一种HEMT的温度相关的I‑V特性及其高阶跨导的模型

摘要

本发明公开了一种HEMT的温度相关的I‑V特性及其高阶跨导的模型，建模包括(1)测试HEMT的漏源电流Ids；对步骤(1)漏源电流Ids测试数据进行处理，从而得到测试的漏源电流Ids的一阶跨导gm，二阶跨导gm2和三阶跨导gm3；(3)基于人工神经网络建立漏源电流Ids的仿真模型；计算步骤(3)建立的漏源电流Ids的仿真模型的跨导，从而得到漏源电流Ids的仿真模型的gm，gm2和gm3；计算步骤(3)建立的仿真模型的精度，若仿真模型的精度不满足实际需求，则返回步骤(3)；反之，所得仿真模型即为所求。本发明可针对于不同工艺HEMT建立温度相关的I‑V特性及其高阶跨导模型，适用面广，移植性强。

说明书

技术领域

本发明涉及半导体器件建模领域，尤其涉及一种温度相关的电流-电压(I-V)及其高阶跨导的高电子迁移率晶体管(HEMT)的模型。

背景技术

在进行射频、微波及毫米波非线性电路设计时，设计者往往需要借助计算机辅助设计(CAD)来实现高效电路设计和仿真。晶体管作为电路中最重要、特性最复杂的器件之一，其模型的优劣对于最终电路设计的成败起着至关重要的作用^[1]-[3]。

作为一种非线性有源器件，III-V族HEMT广泛应用于微波电路中。随着微波器件和电路的发展，对HEMT模型的要求也进一步提高，例如需要更好地预测电路的三阶交调失真、输出谐波功率、增益压缩等非线性特性，这就要求HEMT的模型不仅能够提供精确的I-V的拟合，同时也要能够精确地预测其高阶跨导(至少到三阶)^[4]-[8]。另外，为了实现高质量的电路设计，需要考虑HEMT模型的温度相关性，因为不同温度下HEMT的非线性特性并不相同^[9]-[11]。

目前，HEMT的I-V及其高阶跨导的模型主要有三种。第一种是首先建立I-V模型，然后通过求导的方式得到其导数，此种方法的限制在于从数学的角度来看，原函数求导之后其导数是固定的，无法调节，因此第一种模型的精度还有待提高。第二种是首先寻求合适的函数去拟合高阶导数，然后通过多次积分的方式得到I-V特性，由于积分时可以调节函数的参数，因此此种方法精度较高，但是能够精确拟合I-V高阶跨导且多次可积的函数不易找到。第三种方法是基于人工神经网络或者空间映射等技术实现I-V及其高阶跨导的拟合。然而，现有上述三种模型都未考虑温度对I-V高阶跨导的影响，因此针对现有模型的不足，有必要提出一种精确的HEMT的温度相关的I-V及其高阶跨导模型。

[参考文献]

[1]Brazil TJ.Simulating circuits and devices.IEEE Microw Mag 2003；4(1):42–50.

[2]Cheng Y,Jamal Deen M,Chen CH.MOSFET modeling for RF IC design.IEEETrans Electron Devices 2005；52(7):1286–1303.

[3]Root DE.Future device modeling trends.IEEE Microw Mag 2012；13(7):45–59.

[4]Peng S,McCleer PJ,Haddad GI.Nonlinear models for theintermodulation analysis of FET mixers.IEEE Trans Microw Theor Tech 1995；43(5):1037–1045.

[5]Garcia JA,Sanchez AM,Pedro JC,De Carvalho NB,Puente AT,GarciaJL.Characterizing the gate-to-source nonlinear capacitor role on GaAs FET IMDperformance.IEEE Trans Microw Theor Tech 1998；46(12):2244–2255.

[6]Fager C,Pedro JC,De Carvalho NB,Zirath H.Prediction of IMD inLDMOS transistor amplifiers using a new large-signal model.IEEE Trans MicrowTheor Tech 2002；50(12):2834–2842.

[7]Liu LS,Ma JG,Ng GI.Electrothermal large-signal model of III–V FETsincluding frequency dispersion and charge conservation.IEEE Trans MicrowTheor Tech 2009；57(12):3106–3117.

[8]Jardel O,Callet G,Charbonniaud C,Jacquet JC,Sarazin N,Morvan E,etal.A new nonlinear HEMT model for AlGaN/GaN switch applications.EuropeanMicrowave Conference,Rome,Italy,September 2009；73–76.

[9]Jarndal A,Kompa G.Large-signal model for AlGaN/GaN HEMTsaccurately predicts trapping-and self-heating-induced dispersion andintermodulation distortion.IEEE Trans Electron Devices 2007；54(11):2830–2836.

[10]Deng J,Wang W,Halder S,Curtice WR,Hwang JCM,Adivarahan V,etal.Temperature-dependent RF large-signal model of GaN-based MOSHFETs.IEEETrans Microw Theor Tech 2008；56(12):2709–2716.

[11]Z,Crupi G,Caddemi A,Avolio G,A.Raffo,V,etal.Neural approach for temperature-dependent modeling of GaN HEMTs.Int JNumer Model 2015；28(4):359–370.

发明内容

为了弥补现有HEMT的I-V特性及其高阶跨导模型对于温度影响考虑不足的问题，本发明的目的在于提供一种HEMT的温度相关的I-V特性及其高阶跨导的模型，此模型可以实现大温度范围内不同偏置下输出漏极电流及其一阶、二阶、三阶跨导高精度的拟合。

为了解决上述技术问题，本发明提出的一种HEMT的温度相关的I-V特性及其高阶跨导的模型，采用以下步骤进行建模：

步骤一、测试HEMT的漏源电流Ids；

步骤二、对步骤一得到的漏源电流Ids测试数据进行处理，从而得到测试的漏源电流Ids的一阶跨导gm，二阶跨导gm2和三阶跨导gm3；

步骤三、基于人工神经网络建立漏源电流Ids的仿真模型；

步骤四、计算步骤三建立的漏源电流Ids的仿真模型的跨导，从而得到漏源电流Ids的仿真模型的一阶跨导gm，二阶跨导gm2和三阶跨导gm3；

步骤五、计算步骤三建立的仿真模型的精度，若仿真模型的精度不满足实际需求，则返回步骤三；反之，流程结束，所得仿真模型即为所求。

进一步讲，步骤一中，所述漏源电流Ids的测试是在不同温度下进行测试；所述漏源电流Ids对应的输入为不同的漏源电压和栅源电压。

步骤二中，对所述漏源电流Ids测试数据进行处理至少包括：步骤2-1)检查不同温度不同电压偏置时的漏源电流Ids测试数据是否有明显偏离的点，若某点对应的漏源电流Ids测试数据的数值高于或者低于相邻偏置点对应的数值的20％的点，即存在明显偏离的点，则剔除I-V测试曲线中所有明显偏离的点的数据；

步骤2-2)对步骤2-1)处理后的数据进行平滑，得到测试的漏源电流Ids；步骤2-3)经过将步骤2-2)得到的测试的漏源电流Ids进行三次连续的对于Vgs求导。

步骤三中，所述人工神经网络采用多层感知器结构，该多层感知器结构的人工神经网络的层数为三至四层，所述人工神经网络中，第一层为输入层，包括三个输入向量，分别为栅源电压Vgs、漏源电压Vds和温度；中间层为隐藏层，所述隐藏层的层数最多为两层，每层隐藏层神经元个数不超过50个；最后一层为输出层，输出数据为不同温度不同偏置下的漏源电流Ids；选择BP算法、拟牛顿算法或共轭梯度法对测试数据进行训练。

步骤四中，经过将步骤三得到的漏源电流Ids的仿真模型进行三次连续的对于Vgs求导

与现有技术相比，本发明的有益效果是：

本发明的有益效果在于：本发明考虑了温度对于HEMT的I-V特性及其高阶跨导的影响，建立了高精度的温度相关的模型。本发明可针对于不同工艺HEMT建立温度相关的I-V特性及其高阶跨导模型，适用面广，移植性强。

附图说明

图1是建立一种HEMT的温度相关的I-V特性及其高阶跨导模型的流程图；

图2是多层感知器结构的人工神经网络的结构示意图；

图3是实施例GaAs pHEMT的温度相关的漏源电压Ids建模仿真结果与测试数据对比图；

图4是实施例GaAs pHEMT的温度相关的一阶跨导gm建模仿真结果与测试数据对比图；

图5是实施例GaAs pHEMT的温度相关的二阶跨导gm2建模仿真结果与测试数据对比图；

图6是实施例GaAs pHEMT的温度相关的三阶跨导gm3建模仿真结果与测试数据对比图。

具体实施方式

下面结合附图和具体实施例对本发明技术方案作进一步详细描述，所描述的具体实施例仅对本发明进行解释说明，并不用以限制本发明。

本发明提出一种HEMT的温度相关的I-V特性及其高阶跨导的模型，其建模流程图如图1所示，包括如下步骤：1.一种HEMT的温度相关的I-V特性及其高阶跨导的模型，其特征在于：采用一下步骤进行建模：

步骤一、测试HEMT的漏源电流Ids，所述漏源电流Ids的测试是在不同温度下进行测试；所述漏源电流Ids对应的输入为不同的漏源电压和栅源电压。

步骤二、对步骤一得到的漏源电流Ids测试数据进行处理，从而得到测试的漏源电流Ids的一阶跨导gm，二阶跨导gm2和三阶跨导gm3；具体步骤如下：

步骤2-1)检查不同温度不同电压偏置时的漏源电流Ids测试数据是否有明显偏离的点，若某点对应的漏源电流Ids测试数据的数值高于或者低于相邻偏置点对应的数值的20％的点，即存在明显偏离的点，则剔除I-V测试曲线中所有明显偏离的点的数据；

步骤2-2)对步骤2-1)处理后的数据进行平滑，得到测试的漏源电流Ids；

步骤2-3)计算步骤2-2)得到的测试的漏源电流Ids对于Vgs的一阶导数，得到测试的漏源电流Ids的一阶跨导gm；

步骤2-4)计算步骤2-3)得到的测试的漏源电流Ids的一阶跨导gm对于Vgs的导数，得到测试的漏源电流Ids的二阶跨导gm2；

步骤2-5)计算步骤2-4)得到的测试的漏源电流Ids的二阶跨导gm2对于Vgs的导数，得到测试的漏源电流Ids的三阶跨导gm3。

步骤三、基于人工神经网络建立漏源电流Ids的仿真模型，所述人工神经网络采用多层感知器结构，该多层感知器结构的人工神经网络的层数依据输入数据复杂程度而定(一般情况下使用单隐藏层即可，在精度要求很高(例如：终止绝对误差要求10^-8或者学习误差要求0.01％)的情况下，可以使用两层隐藏层)，原理图如图2所示，所述人工神经网络中，第一层为输入层，包括三个输入向量，分别为栅源电压Vgs、漏源电压Vds和温度；中间层为隐藏层，隐藏层神经元个数由输入数据数目与所要求的精度来确定(一般情况下每层隐藏层神经元个数不超过50个，否则可以增加隐藏层的层数来保证精度，例如，当训练数据大于3000个，绝对误差要求为10^-8，隐藏层神经元个数为50个时Ids的训练误差难以达到0.01％，此时可以通过将隐藏层改变为两层，每层15个隐藏层神经元来满足误差要求)；最后一层为输出层，输出数据为不同温度不同偏置下的漏源电流Ids；选择合适的算法(例如BP算法、拟牛顿算法、共轭梯度法等)对测试数据进行训练。

步骤四、计算步骤三建立的漏源电流Ids的仿真模型的跨导，从而得到漏源电流Ids的仿真模型的一阶跨导gm，二阶跨导gm2和三阶跨导gm3，其具体步骤与步骤二中的步骤2-2)至步骤2-5)相同，经过将步骤三得到的漏源电流Ids的仿真模型进行三次连续的对于Vgs求导。

步骤五、计算步骤三建立的仿真模型的精度，若仿真模型的精度不满足实际需求，则返回步骤三；反之，流程结束，所得仿真模型即为所求。

结合以下具体实施例和附图，对本发明作进一步的详细说明，本发明的保护内容不局限于以下实施例。在不背离发明构思的精神和范围下，本领域技术人员能够想到的变化和优点都被包括在本发明中，并且以所附的权利要求书为保护范围。

本实施例具体地是，建立0.25μm栅长,2×50μm栅宽的GaAs pHEMT的大温度范围内I-V特性及其一阶跨导(gm)、二阶跨导(gm2)、三阶跨导(gm3)的模型。具体包括以下步骤：

步骤一、测试不同温度不同输入偏压时的输出电流Ids，具体地，本实施例测试数据的温度范围为-25℃～125℃，步长为50℃；栅源电压(Vgs)范围是-1.6V～0.2V，步长为0.1V；漏源电压(Vds)范围是0V～6V，步长为0.1V。

步骤二、对步骤一所测试的数据进行处理。首先剔除每个温度下测试数据Ids中有明显偏离的数据，这些数据可能是由于操作不当引起的。鉴于直接测试的数据并不平滑，在求其导数之前，需要对数据进行平滑处理，得到实测的Ids。为了判断建立模型的准确性，保证良好的非线性预测能力，需要对比实测Ids及其高阶跨导(至少包括gm，gm2和gm3)与模型仿真得到的Ids及其高阶跨导的拟合程度，因此需要求Ids的高阶跨导。具体地，本实施例采用五步差值的方法来求gm，gm2和gm3。

步骤三、建立人工神经网络模型。具体地，本实施例根据实测数据的数目，采用三层感知器结构，第一层输入层的输入数据是栅源电压Vgs、漏源电压Vds和温度T，第二层隐藏层的神经元数目是18个，第三层输出层的输出数据是经过步骤2)平滑后对应的实测Ids。将实测数据分为两部分，一部分用来训练神经网络，另一部分用来测试模型。神经网络的训练算法采用拟牛顿算法。

步骤四、计算模型仿真Ids的高阶跨导。计算跨导的方法与上述步骤二中完全相同，保证了实测与仿真gm，gm2和gm3的可比较性。

步骤五、计算所建立模型的精度。使用测试数据对模型计算公式如下：

$>E_{avg}=\frac{1}{N_b}\Sigma 100\left|\frac{Y_{ijMEAS}-Y_{ijMODEL}}{Y_{ijMEAS}}\right|---\left(1\right)$>

上述公式为现有技术中的公式。其中N_b为测试数据的总数，Y_ijMEAS和Y_ijMODEL分别为实测量和建模仿真的每个温度下的不同栅源电压Vgs、漏源电压Vds对应的Ids，gm，gm2和gm3。若误差较大，则重复步骤三至步骤五，直到误差小于实际需求，完成建模过程。具体地，本实施例最终的人工神经网络的结构为3-18-1。

将本实施例建立的模型得到的结果与实际测试得到的结果相比较作为验证。以漏源电压Vds＝3V时作为参考，图3所示为实施例中提供的GaAs pHEMT的四个温度下(-25℃，25℃，75℃，125℃)I-V建模结果与测试数据对比图，图4所示为实施例中提供的GaAs pHEMT的四个温度下一阶跨导gm建模结果与测试数据对比图，图5所示为实施例中提供的GaAspHEMT的四个温度下二阶跨导gm2建模结果与测试数据对比图，图6所示为实施例中提供的GaAs pHEMT的四个温度下三阶跨导gm3建模结果与测试数据对比图，图3至图6中，带有空心符号的虚线为测试数据，带有实心符号的实线为本实施例模型仿真结果。通过上述测试结果与模型仿真结果的对比图可知，本实施例提供的GaAs pHEMT的温度相关的Ids，gm，gm2，gm3的模型，该模型具有很高的精度。进而证明本发明方法可以提供一种HEMT的温度相关的I-V及其高阶跨导的模型，该模型能够保证在大温度范围内具有很高的精度。