[发明专利]基于神经网络的GaN JBS二极管器件性能预测方法

说明书

本发明涉及微电子器件技术与人工智能技术领域，具体涉及基于神经网络的GaN JBS二极管器件性能预测方法。本发明充分利用神经网络深度学习根据数据自动提取特征的特点，将其应用于GaN JBS二极管器件性能的预测，从而快速预测器件性能，并根据预测结果调整输入结构来优化器件特性；弥补了传统器件仿真和实验测试方法周期长、效率低、耗时耗力的不足，快速便捷地建立起由GaN JBS二极管器件结构与性能指标之间的关联，能够加速GaN JBS二极管性能预测的研究，降低预期性能指标下器件结构的设计难度。

技术领域

本发明涉及微电子器件技术与人工智能技术领域，具体涉及基于神经网络的GaNJBS(Junction Barrier Schottky，结势垒肖特基)二极管器件性能预测方法。

背景技术

氮化镓GaN作为第三代半导体的代表，具有宽禁带、高临界击穿电场、高电子迁移率和高热导率等特性，是制作功率器件的理想材料。当今，GaN器件一直处于高速发展阶段，目前JBS二极管应用广泛，通过折衷PIN二极管和肖特基二极管的优点，能够同时拥有较低的正向导通电阻和较高的反向击穿电压，可以显著提高电力电子系统的性能。

然而，GaN JBS二极管的正向导通电阻和击穿电压受P+区多项参数影响，加上传统器件仿真和实验测试方法周期长、效率低，因此设计起来需要耗费很多人力工作。而神经网络的快速发展为快速预测器件和材料结构或者性质提供了另一种选择，可利用其根据数据自动提取特征的便利，免除了高昂的入门成本及人为因素的干扰，在保证准确性的同时，可降低计算成本，缩短开发周期。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供基于神经网络的GaN JBS二极管器件性能预测方法，减少GaN JBS二极管器件的设计成本，且快速获得GaN JBS二极管器件的性能指标参数。

为了达到上述目的，本发明采用以下技术方案予以实现。

基于神经网络的GaN JBS二极管器件性能预测方法，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GaNJBC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。

与现有技术相比，本发明的有益效果为：充分利用神经网络深度学习根据数据自动提取特征的特点，将其应用于GaN JBS二极管器件性能的预测，从而快速预测器件性能，并根据预测结果调整输入结构来优化器件特性；弥补了传统器件仿真和实验测试方法周期长、效率低、耗时耗力的不足，快速便捷地建立起由GaN JBS二极管器件结构与性能指标之间的关联，能够加速GaN JBS二极管性能预测的研究，降低预期性能指标下器件结构的设计难度。

附图说明

下面结合附图和具体实施例对本发明做进一步详细说明。

图1是本发明基于神经网络的GaN JBS二极管器件性能预测方法的流程图；

图2是本发明实施例中仿真的GaN JBS二极管器件的剖面图；