隨著半導體行業的新材料、新工藝、新器件的不斷發展，人工神經網絡作為一種替代方法已經被引入器件建模領域。本文介紹了ANN神經網絡建模的起源、優勢、實現方式和應用場景。

隨著半導體行業的新材料、新工藝、新器件的不斷發展，現有的模型已經不能夠完全精確地表征新器件的特性。從底層物理調整或者開發一個新的器件模型需要反復實驗摸索，需要很長時間，況且對一些新材料、新器件的特性效應也沒有完善準確的特性方程描述，出現了理論落后于工業的局面。為了克服新的器件模型和理論不完善的問題，人工神經網絡作為一種替代方法已經被引入器件建模領域。

ANN模型及其優勢

自1995年加拿大卡爾頓大學的Qi-Jun Zhang教授提出將神經網絡用于微波領域以來，神經網絡 (Artificial Neural Network, ANN)被越來越多的建模工作者認可，并不斷被研究發展。值得一提的是Keysight 在這方面的研究成果：在2017年時，ADS發布了DaynaFET模型（它是基于ANN的方式實現的）；緊接著2018年，IC-CAP支持DaynaFET模型參數抽取；到2022年IC-CAP發布了較成熟的通用的ANN建模解決方案——ANN Model Generator。

下面介紹神經網絡的基本結構以便于更好地理解神經網絡。一個典型的神經網絡結構如圖1中所示，它有兩種類型的基本元件，即處理元件以及它們之間的互聯。處理元件叫做神經元，將神經元之間的連接叫鏈接或突觸。每一個鏈接有與其相對應的權重參數。每個神經元接收來自和它相連的其他神經元的刺激，處理信息，并產生相應的響應。神經元根據接受刺激和輸出刺激等不同分為輸入神經元、輸出神經元和隱含層神經元。這個處理過程通過一個激活函數來完成，處理后的信息成為該神經元的輸出。最常用的神經元激活函數是sigmoid，還有其他類型的，例如反正切函數、雙曲正切函數等。所有的這些函數是平滑的開關函數，它們是有界的、連續的、單調的和連續可微的。

ANN聽著神秘，其實還是一段程序，別被這個高深的術語給唬住了。又說神經網絡自帶學習能力，其學習的過程簡單來說也就是一個優化的過程。優化即修正，修正什么呢？修正的是中間層程序的一些可調（權重）系數。

圖1：ANN模型及其優勢

如何實現ANN模型

IC-CAP中的人工神經網絡(ANN)解決方案提供了創建非線性模型構建模塊(例如，受控電流源和受控電荷源)的能力，可以輕松配置以從數據中產生準確的器件模型。并且可以直接生成Verilog-A模型，可以很容易地將其導入集成電路設計環境。此外，它同時也將創建一個ANN Equation文件。

與其他ANN解決方案(如TensorFlow, Scikit-Learn或Matlab ANN Toolbox)相比，Keysight ANN實現具有獨特的功能。Keysight解決方案提供了高級的擬合能力，可以從(x,y)和(x, dy/dx)類型的數據集訓練ANN，其中x是輸入，y是輸出，dy/dx是輸出的(偏)導數。

圖2：IC-CAP 中使用ANN對Diode建模示例

圖2所示是在IC-CAP中使用ANN進行Diode建模的示例，展示了使用ANN的方法能夠完美地擬合Diode的IV特性曲線，并且能夠進行一定的擴展預測。

人工神經網絡模型最重要的步驟是人工神經網絡訓練 ，通過訓練可以不斷更新權重 ，以便達到最佳 的訓練和測試誤差。圖3所示是建立一個ANN模型所需要經歷的步驟：訓練，評估，輸出。訓練ANN模型需要大量的訓練數據，數據越多，精度越高，但也會消耗更多的時間。所以通常會在精度與速度之間做平衡。

圖3:IC-CAP中使用ANN建模的流程

ANN模型的應用場景

ANN在IC-CAP中只是作為一種工具包引入，我們可以基于此工具包做一些擴展應用。或許在我們器件建模及電路設計中達到事半功倍的效果。這里簡單列一些應用場景和方向。

1、新工藝或新應用的器件模型建立

在量子計算機和量子傳感器中，通常需要低溫電接口，而低溫電接口可以使用工作在低溫下的CMOS集成電路(cryo-CMOS)方便地實現。設計復雜的電路需要可靠的仿真模型，但CMOS晶體管在低溫下的電特性與室溫下的行為有很大的差異，而且目前還沒有一個標準的基于物理的超低溫CMOS器件模型。這種情況下，可以使用人工神經網絡(ANN)，直接從實驗數據自動生成cryo-CMOS器件模型。Artificial Neural Network Modelling for Cryo-CMOS Devices 這篇文獻提到了這方面的應用。

圖4：cryo-CMOS從ANN建模到ADS仿真

2、功率器件建模

在功率器件中，其結構因為不同場景的需要會針對性地做一些調整。而這就使得器件模型并沒有一個標準化的模型，需要根據實際的器件特性來修改模型公式。這一過程需要工程師具備很強的半導體器件物理相關的知識，并且需要大量的時間反復的驗證迭代才能完成。假如使用ANN來建立功率器件的模型，只需要收集足夠的表征器件特性的數據，就可以在不具備工藝信息，半導體器件相關知識的條件下，快速生成一個可以用于電路設計仿真的器件模型。

3、Hybrid方法應用

在做Compact模型或等效電路模型時，受模型的局限性，有時候很難fitting好某些區域的精度。但根據經驗知道它和某些輸入是有一定的關系，而這種關系卻很難找到，這時候就可以借助IC-CAP ANN工具包來幫助找到這樣的關系式，并用這個公式來取代原來的常量參數。例如，這里Kp在原來的等效電路模型中是一個常量，根據經驗它實際上和vgs有某種非線性的關系，通過ANN來找到了這種關系，并用這組關系來替代原來Kp這個常量參數。這樣可以提高原來模型的精度。

圖5：Hybrid建模方法

參考文獻

1. Artificial Neural Network Modelling for Cryo-CMOS Devices

2. 基于人工神經網絡的有源器件建模概述

3. IC-CAP ANN Modeling manual