本发明涉及计算机辅助设计和仿真，具体而言，涉及一种用于cmos器件电学特性的预测方法及系统。
背景技术：
1、信息科学、能源、国防等领域的快速发展，对半导体器件提出了至关重要的多样化要求。基于目前成熟的工艺，人工神经网络可以为快速预测器件结构或性质提供一种选择，在保证预测准确性的同时，可降低计算成本，缩短开发周期。
2、目前人们利用全连接神经网络模型来基于工艺参数预测器件的电性参数，如图1所示。但由于成本问题，实际制造时工艺存在侧重，生成的数据集使用常用的全连接神经网络模型来预测时容易发生过拟合的问题，导致模型精度较差；此外，全连接神经网络模型因其网络结构决定其计算时间较长，计算成本较高；卷积神经网络的网络结构决定其可以有效避免过拟合问题，但卷积神经网络往往应用于器件性能和结构的图像数据，不常用于一维数据。
技术实现思路
1、为了解决上述问题，本发明的目的是提供一种用于cmos器件电学特性的预测技术，用于避免工艺参数在卷积时顺序导致的权重差异问题，进而解决过拟合问题，且更精确、更快地基于工艺参数预测cmos器件的电性参数。
2、为了实现上述技术目的，本发明提供了一种用于cmos器件电学特性的预测方法，包括以下步骤：
3、基于cmos器件的产线数据，获取工艺参数和电性参数；
4、基于工艺参数和电性参数的数据维度，获取模型的卷积核大小和卷积层数，并在每层卷积之间设置激活函数，通过设置全连接层，构建预测模型，用于将工艺参数作为模型输入，将电性参数作为模型输出，对cmos器件的电学特性进行预测。
5、优选地，在获取卷积神经网络的过程中，根据工艺参数的维度，考虑预测模型的精度和运算速度，对卷积核大小和卷积层数进行调整；
6、优选地，在获取工艺参数的维度的过程中，根据cmos器件所有工艺的工艺参数的并集，作为当前工艺参数的维度。
7、优选地，在设置激活函数的过程中，根据预测模型的精度和运算速度，在每层卷积之间设置relu或sigmoid、tanh函数作为激活函数，用于提高模型预测精度并防止过拟合。
8、优选地，在构建预测模型的过程中，将工艺参数和电性参数，作为数据集，对预测模型进行训练，获取卷积层权重，通过调整超参，得到训练后的预测模型，用于通过获取待仿真半导体器件的结构参数或工艺参数，对待仿真半导体器件的电学特性进行预测。
9、优选地，在对待仿真半导体器件的电学特性进行预测的过程中，将待仿真半导体器件的结构参数或工艺参数标准化或归一化处理后，输入到训练后的预测模型中，进行电学特征预测。
10、本发明公开了一种用于cmos器件电学特性的预测系统，包括：
11、数据采集模块，用于基于cmos器件的产线数据，获取工艺参数和电性参数；
12、预测模块，用于基于工艺参数和电性参数的数据维度，获取模型的卷积核大小和卷积层数，并在每层卷积之间设置激活函数，通过设置全连接层，构建预测模型，用于将工艺参数作为模型输入，将电性参数作为模型输出，对cmos器件的电学特性进行预测。
13、优选地，预测模块，还用于根据工艺参数的维度，根据预测模型的精度和运算速度，对卷积大小进行调整。
14、优选地，预测模块，还用于将工艺参数和电性参数，作为数据集，对预测模型进行训练，获取卷积层权重，通过调整超参，得到训练后的预测模型，用于通过获取待仿真半导体器件的结构参数或工艺参数，对待仿真半导体器件的电学特性进行预测。
15、优选地，预测模块，还用于将待仿真半导体器件的结构参数或工艺参数标准化或归一化处理后，输入到训练后的预测模型中，进行电学特征预测。
16、本发明公开了以下技术效果：
17、本发明避免了工艺参数在卷积时顺序导致的权重差异问题，并解决了过拟合问题，且更精确、更快地基于工艺参数预测cmos器件的电性参数。
1.一种用于cmos器件电学特性的预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种用于cmos器件电学特性的预测方法，其特征在于：
3.根据权利要求2所述一种用于cmos器件电学特性的预测方法，其特征在于：
4.根据权利要求3所述一种用于cmos器件电学特性的预测方法，其特征在于：
5.根据权利要求4所述一种用于cmos器件电学特性的预测方法，其特征在于：
6.根据权利要求5所述一种用于cmos器件电学特性的预测方法，其特征在于：
7.一种用于cmos器件电学特性的预测系统，其特征在于，包括：
8.根据权利要求7所述一种用于cmos器件电学特性的预测系统，其特征在于：
9.根据权利要求8所述一种用于cmos器件电学特性的预测系统，其特征在于：
10.根据权利要求9所述一种用于cmos器件电学特性的预测系统，其特征在于：
