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

機械学習によるパラメータ抽出とモデル・リセンタリングの自動化

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数の選択から始まります。次に、それらのターゲット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します。フィッティング対象には、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、およびジオメトリスケーリングを含めることができます。その後、機械学習オプティマイザにより、個別のフィッティング処理を順次実行するのではなく、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がまとめて評価されます。

モデル・リセンタリングでは、ターゲットデータをModel Generatorにロードし、必要なデバイスジオメトリののスケーリングプロットを作成します。エンジニアは、所望のリセンタリングプロット、パラメータ、パラメータ範囲、誤差関数、サンプラー、イテレーション制限、ランダムシードを選択してから最適化を実行します。得られたシミュレーション曲線と測定データを比較することにより、選択したターゲット全体で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できます。

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

デバイスモデルのリセンタリングには、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、および選択したデータ全体でフィッティング誤差を最小限に抑える最適化プロセスが必要です。IC-CAP MLオプティマイザは、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し、抽出処理を多数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ロード、スケーリングプロットの生成、リセンタリングターゲットの選択、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、相対二乗平均平方根誤差（RMSE）、最大イテレーション数、ランダムシードを設定できます。同様のアプローチを、リセンタリングや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組み込むことも可能です。
ウェブ見積

機械学習による自動再センタリング

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見る

リソースのご紹介

自動デバイスモデルパラメータ抽出およびリセンタリングに関する追加リソース

関連するユースケース

超伝導動的インダクタンスのモデル化方法

温度依存性を持つ超伝導回路におけるモデル動的インダクタンスおよび共振周波数の温度によるずれ。

詳細はこちら

組み込み型PQC実装のセキュリティ確保方法

組み込み型PQCの実装について、サイドチャネルやフォールトインジェクションのリスクを評価し、適切なセキュリティ対策を講じる。

詳細はこちら

レイアウトから量子パラメータを抽出する方法

周波数領域解析および固有モード解析を用いて、EMシミュレーションから超伝導量子ビットのパラメータを抽出する。

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