一種基于bp神經(jīng)網(wǎng)絡(luò)的gfet建模方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于器件建模技術(shù)領(lǐng)域，具體涉及一種石墨烯場效應(yīng)管（GFET)的建模方 法。
【背景技術(shù)】
[0002] 器件模型是描述器件性能的工具，要將新型器件大規(guī)模應(yīng)用于電路設(shè)計，精確的 器件模型必不可少。傳統(tǒng)的器件模型主要是數(shù)值模型和集約模型。
[0003] 基于第一性原理或非平衡格林函數(shù)的數(shù)值計算，數(shù)值模型可以精確仿真GFET的 特性，但運算時間過長，無法應(yīng)用于電路仿真工具。集約模型采用解析表達式描述GFET的 特性，計算時間短，可以集成到電路仿真工具中用于電路設(shè)計，但需要對GFET的工作機制 有深入理解，并將其做簡化為合適的解析表達式，對新型GFET器件往往難以做到。
[0004] 神經(jīng)網(wǎng)絡(luò)是一種基于機器學(xué)習(xí)和統(tǒng)計理論的建模方法，通過學(xué)習(xí)訓(xùn)練樣本的輸入 輸出數(shù)據(jù)間的關(guān)系調(diào)整自身參數(shù)，描述對象的性能，具有結(jié)構(gòu)簡單、學(xué)習(xí)速度快、不需要完 備的器件理論知識等優(yōu)點。采用神經(jīng)網(wǎng)絡(luò)可以高效、準確的完成新型器件建模。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明為了克服現(xiàn)有建模方法的不足，提出了一種基于BP(Back Propagation) 神經(jīng)網(wǎng)絡(luò)的GFET建模方法，其計算時間短、精確度高、不需要完備的器件理論知識，能根據(jù) GFET的輸入數(shù)據(jù)，包括柵源電壓Vgs、漏源電壓Vds、溝道寬度W、溝道長度L，準確計算GFET的 輸出溝道電流Id。
[0006] 本發(fā)明采用的技術(shù)方案如下：一種基于BP神經(jīng)網(wǎng)絡(luò)的GFET建模方法，其特征在 于，包括以下步驟：
[0007] 步驟1.數(shù)據(jù)采集：采集一定量的GFET輸入輸出數(shù)據(jù)用于BP網(wǎng)絡(luò)模型訓(xùn)練和測 試，經(jīng)訓(xùn)練測試后得到的網(wǎng)絡(luò)模型即可用于對GFET在其他輸入?yún)?shù)下性能的預(yù)測；輸入數(shù) 據(jù)包括柵源電壓Vgs、漏源電壓Vds、溝道寬度W、溝道長度L，輸出數(shù)據(jù)為溝道電流I d;采集到 數(shù)據(jù)后按一定比例將所有數(shù)據(jù)隨機分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)；
[0008] 步驟2.數(shù)據(jù)預(yù)處理：將步驟1所得數(shù)據(jù)統(tǒng)一進行歸一化處理；
[0009] 步驟3.確定所用BP網(wǎng)絡(luò)GFET模型結(jié)構(gòu)，包括隱含層數(shù)目和每個隱含層的神經(jīng)元 個數(shù)，輸入層神經(jīng)元數(shù)目為輸入?yún)?shù)個數(shù)，輸出層神經(jīng)元數(shù)目為輸出參數(shù)個數(shù)；
[0010] 步驟4. GFET模型構(gòu)建和訓(xùn)練；
[0011] 步驟5.對GFET模型預(yù)測輸出電流進行反歸一化，得到模型輸出值；
[0012] 步驟 6. GFET 模型的 Verilog-A 實現(xiàn)。
[0013] 作為優(yōu)選，步驟2中所述的數(shù)據(jù)歸一化，其具體方法是，
[0014] m = 2* (a-amin) / (amax-amin) -1 (式一）；
[0015] 其中a_^P a min分別為歸一化前數(shù)據(jù)a的最大值和最小值，m是歸一化后的值。
[0016] 作為優(yōu)選，步驟3中所述的確定BP網(wǎng)絡(luò)GFET模型隱含層結(jié)構(gòu)，其主要依靠試湊 法，具體實現(xiàn)包括以下子步驟：
[0017] 步驟3. 1 :選擇雙隱含層結(jié)構(gòu)；
[0018] 步驟3. 2 :確定隱含層數(shù)目后，設(shè)定兩項判斷BP網(wǎng)絡(luò)GFET模型輸出優(yōu)良與否的評 判標準，再選定神經(jīng)元個數(shù)為一定范圍，對其進行循環(huán)掃描，選擇效果最好的網(wǎng)絡(luò)結(jié)構(gòu)；其 中兩項判斷BP網(wǎng)絡(luò)GFET模型輸出優(yōu)良與否的評判標準分別是：
[0019] 評判標準1 :測試樣本目標電流與GFET模型對測試樣本預(yù)測電流之間的誤差絕對 值和errorsum，優(yōu)良標準為其值小于0· 01 ;
[0020] 評判標準2 :測試樣本目標向量與GFET模型對測試樣本預(yù)測電流之間的均方誤差 errormse，優(yōu)良標準為其值小于IOe-IO ;
[0021] 在對神經(jīng)元個數(shù)的循環(huán)掃描中，選擇errorsum和errormse較小的BP網(wǎng)絡(luò)結(jié)構(gòu)； 若多個網(wǎng)絡(luò)結(jié)構(gòu)的errorsum和errormse值相似，則選擇神經(jīng)元數(shù)目最少的網(wǎng)絡(luò)結(jié)構(gòu)。
[0022] 作為優(yōu)選，步驟4中所述的GFET模型構(gòu)建和訓(xùn)練，具體實現(xiàn)包括以下子步驟：
[0023] 步驟4. I :BP網(wǎng)絡(luò)GFET模型隱含層的傳遞函數(shù)如下，
[0024]
[0025] 輸出層的傳遞函數(shù)為線性函數(shù)，如下所示，
[0026] y = X (式三）；
[0027] 以上兩式中，X是傳遞函數(shù)輸入，y是傳遞函數(shù)輸出，即神經(jīng)元輸出；
[0028] 其中傳遞函數(shù)的輸入X是神經(jīng)元所有輸入即前一層所有神經(jīng)元輸出的加權(quán)和，如 下所示，
[0029]
[0030] 其中N是輸入的數(shù)目，（^是神經(jīng)元輸入即前一層神經(jīng)元輸出，W 1是對應(yīng)的權(quán)值，b 是神經(jīng)元的閾值；
[0031] 步驟4. 2 :BP網(wǎng)絡(luò)模型的訓(xùn)練過程采用Levenberg-Marquardt算法，具體實現(xiàn)包括 以下子步驟：
[0032] 步驟4. 2. 1 :計算目標電流與模型預(yù)測電流之間的誤差，如下所示，
[0033] ep= Tp_yp (式五）；
[0034] 其中Tp和y，別為第p組訓(xùn)練數(shù)據(jù)的目標電流和對應(yīng)的模型的預(yù)測電流；
[0035] 步驟4. 2. 2 :將ep對步驟4. 1中每個神經(jīng)元的權(quán)值和閾值求偏導(dǎo)，將求得的偏導(dǎo)值 組成雅克比矩陣J，
[0038] 其中M為訓(xùn)練樣本總數(shù)，D為BP網(wǎng)絡(luò)模型所有權(quán)值的數(shù)目，F(xiàn)為網(wǎng)絡(luò)所有閾值的數(shù)
[0036]
[0037] 目，識表示權(quán)值和閾值；
[0039] 步驟4. 2. 3 :更新權(quán)值和閾值，方法如下，
[0040]
[0041] E = Le1. . . ep. . . eM]T (式九）；
[0042] 其中0〃/表示更新后的權(quán)值或閾值，仰表示更新前相應(yīng)的權(quán)值或閾值，λ為阻尼 因子，I為單位矩陣，階數(shù)為D+F，式八和式九中E為誤差矩陣，其由式五中ep組成；
[0043] 步驟4. 2. 4 :不斷循環(huán)上述過程，直到BP網(wǎng)絡(luò)模型誤差平方和小于網(wǎng)絡(luò)設(shè)定目標 或循環(huán)次數(shù)達到最大設(shè)定次數(shù)。
[0044] 作為優(yōu)選，步驟5中所述的輸出電流反歸一化，其具體方法是，
[0045] c = (yp+l) (Cmax-Cmin)/2+cmin (式十）；
[0046] 其中Cmax和c _分別為歸一化前輸出電流的最大值和最小值，y 5是GEFT模型預(yù)測 電流的值，c是反歸一化后的模型輸出電流值。
[0047] 作為優(yōu)選，步驟6中所述的GFET模型的Verilog-A實現(xiàn)，其具體方法是：首先在數(shù) 據(jù)輸入前用步驟2中所述的歸一化方法對數(shù)據(jù)進行處理；然后根據(jù)步驟3中BP網(wǎng)絡(luò)的拓撲 結(jié)構(gòu)和步驟4中BP網(wǎng)絡(luò)前向傳播的公式，公式包括式二、式三、式四，將各層之間連接的權(quán) 值、各層的閾值和傳遞函數(shù)以Verilog-A的形式進行表達；最后用步驟5中所述的反歸一化 的方法對輸出數(shù)據(jù)進行反歸一化處理，以得到輸出溝道電流；歸一化和反歸一化的處理函 數(shù)也用Verilog-A的形式進行表達，最終得到用于電路設(shè)計仿真的GFET模型。
[0048] 相對于現(xiàn)有技術(shù)，本發(fā)明的有益效果是提出了一種新的GFET建模方法，通過使用 有限數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的方式，構(gòu)建起一個不依賴于解析理論公式、計算快捷、精確表 達的GFET電路級模型。
【附圖說明】
[0049] 圖1 :是本發(fā)明實施例的BP網(wǎng)絡(luò)模型的拓撲結(jié)構(gòu)示意；
[0050] 圖2 :是本發(fā)明實施例的GFET神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的流程圖；
[0051] 圖3 :是本發(fā)明實施例的GFET建模實例的輸出特性曲線。
【具體實施方式】
[0052] 為了便于本領(lǐng)域普通技術(shù)人員理解和實施本發(fā)明，下面結(jié)合附圖及實施例對本發(fā) 明作進一步的詳細描述，應(yīng)當理解，此處所描述的實施示例僅用于說明和解釋本發(fā)明，并不 用于限定本發(fā)明。
[0053] 本發(fā)明提供的一種基于BP神經(jīng)網(wǎng)絡(luò)的GFET建模方法，包括以下步驟：
[0054] 步驟1.數(shù)據(jù)采集：采集一定量的GFET輸入輸出數(shù)據(jù)用于BP網(wǎng)絡(luò)模型訓(xùn)練和測 試。經(jīng)訓(xùn)練測試后得到的網(wǎng)絡(luò)模型即可用于對GFET在其他輸入?yún)?shù)下性能的預(yù)測。輸入 數(shù)據(jù)包括柵源電壓Vgs、漏源電壓Vds、溝道寬度W、溝道長度L，輸出數(shù)據(jù)為溝道電流I d;采集 到數(shù)據(jù)后按一定比例將所有數(shù)據(jù)隨機分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)；
[0055] 步驟2.數(shù)據(jù)預(yù)處理：將步驟1所得數(shù)據(jù)統(tǒng)一進行歸一化處理；數(shù)據(jù)歸一化的具體 方法是，
[0056] m = 2* (a-amin) / (amax-amin) -1 (式一）；
[0057] 其中amax和a min分別為歸一化前數(shù)據(jù)a的最大值和最小值，m是歸一化后的值。
[0058] 步驟3.確定所用BP網(wǎng)絡(luò)GFET模型結(jié)構(gòu)，包括隱含層數(shù)目和每個隱含層的神經(jīng)元 個數(shù)，本例中輸入層神經(jīng)元為4個，輸出層神經(jīng)元為1個；
[0059] 確定BP網(wǎng)絡(luò)GFET模型隱含層結(jié)構(gòu)，其主要依靠試湊法，具體實現(xiàn)包括以下子步 驟：
[0060] 步驟3. 1 :含有一個隱含層的BP網(wǎng)絡(luò)可以逼近任何連續(xù)函數(shù)，但對實際建模問題， 選擇雙隱含層結(jié)構(gòu)有時可以達到減少總神經(jīng)元數(shù)目、加快訓(xùn)練、提高精度的目的；本實施例 選用雙隱含層結(jié)構(gòu)，如圖1所示；
[0061] 步驟3. 2 :確定隱含層數(shù)目后，設(shè)定兩項判斷BP網(wǎng)絡(luò)GFET模型輸出優(yōu)良與否的評 判標準，再選定神經(jīng)元個數(shù)為一定范圍，對其進行循環(huán)掃描，選擇效果最好的網(wǎng)絡(luò)結(jié)構(gòu)；本 實施例選定第一隱含層神經(jīng)元數(shù)為15,第二隱含層神經(jīng)元數(shù)為12,其中兩項判斷BP網(wǎng)絡(luò) GFET模型輸出優(yōu)良與否的評判標準分別是：
[0062] 評判標準1 :測試樣本目標電流與GFET模型對測試樣本預(yù)測電流之間的誤差絕對 值和errorsum。本例中優(yōu)良標準為其值小于0. 01。
[0063]