-
公开(公告)号：CN114528805B
公开(公告)日：2025-03-14
申请号：CN202210095126.6
申请日：2022-01-26
Applicant: 西安电子科技大学
IPC: G06F30/398 , G06F30/27
Abstract: 本发明涉及微电子技术领域与人工智能技术领域，具体涉及一种基于CNN网络的FDSOI器件电学特性预测方法，本发明利用CNN网络，解决了FDSOI器件电学特性的预测在传统研究过程中计算量大且耗时较长的问题，且拥有较高的准确率，提高了预测的效率。
-
公开(公告)号：CN114066005B
公开(公告)日：2024-06-04
申请号：CN202111171616.1
申请日：2021-10-08
Applicant: 西安电子科技大学
IPC: G06Q10/04 , G06N3/0464 , G06F18/214 , G06F30/27
Abstract: 本发明涉及微电子器件及神经网络深度学习领域，具体涉及一种基于CNN网络(卷积神经网络，Convolutional Neural Networks)的碳化硅二极管击穿电压的预测方法，包括以下步骤：步骤S1，获取CNN网络的训练集、交叉验证集和测试集；步骤S2，建立CNN网络，并进行训练、验证和测试，得到训练后的CNN网络；步骤S3，将要预测的碳化硅二极管的漂移区掺杂浓度、结峰值浓度和场限环个数输入CNN网络中，预测该碳化硅二极管的击穿电压。本发明使用CNN网络快速且便捷地预测出碳化硅二极管的击穿电压，且有较高的准确率，降低了人力、时间及生产经济成本。
-
公开(公告)号：CN113705031B
公开(公告)日：2022-09-16
申请号：CN202110658416.2
申请日：2021-06-15
Applicant: 西安电子科技大学
Abstract: 本发明属于光电器件与人工智能技术领域，具体公开了一种基于深度学习的纳米天线阵列电磁性能预测方法，本发明利用传统的机器学习来自行建立超表面性能预测模型，对纳米天线阵列超表面的电磁性能即散射截面积进行精准预测，建立了纳米天线阵列的结构参数与电磁性能之间的映射关系，从而利用网络的推断能力和计算力来解决纳米天线阵列设计过程中费时费力的问题，有望突破纳米光学领域中器件设计的问题，也为工程师带来便利。
-
Patent Agency Ranking
公开(公告)号：CN113705031A
公开(公告)日：2021-11-26
申请号：CN202110658416.2
申请日：2021-06-15
Applicant: 西安电子科技大学
Abstract: 本发明属于光电器件与人工智能技术领域，具体公开了一种基于深度学习的纳米天线阵列电磁性能预测方法，本发明利用传统的机器学习来自行建立超表面性能预测模型，对纳米天线阵列超表面的电磁性能即散射截面积进行精准预测，建立了纳米天线阵列的结构参数与电磁性能之间的映射关系，从而利用网络的推断能力和计算力来解决纳米天线阵列设计过程中费时费力的问题，有望突破纳米光学领域中器件设计的问题，也为工程师带来便利。
-
公开(公告)号：CN114662227A
公开(公告)日：2022-06-24
申请号：CN202210188696.X
申请日：2022-02-28
Applicant: 西安电子科技大学
IPC: G06F30/17 , G06F30/27 , G06N3/04 , G06N3/08 , G06F119/02
Abstract: 本发明涉及微电子器件技术与人工智能技术领域领域，具体涉及基于神经网络的F i nFET器件性能预测及结构优化方法。本发明使用神经网络对F i nFET器件结构和电学性能之间的关系进行学习，从而可以根据F i nFET器件结构快速预测出F i nFET器件的电学性能，也可根据F i nFET器件的电学性能获得优化的F i nFET器件结构，很好地解决了传统的数值模拟方法的开发周期长、效率低、成本高的问题，满足了F i nFET器件快速发展的需求。
-
公开(公告)号：CN114692498A
公开(公告)日：2022-07-01
申请号：CN202210320222.6
申请日：2022-03-29
Applicant: 西安电子科技大学
Abstract: 本发明涉及微电子器件及神经网络深度学习领域，具体涉及一种基于深度学习的SiC二极管特性曲线预测方法。本发明使用深度学习神经网络快速且便捷地预测出碳化硅二极管的反向特性曲线和正向特性曲线，且有较高的准确率，降低了传统仿真方法的人力、时间成本。
-
公开(公告)号：CN114528805A
公开(公告)日：2022-05-24
申请号：CN202210095126.6
申请日：2022-01-26
Applicant: 西安电子科技大学
IPC: G06F30/398 , G06F30/27
Abstract: 本发明涉及微电子技术领域与人工智能技术领域，具体涉及一种基于CNN网络的FDSOI器件电学特性预测方法，本发明利用CNN网络，解决了FDSOI器件电学特性的预测在传统研究过程中计算量大且耗时较长的问题，且拥有较高的准确率，提高了预测的效率。
-
公开(公告)号：CN114066005A
公开(公告)日：2022-02-18
申请号：CN202111171616.1
申请日：2021-10-08
Applicant: 西安电子科技大学
Abstract: 本发明涉及微电子器件及神经网络深度学习领域，具体涉及一种基于CNN网络(卷积神经网络，Convolutional Neural Networks)的碳化硅二极管击穿电压的预测方法，包括以下步骤：步骤S1，获取CNN网络的训练集、交叉验证集和测试集；步骤S2，建立CNN网络，并进行训练、验证和测试，得到训练后的CNN网络；步骤S3，将要预测的碳化硅二极管的漂移区掺杂浓度、结峰值浓度和场限环个数输入CNN网络中，预测该碳化硅二极管的击穿电压。本发明使用CNN网络快速且便捷地预测出碳化硅二极管的击穿电压，且有较高的准确率，降低了人力、时间及生产经济成本。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.018 seconds)
