基于深度学习的ASM-HEMT I-V参数提取

标题：Deep Learning-Based ASM-HEMT I-V Parameter Extraction (IEEE ELECTRON DEVICE LETTERS) 22年

摘要

摘要 — 首次提出了一种快速而准确的基于深度学习（DL）的ASM-HEMT I-V模型参数提取方法。DL基于提取从蒙特卡洛模拟生成的120k个训练数据集，包含3.74亿个I-V数据点。训练数据集通过蒙特卡洛模拟生成。通过典型的GaN制造过程成功建模了114个GaN HEMTs。预测的参数与I-V数据非常吻合。此外，关键电气参数（如截至电压、线性条件电流和最大电流）的均方根误差分别为2.2%、17.6%和2.4%。该方法已经验证适用于不同尺寸的多个GaN HEMTs。该技术可以提供一种非常快速且具有合理准确度的参数提取方法。
关键词— 深度学习，GaN HEMTs，功率放大器，ASM-HEMT

文章研究了什么

这篇文章研究了基于深度学习的ASM-HEMT I-V参数提取方法。作者通过蒙特卡洛模拟生成了包含374百万个I-V数据点的120,000个训练数据集，并使用这些数据集训练了一个深度学习模型。该模型成功地对来自典型GaN工艺的114个GaN HEMT进行了建模，并且预测的参数与实际的I-V数据非常吻合。文章还验证了该方法在不同尺寸的多个GaN HEMT上的有效性。这种基于深度学习的参数提取技术可以提供快速且具有合理准确性的参数提取方法。

文章的创新点

这篇文章的创新点在于首次提出了基于深度学习的ASM-HEMT I-V参数提取方法。相比传统的参数提取流程，该方法通过训练深度学习模型直接生成一组参数，而无需多次迭代调整参数以达到可接受的误差。通过使用蒙特卡洛模拟生成的训练数据集和实际测量的GaN HEMT数据，作者训练了一个深度学习模型，并成功地对多个GaN HEMT进行了参数建模。该方法不仅提供了快速的参数提取方式，还能够在合理的准确性下应用于多个设备。这种基于深度学习的参数提取技术为高效且准确地提取ASM-HEMT的I-V参数提供了一种新的方法。

文章的研究方法

文章的研究方法如下：

1. 生成训练数据集：通过蒙特卡洛模拟，在关键的ASM-HEMT I-V模型参数上使用均匀分布生成了多个训练数据集。这些训练数据集的基础模型是通过传统的参数提取方法从相同的GaN-HEMT工艺中获得的。为了涵盖制造过程中的设备变化，故意选择了参数的大变化范围。

2. 深度学习模型训练：使用生成的训练数据集，训练一个深度学习模型。文章中未详细说明所使用的具体深度学习模型架构和训练算法，但给出了DL模型的架构示意图。

3. 参数提取：训练完成后，使用训练好的深度学习模型从模型中直接生成ASM-HEMT的I-V参数，无需多次迭代调整参数。

4. 验证和分析：对生成的参数进行验证，并与实际测量的GaN HEMT数据进行比较。文章展示了线性和饱和区域的I-V特性的模拟数据集和实测数据集，并评估了预测参数与实际数据的拟合程度。

通过这种基于深度学习的参数提取方法，研究人员能够快速而准确地提取ASM-HEMT的I-V参数，并在不同尺寸的多个GaN HEMT上验证了该方法的有效性。

文章的结论

文章的结论是，基于深度学习的ASM-HEMT I-V参数提取方法可以提供快速而准确的参数提取方式。通过训练深度学习模型并使用该模型直接生成参数，无需多次迭代调整，可以节省提取参数所需的时间和工作量。在实验中，该方法成功地对来自典型GaN工艺的114个GaN HEMT进行了建模，并且预测的参数与实际的I-V数据非常吻合。在关键的电气参数（如截止电压、线性工作电流和最大电流）上，预测的误差分别为2.2%、17.6%和2.4%。此外，该方法还在不同尺寸的多个GaN HEMT上进行了验证，证明了其在多设备情况下的有效性。因此，该方法为快速且准确地提取ASM-HEMT的I-V参数提供了一种新的解决方案。