基于先前知识的神经网络的神经网络的微波异质连接双极晶体管S-参数的衰退预测的衰老小信号模型
Lin Cheng1, Hongliang Lu1, Silu Yan1
1Key Laboratory for Wide Band Gap Semiconductor Materials and Devices of Education Ministry, School of Microelectronics, Xidian University, Xi'an 710071, China.
Micromachines
|November 25, 2023
概括
这项研究引入了一种新的神经网络模型,用于预测微波异极连接双极晶体管 (HBT) S-参数因衰老而降解的情况. 该模型准确预测InP HBT设备在加速老化后的S参数变化.
科学领域:
- 微波工程 微波工程
- 半导体设备物理 半导体设备物理
- 机器学习应用 机器学习应用
背景情况:
- 微波异极连接双极晶体管 (HBT) 是高频应用中的关键组件.
- 预测设备在老化过程中的退化对于可靠性评估至关重要.
- 现有的模型可能无法完全捕捉设备老化过程中复杂的S参数变化.
研究的目的:
- 开发一个准确的衰老小信号模型,用于预测微波HBT中的S参数降解.
- 利用先前知识神经网络 (PKNNs) 进行增强的降解预测.
- 用实验数据验证模型的性能.
主要方法:
- 使用双极端学习机器 (D-ELM) 结构进行建模.
- 采用了适应性遗传算法 (AGA) 来优化D-ELM.
- 综合S参数退化趋势来自老化的等效电路作为D-ELM的额外输入.
- 模拟酸 (InP) HBT设备的新鲜和老化的S参数.
主要成果:
- 在测量和预测的S参数退化之间取得了良好的一致性.
- 该模型有效模拟了从0.1到40 GHz的S参数行为.
- 证明了PKNNs和D-ELM对HBT衰老预测的有效性.
结论:
- 拟议的基于PKNN的D-ELM模型提供了一种可靠的方法来预测HBT的S参数降解.
- 整合先前的知识显著提高了老化预测模型的准确性.
- 这种方法提高了微波半导体设备的可靠性分析.
