公开(公告)号：CN115544854A

公开(公告)日：2022-12-30

申请号：CN202211264349.7

申请日：2022-10-17

Applicant: 西安电子科技大学

Inventor： 王树龙 ,  刘海宇 ,  李宇航 ,  马浩 ,  马兰 ,  刘伯航

IPC: G06F30/25 ,  G06F30/27 ,  G06F119/02

Abstract: 基于神经网络预测FinFET器件的单粒子效应及特征参数的方法，包括；步骤1，获取多组FinFET器件单粒子效应曲线的数据并提取曲线的特征参数，作为样本集；步骤2，将样本集的多组数据按比例随机划分为训练集、验证集；分别对训练集、验证集的FinFET器件单粒子效应参数进行标准化处理；步骤3，构建神经网络预测模型；步骤4，使用训练集和验证集对神经网络预测模型进行训练，得到训练后的预测模型；步骤5，向训练后的神经网络预测模型输入FinFET器件的不同单粒子效应参数，分别得到所预测FinFET器件的单粒子效应曲线以及特征参数。本发明通过输入不同的粒子入射条件，可以快速准确地获得单粒子效应曲线及相应的特征参数，实验中使用的神经网络模型具有较高的预测精度。

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

Inventor： 王树龙 ,  刘海宇 ,  赵银锋 ,  刘晨钰 ,  赵蓉 ,  马兰 ,  马浩

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：CN118316453A

公开(公告)日：2024-07-09

申请号：CN202410411977.6

申请日：2024-04-08

Applicant: 西安电子科技大学

Inventor： 王树龙 ,  马浩 ,  黎浏滔 ,  冯旺龙 ,  刘诗杰 ,  刘海宇 ,  张旭艳

IPC: H03M3/00 ,  H03M1/66 ,  G06N3/0464 ,  G06N3/063 ,  G06N3/084

Abstract: 本发明公开了一种基于神经网络的Sigma‑Delta调制器校准方法，包括以下步骤；步骤1.建立实际Sigma‑Delta调制器和参考理想Sigma‑Delta调制器；步骤2.采用相干采样，将同一输入信号输入到调制器中，分别进行FFT仿真；采样作为样本数据集和参考数据集；步骤3.构建Sigma‑Delta调制器校准方案；步骤4.构建卷积神经网络模型；步骤5.输入样本数据集训练卷积神经网络，获得训练完成的神经网络校准模型，训练过程中迭代优化卷积神经网络模型参数和超参数，直至神经网络收敛；步骤6.将训练好的神经网络校准模型应用到Sigma‑Delta调制器中，Sigma‑Delta调制器输出经过网络校准输出校准后的数字码，做FFT仿真得到校准后的调制器性能并于校准前的性能进行比对。本发明能够同时校准多项误差，有效提升调制器性能。

公开(公告)号：CN117172015A

公开(公告)日：2023-12-05

申请号：CN202311165370.6

申请日：2023-09-11

Applicant: 西安电子科技大学

Inventor： 王树龙 ,  刘诗杰 ,  马浩 ,  刘海宇 ,  张旭艳 ,  黄金 ,  孙雪琦

IPC: G06F30/20 ,  G06F18/214 ,  G06N3/048 ,  G06F111/10

Abstract: 基于人工神经网络的霍尔器件Verilog‑A仿真模型建立方法、系统、设备及介质，方法包括：建立霍尔器件等效模型，根据建立的等效模型将霍尔器件分解为若干个等效器件，得到等效器件的电学参数，得到训练好的网络模型参数，提取神经网络模型参数，根据提取的神经网络模型参数以及神经网络模型进行标准化以及归一化在Verilog‑A中进行描述，得到基于Verilog‑A语言描述的神经网络模型，将基于Verilog‑A语言描述的神经网络模型输出数据与步骤1建立的等效模型的连接关系进行行为级建模，得到基于人工神经网络的霍尔器件Verilog‑A仿真模型；系统、设备及介质，用于实现基于人工神经网络的霍尔器件Verilog‑A仿真模型建立方法；本发明具有模型结构简单、建模难度低、建模周期短、建模流程简单的特点。

公开(公告)号：CN115841077A

公开(公告)日：2023-03-24

申请号：CN202211552471.4

申请日：2022-12-05

Applicant: 西安电子科技大学

Inventor： 王树龙 ,  刘海宇 ,  陈栋梁 ,  刘伯航 ,  曹宪法 ,  马浩 ,  刘诗杰

IPC: G06F30/27 ,  G06F18/214 ,  G06N3/0464 ,  G06N3/084

Abstract: 一种基于残差神经网络的CMOS反相器单粒子效应预测方法，设计CMOS反相器的K组单粒子效应参数数据，使用TCAD软件对每组数据进行仿真，得到CMOS反相器的K条单粒子效应曲线，所述单粒子效应曲线的横坐标为时间，纵坐标为电流或电压，即，为瞬态电流曲线或瞬态电压曲线；仿真过程中以L个时间点将时间划分为L－1个区间，每个时间点在单粒子效应曲线上对应一个数据点，从所述单粒子效应曲线提取单粒子效应参数，数据点的数据和单粒子效应的特征参数，作为样本集；利用该样本集训练残差神经网络预测模型，模型输出为预测的单粒子效应曲线或单粒子效应的特征参数。本发明提高了CMOS反相器单粒子效应研究的效率。