[发明专利]一种基于K折交叉验证集成学习模型的GAAFET电容特性预测方法

权利要求书

1.一种基于K折交叉验证集成学习模型的GAAFET电容特性预测方法，其特征在于，包括如下步骤：

步骤1，通过TCAD仿真软件建立GAAFET器件模型；

步骤2，基于所述GAAFET器件模型，通过改变设计参数，得到多条不同设计条件下的电容-电压特性曲线，电容-电压特性曲线的横轴为电压，纵轴为电容；

步骤3，以相同的电压间隔，从每条所述电容-电压特性曲线中取出N个数据点，作为训练集成学习模型的数据集，按比例将数据集划分成训练集、交叉验证集和测试集，并通过K折交叉将训练集划分为K个子集；所述集成学习模型作为电容特性预测模型，其输入为一组所述设计参数，输出为GAAFET器件电容特性；

步骤4，利用所述数据集训练所述集成学习模型，满足要求的模型用于不同参数以及不同工作条件下的GAAFET器件电容特性预测。

2.根据权利要求1所述基于K折交叉验证集成学习模型的GAAFET电容特性预测方法，其特征在于，所述步骤1，在TCAD仿真软件中，利用Sentaurus Structure Editor生成GAAFET器件结构，包括器件的物理尺寸、材料类型参数、杂质掺杂的类型和浓度以及电极引出；通过网格划分得到以msh.tdr为后缀的器件物理信息文件；通过有限元分析计算，求解用于描述载流子分布和传输的泊松方程，得到GAAFET器件的电容特性在划分网格点的近似值；以所述器件物理信息文件作为Sentaurus Device的输入文件进行电学模拟仿真，得到GAAFET器件的电容-电压曲线。

3.根据权利要求1所述基于K折交叉验证集成学习模型的GAAFET电容特性预测方法，其特征在于，所述步骤2，设计参数包括栅极长度L_g、沟道高度H_fin、沟道宽度W_fin和栅氧化层厚度T_ox。

4.根据权利要求1所述基于K折交叉验证集成学习模型的GAAFET电容特性预测方法，其特征在于，所述步骤3，K折交叉中，选取K＝5，即，基于数据集生成5个子数据集，并在划分训练集、交叉验证集和测试集时固定随机种子，确保数据集划分可复现。

5.根据权利要求1所述基于K折交叉验证集成学习模型的GAAFET电容特性预测方法，其特征在于，所述电容特性预测模型的构建方法如下：

利用不同尺寸卷积核分别构建模型一、模型二、模型三；

对模型一、模型二、模型三，分别通过K折交叉验证进行训练生成K个二级子模型；

通过将K个二级子模型的输出取平均，分别将模型一、模型二、模型三的K个二级子模型集成为一级子模型一、一级子模型二、一级子模型三；

将所述一级子模型一、所述一级子模型二和所述一级子模型三的输出通过greedyensemble算法集成，得到电容特性预测模型。

6.根据权利要求5所述基于K折交叉验证集成学习模型的GAAFET电容特性预测方法，所述模型一、模型二、模型三的卷积核尺寸分别为3*3、5*5、7*7，相应地，所述一级子模型一、一级子模型二和一级子模型三分别为CNN3*3、CNN5*5、CNN7*7。

7.根据权利要求5所述基于K折交叉验证集成学习模型的GAAFET电容特性预测方法，所述模型一、模型二、模型三均为卷积神经网络模型，结构相同，均由输入层、两层全连接输入扩展层、两层卷积层、两层全连接层和一层输出层组成；

其中，第一层全连接输入扩展层由32个神经元组成，第二层全连接输入扩展层由64个神经元组成，每一层全连接输入扩展层后均添加一个批量归一化单元与一个LeaKyReLu激活函数；

所述卷积层，对于模型一，每层的Kernel为3*3，通道数为32，stride为1，padding为1；对于模型二，每层的Kernel为5*5，通道数为32，stride为1，padding为1；对于模型三，每层的Kernel为7*7，通道数为32，stride为1，padding为1；

第一层全连接层由512个神经元组成，第二层全连接层由128个神经元组成。