本发明涉及半导体器件的仿真，尤其涉及一种基于单粒子瞬态电流神经网络模型的瞬态电流预测方法。
背景技术：
1、随着技术的发展，如今微电子元器件在航空航天领域中的应用日益广泛，器件在空间辐射环境中将面临辐射可靠性的严峻考验，随着集成电路的尺寸不断缩小，追求更好的性能、更高的速度和更低的成本的同时也增加了单粒子效应对芯片的影响。当高能粒子入射器件时，沿其入射路径会产生自由电荷，在被敏感节点收集时，会在该节点产生显著的瞬态电流脉冲，这种现象被称为单粒子瞬态效应。单粒子瞬态效应对集成电路的可靠性和抗辐射设计提出了新的挑战。它产生的瞬态电流可能导致电路逻辑状态发生改变，一旦被存储元件所捕获，从而导致电路或系统发生软错误。随着器件工艺进入纳米尺度，集成电路的密度不断增加，器件尺寸越来越小，导致临界电荷的降低，器件更容易受到高能粒子的影响，给抗辐照可靠性设计带来了挑战。
2、近年来，单粒子瞬态效应的研究趋向于对半导体器件单粒子辐照仿真和单粒子瞬态电流的建模。器件仿真软件是重要的研究工具，它可以观察电荷产生与收集过程中的电势、静电场、载流子浓度等信息。可以得到粒子在各种入射情况下，器件内部载流子和电势的重新分布情况，进而获得器件各端电荷、电流和电压的变化情况。随着人工智能的发展，神经网络模型在数据分析、机器控制、信号处理等众多领域中被广泛应用。得益于其非线性映射、自我学习、自我调节、泛化、容错等功能，通过训练，能够快速建立起相应数据的结果预测模型。
3、在当前背景下，迫切需要研究出快速精确的单粒子瞬态电流脉冲模型。
技术实现思路
1、本发明通过提供一种基于单粒子瞬态电流神经网络模型的瞬态电流预测方法，解决了现有技术中不能精准计算单粒子的瞬态电流的问题，实现了根据单粒子瞬态电流神经网络模型，对单粒子瞬态故障注入提供模型支持从而得到精准的瞬态电流值。
2、本发明提供了一种基于单粒子瞬态电流神经网络模型的瞬态电流预测方法，该方法包括：
3、获取单粒子辐照参数；
4、将所述单粒子辐照参数输入至训练完成的单粒子瞬态电流神经网络模型中的神经网络模型，得到预测电荷收集量；其中，对所述神经网络模型进行训练包括：构建并调整初始半导体器件模型，得到半导体器件模型，并利用多组重离子入射参数对所述半导体器件模型进行辐照仿真，得到标准瞬态电流集；计算所述标准瞬态电流集中每个标准瞬态电流对应的电荷收集量，得到电荷收集量集；构建神经网络模型，并根据所述多组重离子入射参数和所述电荷收集量集对所述神经网络模型进行训练，得到训练完成的神经网络模型；
5、所述单粒子瞬态电流神经网络模型中的双指数电流模型根据所述预测电荷收集量计算得到与所述单粒子辐照参数对应的瞬态电流。
6、在一种可能的实现方式中，所述构建并调整初始半导体器件模型，得到半导体器件模型，包括：
7、利用sde工具建立初始半导体器件模型，并利用sdevice工具对所述初始半导体器件模型进行电学特性仿真，得到初始半导体器件模型对应的转移特性曲线；
8、确定与所述初始半导体器件模型条件相同的标准转移特性曲线，对比所述转移特性曲线与所述标准转移特性曲线，并根据比较结果，对所述初始半导体器件模型中的掺杂浓度进行调整，直至所述转移特性曲线中的曲线与所述标准转移特性曲线中的曲线重合，得到半导体器件模型。
9、在一种可能的实现方式中，所述半导体器件模型进行辐照仿真，得到标准瞬态电流集，包括：
10、确定所述半导体器件模型中半导体器件的类型，当所述半导体器件的类型为nmos器件时，在所述半导体器件模型中使阱接触区连接地，衬底接触区接地，nmos器件结构的漏极接高电平，源极和栅极接地；
11、当所述半导体器件的类型为pmos器件时，在所述半导体器件模型中使阱接触区接高电平，衬底接触区接地，pmos器件结构的漏极接地，源极和栅极接高电平；
12、确定多组重离子入射参数，并分别按照每组重离子入射参数对所述半导体器件模型的敏感区进行入射，得到标准瞬态电流集。
13、在一种可能的实现方式中，所述重离子入射参数，包括：入射距离、入射角度和入射let值；
14、其中，所述入射距离为重离子入射点远离栅极的源区边沿的直线距离；
15、所述入射角度为重离子入射径迹所在的直线与器件平面法线的夹角；
16、所述入射let值为入射粒子入射到器件的瞬间自身的线性能量转移值。
17、在一种可能的实现方式中，所述敏感区为所述半导体器件的漏极区域。
18、在一种可能的实现方式中，所述神经网络模型的学习率设置为0.001。
19、在一种可能的实现方式中，所述计算所述标准瞬态电流集中每个标准瞬态电流对应的电荷收集量，得到电荷收集量集，包括：使用inspect工具编写程序计算标准瞬态电流集中每个标准瞬态电流对时间的积分，进而得到器件敏感区域收集的电荷收集量集。
20、在一种可能的实现方式中，所述神经网络模型，包括：输入层和输出层；
21、所述输入层包括依次连接的三个神经元和sigmoid激活函数；
22、所述输出层包括依次连接的一个神经元和tanh激活函数。
23、在一种可能的实现方式中，所述根据所述多组重离子入射参数和所述电荷收集量集对所述神经网络模型进行训练，得到训练完成的神经网络模型，包括：
24、利用正向传递的方法和反向传递方法逐层调整训练中的所述神经网络模型的每层的权重值和偏置值，直至神经网络模型的误差小于预设阈值，得到训练完成的神经网络模型。
25、在一种可能的实现方式中，所述瞬态电流是通过所述双指数电流模型中的瞬态电流计算公式得到的，所述瞬态电流计算公式表示为：
26、
27、其中，α表示第一常数；β表示第二常数；qc表示电荷收集量；i(t)表示瞬态电流；e表示电荷；t表示时间。
28、本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：
29、本发明通过采用了一种基于单粒子瞬态电流神经网络模型的瞬态电流预测方法，该模型通过半导体器件仿真软件进行半导体器件结构建模与校准，并在辐照仿真中分别变换入射距离、入射角度和入射let值进行仿真。仿真结果用来训练建立好的神经网络模型，并将神经网络模型与双指数电流脉冲模型相结合，双指数电流脉冲模型中的电荷收集量由神经网络提供，最终建立半导体器件单粒子瞬态电流神经网络模型。通过这种模型，可以对半导体器件在单粒子辐照情况下的瞬态电流脉冲进行预测和分析，为单粒子瞬态故障注入提供模型支持从而为半导体器件的抗辐照评估工作提供重要依据和一定指导。
1.一种基于单粒子瞬态电流神经网络模型的瞬态电流预测方法，其特征在于，包括：
2.根据权利要求1所述的基于单粒子瞬态电流神经网络模型的瞬态电流预测方法，其特征在于，所述构建并调整初始半导体器件模型，得到半导体器件模型，包括：
3.根据权利要求1所述的基于单粒子瞬态电流神经网络模型的瞬态电流预测方法，其特征在于，所述并利用多组重离子入射参数对所述半导体器件模型进行辐照仿真，得到标准瞬态电流集，包括：
4.根据权利要求3所述的基于单粒子瞬态电流神经网络模型的瞬态电流预测方法，其特征在于，所述重离子入射参数，包括：入射距离、入射角度和入射let值；
5.根据权利要求3所述的基于单粒子瞬态电流神经网络模型的瞬态电流预测方法，其特征在于，所述敏感区为所述半导体器件的漏极区域。
6.根据权利要求3所述的基于单粒子瞬态电流神经网络模型的瞬态电流预测方法，其特征在于，所述神经网络模型的学习率设置为0.001。
7.根据权利要求1所述的基于单粒子瞬态电流神经网络模型的瞬态电流预测方法，其特征在于，所述计算所述标准瞬态电流集中每个标准瞬态电流对应的电荷收集量，得到电荷收集量集，包括：使用inspect工具编写程序计算标准瞬态电流集中每个标准瞬态电流对时间的积分，进而得到器件敏感区域收集的电荷收集量集。
8.根据权利要求1所述的基于单粒子瞬态电流神经网络模型的瞬态电流预测方法，其特征在于，所述神经网络模型，包括：输入层和输出层；
9.根据权利要求1所述的基于单粒子瞬态电流神经网络模型的瞬态电流预测方法，其特征在于，所述根据所述多组重离子入射参数和所述电荷收集量集对所述神经网络模型进行训练，得到训练完成的神经网络模型，包括：
10.根据权利要求1所述的基于单粒子瞬态电流神经网络模型的瞬态电流预测方法，其特征在于，所述瞬态电流是通过所述双指数电流模型中的瞬态电流计算公式得到的，所述瞬态电流计算公式表示为：
