的我-V基于anfis方法的BCD低压pMOSFET器件特性预测

摘要

由于缺乏可靠的模型和校准可用的器件模型的困难，使用传统的TCAD EDA器件仿真工具对亚微米器件进行全面和预测建模变得越来越复杂。本文提出了一种将模糊理论和自适应神经网络相结合的自适应神经模糊推理系统(ANFIS)，对BCD亚微米pMOSFET器件进行建模，并预测器件在不同偏置条件和不同几何尺寸下的行为。在这里，使用ANFIS来实现电源我-V在这些p沟道MOS晶体管中演示了行为。经过系统的评价，可以发现我-V将ANFIS对复杂亚微米pmosfet的性能与实际诊断实验数据进行了比较，得到了较好的一致性。此外，错误率不超过2.5%。因此，这种新提出的技术的优点包括精确的预测和更容易的实现。

1.介绍

半导体器件的建模最能使器件行为作为偏置条件和器件几何参数的函数进行评估。一般来说，理解设备行为背后的物理现象会导致所谓的设备SPICE模型或物理方法[1- - - - - -6］.最后，它创建了必须覆盖至少一个设备操作区域的设备模型，从而产生了如何对它们之间的转换建模的问题。因此，在某些情况下，由于缺乏对设备物理的理解，这种方法不适用或过于复杂。

实际上，例如，对于MOSFET的阈值电压，这是一个最小栅极电压，可以诱导足够的载流子来支持电流。阈值电压和器件尺寸构成了用于超大规模集成电路设计电路仿真的BSIM模型或基于hspice的MOSFET电路模型的重要参数。然而，超大规模集成电路设计中使用的mosfet的尺寸一直在不断减小，以实现更高的器件/电路密度。而且，阈值电压是众所周知的由于短通道效应(SCE)的综合作用，小器件与长或宽器件的特性将有所不同[7- - - - - -9]，窄幅效应(NWE) [10，11]，反向短通道效应(RSCE) [12，13]，以及反向窄宽效应(RNWE) [14，15］.与此同时,HSpice中的MOSFET方程从Level 1 (Shichman-Hodges模型)演化到BSIM3 Level 49 [16- - - - - -18］.因此,-在超大规模集成电路仿真中，mosfet的特性很难用一个精确的公式来表示。在此背景下，本文提出了一种利用模糊理论和神经网络相结合的方法来预测亚微米pmosfet的特性。

本文开发了ANFIS来解决这一问题。该方法不需要假设任何拟合参数，可以应用于任何物理系统。由于模糊规则来自人类的专业知识和知识，它们有时可能是不充分的和缺乏定义。为了改进模糊规则的这一缺点，在模糊算法中引入了神经网络算法。这个概念包括了模糊控制和神经网络系统的优点。该方法将神经网络技术具有学习和计算能力的优点引入到模糊预测中。同时，一个模糊预测系统还可以为神经网络提供高水平的人类专业知识和模糊规则。因此，一个与神经网络的学习能力相关联的模糊系统应该会相当明显地降低错误率。这种结构就是所谓的自适应神经模糊推理系统，简称ANFIS [19- - - - - -22］.在某些情况下，噪音可能直接影响一个人执行任务的准确性。最初，ANFIS网络通过学习和训练过程可以降低单个噪声或测量离群值。当然，一些前端滤波器或去噪方法是需要的，也用于良好的噪声消除使用ANFIS [23- - - - - -27］.

本研究使用的模型是基于ANFIS的。它是用来分析漏源极电流()与不同漏源偏压()和门-源偏压()在不同通道长度()及河道宽度()在相同的制造工艺条件下。使用这种方法，模型不需要拟合任何物理参数。在学习过程中，可以根据测量数据对设备参数(加权和阈值系数)进行评估。

2.实验的细节

2．1.获得实验结果

在本文中，被测器件的所有几何尺寸均列于表中1．这些测试样本(～和～)，用低压工艺在0.4μm BCD技术。通道宽度()的值设为2μM，通道长度从0.4变化μm - 3μm(诊断1B dut包括在内)。通道长度()的值设为0.6μM，通道宽度从0.5变化μm - 3μm(包括诊断性2B dut)。在第一步中，使用吉时利236/2361系统测量每一个DUT，得到实验结果-不同漏极和栅偏压下漏极电流的特性。在吉时利236/2361系统的设备测试中，为了避免一些测量噪声，使用了较长的积分时间(采样时间)来获得平均数据(类似滤波器)。此外，所有这些实验数据均可作为训练数据和漏极电流(）.

２.２.神经模糊推理系统学习

众所周知，MOSFET器件建模的主要问题与亚阈值区域向强反转区域的过渡以及欧姆区域向饱和区域的过渡有关。对于最简单的情况，pMOS晶体管可以被认为是一个三端器件，其中两个端子(源端和散装端子)接地。在这种情况下，漏极电流的关系将是两个偏差变量的函数(）.然而，用一个精确而简单的公式来表达所涉及的内容是困难的。因此，在本文中，我们采用自适应神经模糊推理系统(ANFIS)的思想来预测漏极电流与四个变量(，，,)的pMOSFET器件。

ANFIS训练过程如图所示1．首先，将四个输入参数作为训练数据。经过ANFIS的训练，我们可以得到漏极电流的预测值．数字2展示了ANFIS体系结构;它包括五层:模糊层、乘积层、归一化层、触发层和总和层。

3.结果与讨论

在本研究中，测量样本的结果，，，，,作为诊断资料。并将其他样本的测量结果作为初步训练数据。经过ANFIS训练，我们能够获得与实验数据比较，预测结果的错误率不大于0.1%。

３．１．第一组dut

数据3(一个)和3 (b)3是想测量数据面与预测数据面对比和为栅极电压()设置为−3 V, 1A组样品(= 2μm和不同)。同理，Figures4(一)和4 (b)3是想测量数据面与预测数据面对比和为漏极电压()设置为−3 V对相同的1A组样品。在数据3 (b)和4 (b)时，将预测面通道长度扩展为3μm.然后，从Figures3.和4，表示在这种情况下−4 V;V和−4 V;V、好匹配结果与1A组通道长度的对比如图所示5和6,分别。最后，诊断样本的比较(，，)，以及图中预测数据3 (b)和4 (b)如图所示5～9,分别。同时，这里，例如，输出电导特征与和图8．如图所示，得到了高度一致的结果，错误率不大于2.5%。

３．２．第二组dut

数据10 ()和10 (b)3是想测量数据面与预测数据面对比和为栅极电压()设置为−3 V组2A样品(μm和不同)。同理，Figures(11日)和11 (b)3是想测量数据面与预测数据面对比和为漏极电压()设置为−3 V对同一组2A样品。同样,在数据10 (b)和11 (b)时，预测面通道宽度扩展为3μm.然后，从Figures10和11，表示在这种情况下−4 V;V和−4 V;V、好匹配结果与通道宽度2A组如图所示12和13,分别。最后，诊断样本的比较(，，)和图中预测数据10 (b)和11 (b)如图所示14～15,分别。如图所示，得到了高度一致的结果。

4.结论

本文提出了一种基于anfi的器件特性预测的新应用，该预测可以同时处理几何尺寸和偏置电压输入。从以上结果可以看出，诊断性dut的最终预测数据与实测数据具有很好的一致性。因此，ANFIS也可以以一种高效的方式演示亚微米pMOSFET的复杂器件特性。为预测pMOSFET器件在不同几何尺寸下特性行为的复杂关系提供了一种新的方法。该方法很好地表达了pMOSFET器件的特性行为，可方便地用于复杂的亚微米器件。同时，ANFIS系统具有快速学习能力和快速收敛速度，不需要寻找预测系统的过渡函数或状态方程。因此，所有的测量数据都可以作为ANFIS中的训练数据。此外，这种新技术不需要任何假设的参数，因此同样的过程可以很容易地应用于分析或预测超大规模集成电路的其他复杂物理行为。

利益冲突

作者确认本文的发表不存在利益冲突。

承认

在本工作中，作者感谢台湾国家芯片实施中心提供的工艺信息和制造平台。

参考文献

1. 美国s。钟,t·s·艾。林,Y.-G。Chen，“LDD mosfet I-V特性的高效半经验模型”，IEEE电子器件汇刊第36卷第2期9，页1691-1702,1989。视图:出版商的网站|谷歌学者
2. M. a . Imam, M. a . Osman，和a . a . Osman，“基于改进的BSIM1 SPICE模型的深亚微米器件MOSFET全球建模”，集成电路与系统的计算机辅助设计汇刊，第15卷，第5期。4，第446-451页，1996。视图:出版商的网站|谷歌学者
3. 赵晓林，P. J. Thomas, R. I. Hornsey，“氟离子辐照CMOS器件的SPICE模型”，IEEE电子器件汇刊第54卷第5期第8页，1963-1971,2007。视图:出版商的网站|谷歌学者
4. Y. Qiang Li, T. Krakowski, P. Francis，和L. Smith，“使用基于单元的构建块方法的集成功率LDMOS器件的可扩展spice建模”，刊于第二十届功率半导体器件与集成电路国际研讨会论文集(ISPSD’08)，第88-90页，美国佛罗里达州奥兰多，2008年5月。视图:出版商的网站|谷歌学者
5. “广义记忆器件SPICE模型及其在电路设计中的应用”，中华人民大学学报(自然科学版)，集成电路与系统的计算机辅助设计汇刊，第32卷，第2期8, pp. 1201-1214, 2013。视图:出版商的网站|谷歌学者
6. A. Ruangphanit, N. Sakuna, B. Niemcharoen，和R. Muanghlua，“温度和狭窄通道依赖于nmosfet的阈值电压模型的实现”，在第四届信息与通信技术、电子与电气工程国际联合会议论文集，第1-4页，2014。视图:谷歌学者
7. 谢志强，谢志强。Ko, M.-C。Jeng，“BSIM: MOS晶体管的Berkeley短沟道IGFET模型”，IEEE固态电路杂志第22卷第2期4，第558-566页，1987。视图:谷歌学者
8. T. Kim, N. Franklin, C. Srinivasan, P. Kalavade, A. Goda，“RTS和逆尺度行为的极端短通道效应:25纳米NAND闪存的源漏注入效应”，IEEE电子器件通讯，第32卷，第2期9, pp. 1185-1187, 2011。视图:出版商的网站|谷歌学者
9. A. Valletta, L. Mariucci, A. Pecora, L. Maiolo, S. D. Brotherton，和G. Fortunato，“全自排列栅重叠轻掺杂漏极多晶硅TFTs中的扭结效应和短沟道效应分析”，显示技术杂志，第9卷，第5期。9，第764-769页，2013。视图:出版商的网站|谷歌学者
10. G. Fuse, M. Fukumoto, A. Shinohara, S. Odanaka, M. Sasago, T. Ohzone，“一种用硼注入侧壁控制窄宽度效应的新隔离方法”，IEEE电子器件汇刊第34卷第3期2，页356 - 360,1987。视图:谷歌学者
11. K.-L。Yeh和J.-C。Guo，“窄宽度效应对40 nm以下多指nmosfet和pmosfet高频性能和射频噪声的影响，”IEEE电子器件汇刊，第60卷，第2期1，第109-116页，2013。视图:出版商的网站|谷歌学者
12. 彭译葶。宋建民，“亚微米水杨酸盐器件中阈值电压的反向短通道效应”，IEEE电子器件通讯，第10卷，第5期。10，第446-448页，1989。视图:出版商的网站|谷歌学者
13. 问:谢,C.-J。李建中，徐建军，万昌。Sun和Y. Taur，“超薄SOI mosfet中短沟道效应的综合分析”，IEEE电子器件汇刊，第60卷，第2期第6页，第1814-1819页，2013。视图:出版商的网站|谷歌学者
14. J. Zhou, S. Jayapal, J. Stuyt, J. Huisken，和H. De Groot，“逆窄宽度效应对亚阈值器件尺寸的影响”，刊于第16届亚洲及南太平洋设计自动化会议论文集，第267-272页，2011年1月。视图:出版商的网站|谷歌学者
15. S. Pandit和C. K. Sarkar，“模拟栅极边缘和掺杂剂再分布对窄沟道浅沟槽隔离mosfet的逆窄宽度效应的影响”，刊于第24届超大规模集成电路设计国际会议论文集，第195-200页，2011年1月。视图:谷歌学者
16. Zhou J.， M. Cheng，和L. Forbes，“p- mosfet饱和区闪烁噪声的SPICE模型，”集成电路与系统的计算机辅助设计汇刊，第20卷，第2期。6，页763-767,2001。视图:出版商的网站|谷歌学者
17. 刘伟，《附录A: BSIM3方程》，载用于SPICE模拟的MOSFET模型:包括BSIM3v3和BSIM4，第473-506页，WILEY-IEEE出版社，2001。视图:谷歌学者
18. Y. Singh Chauhan, S. Venugopalan, N. Paydavosi等，“用于SPICE模拟的BSIM紧凑MOSFET模型”，刊于第20届集成电路与系统混合设计国际会议论文集，MIXDES 2013，第23-28页，2013年6月。视图:谷歌学者
19. M. A. shorehdeli, M. teshnhlab，和A. K. Sedigh，“ANFIS结构中的一种新的训练算法”，在美国控制会议论文集，第5059-5064页，2006年6月。视图:谷歌学者
20. S. P. Srinivasan和P. Malliga，“一种用于麻疯树供应链产量预测的自适应神经模糊推理系统(ANFIS)建模的新方法”IEEE第17届工业工程与工程管理国际会议论文集， pp. 1249-1253，厦门，2010。视图:出版商的网站|谷歌学者
21. A. Al-Hmouz, J. Shen, R. Al-Hmouz, J. Yan，“一种用于移动学习的自适应神经模糊推理系统(ANFIS)的建模与仿真，”IEEE学习技术汇刊，第5卷，第5期。3，页226-237,2012。视图:出版商的网站|谷歌学者
22. A. S. M. Jaya, S. Z. M. Hashim, H. Haron, R. nah, M. R. Muhamad, M. N. A. Rahman，“ANFIS在预测TiN涂层粗糙度中的建模”，在第五届计算机科学与信息技术国际会议论文集，第13-18页，2013年3月。视图:出版商的网站|谷歌学者
23. 李伟，王平，李勇，“一种基于ANFIS的自适应彩色噪声消除方法”国际图像分析和信号处理会议论文集中国，林海，2009年4月。视图:出版商的网站|谷歌学者
24. n。燕,Z.-C。周琦，“基于ANFIS的雷电电流在线监测系统降噪方法研究”，中国第七届亚太国际闪电会议论文集(APL’11)，第618-624页，2011年11月。视图:出版商的网站|谷歌学者
25. M. Sharique和M. A. Ali，“使用ANFIS在灰度图像中的两步脉冲噪声抑制”，发表于多媒体、信号处理和通信技术国际会议论文集，页80-83,2013。视图:谷歌学者
26. S. Anissa, S. Hassene，和B. B. Ezzedine，“基于ANFIS的自适应中值滤波器用于脉冲噪声抑制”IEEE第23届工业电子学国际研讨会论文集，第950-953页，伊斯坦布尔，土耳其，2014年6月。视图:出版商的网站|谷歌学者
27. S. Rojathai和M. Venkatesulu，“使用ANFIS的PAC特征的噪声鲁棒泰米尔语词识别系统”，于第13届IEEE/ACIS计算机与信息科学国际会议论文集， pp. 435-440，中国太原，2014年6月。视图:出版商的网站|谷歌学者

版权

版权所有©2015陈沈丽。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。