面向深度学习的BSIM-CMG紧凑模型自定义范围参数提取的浮动归一化方案
机器学习
2025-01-28 v1 信号处理
摘要
本文提出一种基于深度学习（DL）的方法，用于从实验的栅极电容随栅压（Cgg-Vg）和漏电流随栅压（Id-Vg）测量中自动提取BSIM-CMG紧凑模型参数。该方法引入了级联前向和逆向ANN架构中的浮动归一化方案，使其能够实现用户定义的参数提取范围。与常规DL提取技术受限于固定归一化范围不同，浮动归一化方法会动态适应用户指定的范围，允许对提取参数进行精细控制。使用经TCAD校准的14 nm FinFET工艺进行实验验证，证明该方法在Cgg-Vg和Id-Vg参数提取方面具有高精度。该框架提供了增强的灵活性，适用于BSIM-CMG之外的各种紧凑模型。
引用
@article{arxiv.2501.15190,
title = {A Floating Normalization Scheme for Deep Learning-Based Custom-Range Parameter Extraction in BSIM-CMG Compact Models},
author = {Aasim Ashai and Aakash Jadhav and Biplab Sarkar},
journal= {arXiv preprint arXiv:2501.15190},
year = {2025}
}