-
公开(公告)号：CN119442888A
公开(公告)日：2025-02-14
申请号：CN202411541173.4
申请日：2024-10-31
Applicant: 西安电子科技大学杭州研究院 , 西安电子科技大学
IPC: G06F30/27 , G06F30/25 , G06N3/0464 , G06N3/084
Abstract: 基于人工神经网络的功率VDMOSFET单粒子效应预测方法，包括以下步骤；步骤1：基于TCAD建立功率Si基VDMOSFET器件模型，收集到Si基VDMOSFET的单粒子效应仿真数据；步骤2，基于TCAD仿真数据建立数据集，将数据集划分为训练集、交叉验证集和测试集；步骤3，建立基于卷积神经网络的深度学习预测模型；步骤4，将训练集输入深度学习预测模型，通过损失函数衡量预测值与真实值之间的差距，优化深度学习预测模型；步骤5，将测试集数据输入优化后的深度学习预测模型，评估其预测准确率及泛化能力，满足要求的模型即可用于不同参数以及不同工作条件下的Si基VDMOSFE器件的单粒子效应预测。本发明具有预测精度高，预测时间快的特点。
-
公开(公告)号：CN118627445A
公开(公告)日：2024-09-10
申请号：CN202410665084.4
申请日：2024-05-27
Applicant: 西安电子科技大学杭州研究院 , 西安电子科技大学
IPC: G06F30/367 , G06F30/373 , G06F18/214 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于神经网络的1200V SiCMOSFET建模优化及性能预测方法，包括以下步骤；步骤1，基于TCAD建立1200V沟槽型SiCMOSFET器件模型；步骤2，基于TCAD仿真建立数据集，获取数据集，将数据集分别划分为训练集，交叉验证集和测试集；步骤3，初步建立集成深度学习预测模型，进行后续器件电学特性预测和输出特性曲线预测；步骤4，将训练集输入预测模型，通过损失函数衡量预测值与真实值之间的差距，优化预测模型，同时将交叉验证集输入预测模型；步骤5，将测试集数据输入预测模型，评估其预测准确率及泛化能力，满足要求的模型即可用于不同参数以及不同工作条件下的SiCMOSFET器件电学特性预测。本发明提高了器件设计效率以及准确度，拓展了微电子器件预测的可能性。
-
公开(公告)号：CN119249997A
公开(公告)日：2025-01-03
申请号：CN202411242905.X
申请日：2024-09-05
Applicant: 西安电子科技大学
IPC: G06F30/367
Abstract: 本发明公开了一种FDSOI器件交流小信号与NBTI效应联合仿真方法，涉及半导体器件技术领域，该方法包括：建模得到二维器件结构初始模型，对所建立的模型进行校准；对校准后的模型进行混合模式下的交流小信号仿真，得到反应交流小信号特性的第一特性曲线；对校准后的模型设置陷阱退化参数，得到器件真实情况下NBTI的退化情况；进行NBTI效应和交流小信号的联合仿真，得到NBTI效应作用后的交流小信号特性的第二特性曲线，通过对比两条特性曲线，明确NBTI效应对交流小信号特性的影响。本发明通过联合仿真方法，提高了收敛性，同时通过校准的器件结构和退化参数，可准确地反应NBTI效应对交流小信号特性的影响。
-
公开(公告)号：CN118366969A
公开(公告)日：2024-07-19
申请号：CN202410385979.2
申请日：2024-04-01
Applicant: 西安电子科技大学
IPC: H01L23/544 , H01L27/12
Abstract: 本发明提供适用于FDSOI器件总剂量效应的加固电路，涉及半导体技术领域。此电路包括：阈值电压测量电路、比较器电路和反压电荷泵电路，阈值电压测量电路分别与比较器电路和反压电荷泵电路连接，比较器电路与反压电荷泵电路连接。这样，通过阈值电压测量电路实时监测器件的阈值电压，通过比较器电路将阈值电压与参考电压比较以输出比较电压，在比较电压为高电平时，高电平比较电压控制反压电荷泵电路产生负背栅偏置电压，从而对器件的阈值电压进行调节，来改善总剂量效应对器件产生的影响。该电路可直接在器件所应用到的集成电路上对电路进行改善，不需要将集成电路推翻重做，使得对FDSOI器件总剂量效应的加固所需的时间短以及成本低。
-
公开(公告)号：CN117216944A
公开(公告)日：2023-12-12
申请号：CN202311023755.9
申请日：2023-08-14
Applicant: 西安电子科技大学
IPC: G06F30/20 , G06F30/17 , G06F119/02 , G06F119/08
Abstract: 本发明提供了一种适用于多种可靠性效应耦合研究的SOI FinFET器件的建模方法，利用Sentaurus TCAD软件以及结构参数建模得到FinFET器件的三维结构模型；对三维结构模型进行总剂量效应的仿真和热载流子效应仿真，得到仿真耦合效应后的第二电学特性参数；利用第二电学特性参数更改三维结构模型，使得更改后的三维结构模型的电学特性参数与第二电学特征参数一致，从而模拟SOI FinFET器件在总剂量耦合热载流子效应条件下的真实工作状态。本发明能有效降低器件仿真误差、提供建模的准确性，对器件仿真更多可靠性效应耦合分析提供模型基础；此外本发明具备更好的收敛性，适应于各类结构复杂的半导体器件。
-
Patent Agency Ranking
公开(公告)号：CN116706859A
公开(公告)日：2023-09-05
申请号：CN202310511579.7
申请日：2023-05-08
Applicant: 西安电子科技大学
Abstract: 本发明提供了一种基于RCMOS的防误触电源轨钳位电路，静电信号瞬时检测单元用于检测电源的静电信号，并为所述静电放电时间控制单元提供启动电压；静电放电时间控制单元在启动电压下启动产生低电平，并经反相作用转变为高电平；所述静电泄放单元为一钳位N型晶体管，钳位N型晶体管受到静电放电时间控制单元的高电平开启，用于泄放静电释放ESD电流，并实现电源电压的钳位。本发明将检测单元和控制单元分开，可以通过减小检测单元的电容和电阻，提高电路防误触发能力；同时利用MOS管电容实现电压偏置，利用长沟道PMOS管饱和区实现等效大电阻，避免使用大电阻和大电容，极大程度上缩减了版图面积。
-
公开(公告)号：CN116346090A
公开(公告)日：2023-06-27
申请号：CN202310193699.7
申请日：2023-03-02
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种应用于抗辐射锁相环的压控振荡器，包括三级延迟单元和波形整形电路。当延迟单元的敏感节点受到高能粒子轰击时，在节点处会产生单粒子瞬态电流，使VCO的相位和频率发生变化。三级延迟单元利用反向交叉电路形成的正反馈环路，并基于单粒子效应瞬态电流特性，加速延迟电路对SET效应的恢复过程，从而具备一定的抗SET能力。此外本发明没有引入对SET敏感的偏置结点，虽然尾电流源漏端结点依然存在，但在结点处产生的SET效应会被延迟单元消耗掉，因此电路对SET不敏感。本发明有效了缓解锁相环中压控振荡器所受的辐照影响，且抗单粒子轰击能力较强，对锁相环的正常工作状态影响小。
-
公开(公告)号：CN116090390A
公开(公告)日：2023-05-09
申请号：CN202211737893.9
申请日：2022-12-31
Applicant: 西安电子科技大学
IPC: G06F30/367 , G06F30/27 , G06N3/084 , G06N3/0464
Abstract: 一种基于深度学习的FINFET器件直流特性预测方法，通过ADS软件调用BSIM‑CMG模块，构建FINFET器件电学特性测试原理图，使用ADS软件内置的批量仿真模块提取不同尺寸FINFET器件的电学特性，将影响器件特性的尺寸以及器件的栅压VGS作为输入特征，器件的电学特性作为输出结果，完成数据集的构建；将构建的数据集按比例划分训练集、测试集和预测集；构建基于深度学习神经网络的器件电学特性预测模型；利用数据集训练器件电学特性预测模型，利用训练完成得到的器件电学特性预测模型对器件电学特性进行预测。本发明可解决仿真电路模拟器软件学习成本高和耗时久，效率低等问题；并通过深度学习方式大幅降低操作门槛。
-
公开(公告)号：CN113990866B
公开(公告)日：2023-05-09
申请号：CN202111622482.0
申请日：2021-12-28
Applicant: 北京芯可鉴科技有限公司 , 北京智芯微电子科技有限公司 , 国网信息通信产业集团有限公司 , 西安电子科技大学
IPC: H01L27/02
Abstract: 本发明实施例提供一种硅控整流器、芯片及电路，所述硅控整流器包括：衬底，所述衬底上方设有N阱区和P阱区；所述N阱区和P阱区上方依次设有第一N+区、第一P+区、第三区、第二N+区及第二P+区，所述第三区为第三P+区或第三N+区；所述第一N+区和第一P+区均与所述硅控整流器的阳极相连；所述第二N+区和第二P+区均与所述硅控整流器的阴极相连。所述硅控整流器具有更强的泄放电流的能力，大大提升了防护能力。
-
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
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。
-
-
-
-
-
-
-
-
-
Search Results
102
records
(took 0.062 seconds)
