[发明专利]基于神经网络的GaN JBS二极管器件性能预测方法

权利要求书

1.基于神经网络的GaN JBS二极管器件性能预测方法，其特征在于，包括以下步骤：

步骤1，构建仿真GaN JBC二极管，不断改变仿真GaN JBC二极管的漂移区掺杂浓度、P+区宽度与相邻P+区间距的比值、P+区掺杂浓度、P+区注入深度，获得对应的仿真GaN JBC二极管的正向导通电阻和反向击穿电压；将每组漂移区掺杂浓度、P+区宽度与相邻P+区间距的比值、P+区掺杂浓度、P+区注入深度及对应的正向导通电阻和反向击穿电压作为一组样本；所有样本构成样本集；

步骤2，对样本集数据进行预处理，将样本集数据按比例随机划分为训练集和验证集；

步骤3，构建卷积神经网络预测模型；

步骤4，使用训练集和验证集对卷积神经网络预测模型进行训练和验证，获得训练完成的卷积神经网络预测模型；

步骤5，将要预测器件性能的GaN JBC二极管的漂移区掺杂浓度、P+区宽度与相邻P+区间距的比值、P+区掺杂浓度、P+区注入深度输入训练完成的卷积神经网络预测模型，获得该GaN JBC二极管的正向导通电阻和反向击穿电压的预测结果。

2.根据权利要求1所述的基于神经网络的GaN JBS二极管器件性能预测方法，其特征在于，步骤2中的预处理，具体的，为对漂移区掺杂浓度、P+区宽度与相邻P+区间距的比值、P+区掺杂浓度、P+区注入深度进行标准化处理，对正向导通电阻和反向击穿电压进行归一化处理。

3.根据权利要求1所述的基于神经网络的GaN JBS二极管器件性能预测方法，其特征在于，步骤3的卷积神经网络预测模型，具体的，卷积神经网络预测模型的输入为漂移区掺杂浓度、P+区宽度与相邻P+区间距的比值、P+区掺杂浓度、P+区注入深度，卷积神经网络预测模型的输出为正向导通电阻和反向击穿电压；

卷积神经网络预测模型包含依次连接的输入层、线性扩展模块、转置卷积模块、双分支卷积模块、转置卷积模块、全连接模块和输出层；

线性扩展模块包含多个依次级联的线性扩展层，每个线性扩展层包含一个全连接层和一个批量归一化层；

转置卷积模块包含多个依次级联的一维转置卷积层；

双分支卷积模块包含多个依次级联的双分支卷积层，每个双分支卷积层包含两个通道，一个通道包含依次级联的一维卷积层、批量归一化层、一维卷积层、批量归一化层、一维卷积层，其中一维卷积层的卷积核大小均为3×1；另一个通道包含一个卷积核大小为5×1的一维卷积层；两个通道的输出特征再进行拼接，拼接后的特征作为双分支卷积层的输出；

全连接模块包含3个依次级联的全连接层。

4.根据权利要求1所述的基于神经网络的GaN JBS二极管器件性能预测方法，其特征在于，步骤4的子步骤如下：

子步骤4.1，对卷积神经网络预测模型的网络参数进行随机初始化；

子步骤4.2，将漂移区掺杂浓度、P+区宽度与相邻P+区间距的比值、P+区掺杂浓度、P+区注入深度作为模型输入，将对应的正向导通电阻和反向击穿电压作为标签；

子步骤4.3，将训练集数据输入卷积神经网络预测模型，通过计算每批次训练的损失函数ReLu，反向传播采用ADAM优化器优化网络参数，直至卷积神经网络预测模型收敛，获得训练后的卷积神经网络预测模型；

子步骤4.4，重复子步骤4.1～4.3，获得多个训练后的卷积神经网络预测模型；

子步骤4.5，将验证集数据分别输入子步骤4.4获得的多个训练后的卷积神经网络预测模型，将对验证集的预测准确率最高的卷积神经网络预测模型作为训练完成的卷积神经网络预测模型。