设计的需求，又可以反馈和指导下游工艺线的改进，比如BSIM模型(Berkeley Short channel Insulated gate field effecttransistor Model，伯克利短沟道绝缘栅场效应晶体管模型)，ASM模型(Advanced SpiceModel for HEMTs，先进高电子迁移率场效应管集约模型)等，但是物理模型开发周期长，不同的工艺需要不同的物理模型，导致模型开发进程缓慢，难以满足工业快速迭代要求。其次，物理模型(如ASM氮化镓HEMT 模型)一般需要做特定的假设来得到有关表面势的近似解析式，以下几个方面会导致模型的系统性误差：(1)对方程某些变量的线性化；(2)使用经验平滑转换函数来衔接不同偏置区域的解；(3)忽略方程组中的高阶能级等。

神经网络因其强大的拟合能力，被半导体工业界广泛使用，比如是德科技(KeySight) 的NeuroFET，DynaFET等都是基于神经网络的晶体管模型，然而这些神经网络模型直接训练测试得到的电流和电压关系，模型不具有物理参数缩放功能，不能够帮助改善工艺，且难以满足大批次的器件建模要求。

因此，如何建立具有物理参数缩放功能、有助于改善工艺、且适于大批次的器件建模的方法已成为本领域技术人员亟待解决的问题之一。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种半导体器件建模方法，用于解决现有技术中模型不具有物理参数缩放功能，不能够帮助改善工艺，且难以满足大批次的器件建模等问题。

为实现上述目的及其他相关目的，本发明提供一种半导体器件建模方法，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。

优选地，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。

优选地，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。

更优选地，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。

优选地，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。

优选地，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。