デバイスモデルのパラメータ抽出と再中心化を自動化する方法

ウェブ見積
電子設計自動化
+ 電子設計自動化
電子設計自動化
+ 電子設計自動化

機械学習のパラメータ抽出とモデルの再センタリングを自動化する

コンパクトモデルのパラメータ抽出は、フィッティング対象となる測定プロットや性能指標を選択し、それらの目標値に関連するモデルパラメータを特定し、適切なパラメータ範囲を定義することから始まります。 連続電流-電圧（IV）、パルスIV、静電容量-電圧（CV）、Sパラメータ、温度スケーリング、および形状スケーリングをフィッティング対象として含めることができます。その後、機械学習オプティマイザは、一連の個別のフィッティング操作を必要とすることなく、グローバル最適化を通じて、選択されたプロットとパラメータをまとめて評価します。

モデルの再中心化を行うには、ターゲットデータをModel Generatorに読み込み、必要なデバイスの形状に合わせたスケーリングプロットを作成します。エンジニアは、最適化を実行する前に、目的の再中心化プロット、パラメータ、パラメータ範囲、誤差関数、サンプラー、反復回数の上限、および乱数シードを選択します。その結果として得られるシミュレーション曲線を測定データと比較することで、選択したターゲット全体にわたってパラメータセットを最適化し、再現性のある抽出ワークフローの一部として再利用することが可能になります。

デバイスモデルのパラメータの自動抽出および再中心化ソリューション

デバイスのモデル再中心化には、測定ターゲット、対応するモデルパラメータ、定義されたパラメータ範囲、および選択されたデータ全体にわたるフィッティング誤差を最小化する最適化プロセスが必要です。IC-CAP ML Optimizer は、複数のフィッティングプロットとパラメータをグローバル最適化に統合することで、抽出作業を一連の小さな最適化ステップに分割する必要性を軽減します。Model Generator は、ターゲットデータの読み込み、スケーリングプロットの生成、再中心化ターゲットの選択、およびフィッティングプロセスの管理をサポートします。 エンジニアは、サンプラー、相対二乗平均誤差（RMSE）、最大反復回数、およびランダムシードを設定できます。この同じアプローチは、再中心化や、BSIM4モデリングなどのより複雑なコンパクトモデル抽出のためのカスタマイズされた抽出フローにも組み込むことができます。
ウェブ見積

機械学習による自動再センタリング

当社の自動デバイスモデルパラメータ抽出および再センタリングソリューションの製品をご覧ください

リソースのご紹介

デバイスモデルのパラメータの自動抽出および再中心化に関する追加リソース

関連するユースケース

超伝導量子ビット回路の設計方法

超伝導キュービット回路を設計し、全波電磁界シミュレーションを用いて共振モードを解析し、製造用のGDSレイアウトをエクスポートします。

詳細はこちら

フラックス量子化型ジョセフソン接合回路のモデル化とシミュレーション方法

ADSにおいて、磁束を考慮したコンポーネントおよび直流、Sパラメータ、過渡、高調波平衡シミュレーションを用いて、磁束量子化型ジョセフソン接合回路をモデル化する。

詳細はこちら

シリコンフォトニクス・ファウンドリプロセス向けにPIN光検出器モデルを最適化する方法

シリコンフォトニクスファウンドリプロセスにおいて、PINフォトディテクタのモデルを測定データに合わせて調整し、複数のバイアス条件にわたるその応答特性を検証する。

詳細はこちら

お問い合わせ ロゴ

当社のエキスパートにお問い合わせください。

所望のソリューションを見つけるのにお困りですか？

お問い合わせ