CN113348460B 参数探索方法 （株式会社半导体能源研究所）

2021.07.26PCT/IB2020/0508542020.02.04WO2020/165688JA2020.08.20JP2005038216A,2005.02.10US2013006595A1,2013.01.03学习模型参数及第一输出结果而对模型参数进行分类。电路模拟器被供应第二网表及模型参条件时更新神经网络的权重系数而在满足条件2所述参数抽出部抽出所述半导体元件的模型参所述电路模拟器利用第一网表及所述模型参数进行模拟而输出第一输出结所述分类模型学习所述第一输出结果，对所述模型参数进行分类所述控制部对所述电路模拟器供应第二网表及第二模型参所述控制部对所述神经网络供应包括在所述第二模型参数中的第一模型参数变数的所述神经网络从所述第一模型参数变数算出第一动作值函数所述控制部利用所述第一动作值函数Q将所述第一模型参数变数更新为第二模型参数所述电路模拟器利用所述第二网表及所述第三模型参数进行模拟而输出第二输出结在将所述第二输出结果判定为不满足所述第二网表的要求其中，在将所述第二输出结果判定为不满足所述第二网表的要对所述参数抽出部供应半导体元件的测量数据及包括工艺参数的数据所述电路模拟器利用所述模型参数及所述第一网表输出第一输出结所述分类模型通过学习所述模型参数及所述第一输出结果，对所所述控制部对所述电路模拟器供应第二网表及第二模型参所述控制部对所述神经网络供应包括在所述第二模型参数中的第一模型参数变数的所述神经网络从所述第一模型参数变数算出第一动作值函数所述控制部利用所述第一动作值函数Q将所述第一模型参数变数更新为第二模型参数所述电路模拟器利用所述第二网表及所述第三模型参数进行模拟而输出第二输出结所述控制部利用供应到所述第二网表的收敛条件判定所述第二输出结在判定将所述第二输出结果判定为不满足所述第二网表的要求特性3所述神经网络利用所述奖励以及用所述第一动作值函数Q及所述第二动作值函数Q算其中，在将所述第二输出结果判定为满足所述第二网表的要求其中所述第一网表包括反相器电路、源极跟随电路和源极接地电路中的任一个或多其中所述神经网络的输出层的单元数量为所述模型参数变数的其中利用所述第一网表抽出的所述第一输出结果包括泄漏电其中用于所述第一网表的半导体元件为晶体管，所述晶4机探索被电子化的网表(netlist)的参数的方法。本发明的一个方式涉及一种参数分类方性的最佳候选的模型参数，使用者每次更新模型参数都要进行利用电路模拟器的电路模5中可以从半导体元件的数据组抽出模型参数使分类模型学习模型参数的集合而根据分类其中通过利用上述参数分类方法选择适合于对象网表的要求特探索以便供应到电路模拟器的网表的变数成为满足网表的要求特性的制部的参数探索方法。该参数探索方法包括对参数抽出部供应半导体元件的数据组的步6[0026]本发明的一个方式可以提供一种利用计算机探索被电子化的网表的参数的方出模型参数使分类模型学习模型参数的集合而根据分类模型对模型参数进行分类。另外，其中利用强化学习进行探索以便供应到电路模拟器的网表的变数成为满足网表的要求特7人员可以很容易地理解一个事实就是其方式及详细内容在不脱离本发明的宗旨及其范围(ReinforcementLearning)探索参数的最佳候选。作为机械学习或强化学习的一部分处用人工神经网络(ArtificialNeuralNetwork(ANN)，以下简称为神经网络)生成输出数8[0057]作为上述分类模型，可以使用以分类为特征的决策树、朴素贝叶斯、KNearestclusteringofapplicationswithnoise(BSCAN)9相当以以使该损失函数L的值变小的方式使用随机梯度下降法(StochasticGradientDescent定器所包括的存储器或存储空间中也可以储存有[0078]电路模拟器12使用评价用网表和该模型参数进行模拟而将模拟结果作为第一输[0079]电路模拟器12从控制部14被供应网表以及分类为适合于网表的要求特性的模型探索最佳候选的半导体元件的模型参数。神经网络15将所供应的模型参数变数作为时刻t[0084]图2是说明半导体元件的数据组的图。该数据组包括半导体元件的测量数据DS1、[0086]测量数据DS2对晶体管的源极及栅极供应不同固定电压而扫描供应到晶体管的漏[0089]图3至图6是说明参数探索方法的流程图。参数探索方法包括第一处理及第二处[0090]图3是说明由参数抽出部11进行的模型参数的抽出和由分类模型13进行的模型参[0091]步骤S30是控制部14进行参数抽出部11的初始化的步骤。参数抽出部11被供应要[0092]步骤S31是参数抽出部被加载包括半导体元件的测量数据及工艺参数等的数据组[0094]步骤S33包括控制部14对电路模拟器12供应评价用网表且对电路模拟器从参数抽镜电路或放大器电路等具有组合反相器电路、源极跟随电路或源极接地电路的电路结构，可以得到具有其特征与要进行模型参数的验证的网表的要求特征近似的第一[0098]步骤S34是通过将模型参数及第一输出结果供应到分类模型13而分类模型进行学[0099]步骤S35是控制部14判定分类模型13是否结束数据组的学习的步骤。在控制部14判定分类模型13结束所有数据组的学习时进入步骤S41而在判定有还没学习的数据组时回[0101]步骤S41是使神经网络15初始化的步骤。神经网络15可以通过对神经网络15的权[0103]步骤S43是控制部14将模型参数以及模型参数中要探索最佳候选的模型参数变数t＝a1至a4)的四个输出表示。t)的最大值设定为动作值函数Qmax1，与动作值函数Qmax1相关联的[0114]步骤S52是根据对应于动作值函数Qmax1的行动将变数st更新为变数st+1的步骤。[0116]步骤S54是电路模拟器12利用网表及模型参数变数pt被更新的模型参数进行模拟[0117]步骤S55是控制部14判定第二输出结果是否满足被供应到网表的收敛条件的步[0118]在步骤S56，在控制部14判定第二输出结果满足被供应到网表的收敛条件时结束结果判定为不满足第二网表的要求特性时控制部在第二输出结果接近收敛条件时设定较[0120]步骤S58是从供应到神经网络15的变数st+1算出动作值函数Qmax2的步骤。动作值[0121]步骤S59是使神经网络15的权重系数初始化的步骤。该权重系数根据利用动作值[0122]步骤S5A是利用从供应到神经网络15的变数st+1算出动作值函数Qmax1的步骤。接导体元件的模型参数中选择多个模型参数变数而探索适合于网表的要求特性的模型参数[0134]图7B是说明与图7A不同的反相器电路的电路图。在图7B中SD1的信号切换晶体管61A的开启状态和关闭状态。供应到布线SD2的信号切换晶体管62的[0140]供应到布线SD1的信号可以切换晶体管61的开启状态(强反转区域)和关闭状态输出电位成为从供应到布线SD1的信号的电位降低相当于晶体管61的阈[0141]源极跟随电路通过利用电路模拟器进行DC分析可以估计源极跟随电路的偏置电[0145]供应到布线SD1的信号可以切换晶体管61的开启状态和关闭状态。源极接地电路[0146]源极接地电路通过利用电路模拟器进行DC分析可以估计源极接地电路的偏置电[0148]从图7A至图7D所示的评价用网表得到的分析结果相当于tt新神经网络的权重系数。权重系数的更新直到输出数据与监督数据间的误差E成为恒定为(st+1t+1)[0153]在步骤S71，对输入层21的单元21a供应变数x1且对单元21b供应变数x2而在隐藏所分类的模型参数可以高效地对适合于网表的要求特性的模型参供容易选择适合于对象网表的要求特性的模型参数的供应到电路模拟器的网表的变数成为满足网表的要求特性UtmostIV抽出20个模型参数而[0182]在第一行中，宣告使用电路模拟器ngspice。另外，也可以使用电路模拟器[0185]在第四行中，供应对电路模拟器ngspice供应的能够进行行动的范围的上限值及[0186]在第五行中，设定记载有供应到电路模拟器ngspice的模型参数的文件(例如，[0187]在第六行及第七行中，设定对于电路模拟器ngspice所输出的第二输出结果的收[0189]在第七行中，使用瞬态分析设定信号的延迟时间(要求特性tpd)的收敛条件的目沟道宽度w1为20μm。在纵轴中，变数param_fname为0意味着阈值电压VTO为0.00V，变数110、从网表生成的电路结构120、参数探索结果的实时表示130及电路模拟器的模拟结果[0194]在图14A中，通过使用者对GUI供应网表或使用者设定用文件且点击开始按钮为参数探索结果的实时表示130显示通过参数探索方法探索的PMOS的沟道宽度、NMOS的沟[0196]作为电路模拟器的模拟结果140显示利用参数探索结果进行电路模拟的结果。在