随着物联网、人工智能和5G等新兴技术的迅猛发展,集成电路正向小型化、高频率和高功率的方向加速。与此同时,新材料和新结构的涌现,推动了半导体领域的创新,但目前仍然缺乏完善的器件模型和有效的验证手段来评估这些新材料在电路中的性能,这使得快速建立相应的器件模型变得尤为紧迫。以二维材料为例,由于其独特的物理特性,正被广泛研究以应用于下一代电子器件。尽管已有器件数据,但目前仍缺乏完善的器件模型和有效的手段来验证这些材料在电路中的特性。
在前期iMoB基础上,无锡北京大学电子设计自动化研究院研发推出了iMoB_v2.0_Release_2024Q3。可实现从数据到建模再到电路仿真的一站式解决方案,支持多个电路仿真工具,并集成了开源的电路仿真工具。可大大加速材料数据到电路模型的转换过程从而加速新材料在实际应用中的开发和部署。此次发布中,我们以二维材料MoS2为例,详细介绍了使用iMoB进行器件建模和电路仿真的流程。您可以点击链接查看详细的应用说明iMoB_AppNote_2D,以了解更多信息。
应用说明链接:
http://pkueda.org.cn/files/iMoB_AppNote_2D.pdf
iMoB_v2.0_Release_2024Q3中,在前期iMoB基础上,实现了从数据到建模再到电路仿真的一站式解决方案。新增了网表设置模块,用户在使用过程中可直接调用默认器件输出特性网表及反相器网表进行仿真,也可新建网表模板修改或加载自定义网表。新增了仿真模块,默认采用ngspice进行仿真,仿真文件输出采用选项卡设定。在设置模块,新增了配置仿真器等功能。在画图设置模块增加了画图设置存储功能。
iMoB_v2.0_Release_2024Q3将提供MoS2的样例数据、机器学习训练模板、器件仿真网表及反相器仿真网表。
iMoB基于先进的人工神经网络进行建模,流程如下:
采用选项卡设置神经网络,用户通过选项卡,根据自己的需求设计创建网络结构(例如:激活函数、网络层的输入、输出)。
采用选项卡设置神经网络训练,用户通过选项卡设置机器学习训练的参数(例如:训练次数、学习率、损失函数等等),此外,iMoB将训练过程可视化,实时监测训练过程中训练集和测试集的精度。
加载脚本模板,iMoB为用户提供了人工神经网络算法训练脚本模板,用户可使用默认模板进行训练,也可基于默认模板进行自定义设置。
加载自定义脚本文件,用户可配置本地编辑器编辑脚本导入iMoB进行训练。
用户导入测试数据,训练完成后,可一键生成Verilog-A文件,用于SPICE仿真。
新建网表时用户可调控选项卡选择模型文件、输出文件,生成的网表模板将包含上述信息,无需用户手动添加。
模型和网表完成后,可进行一站式SPICE仿真,默认采用ngspice,同样支持用户配置其他仿真器进行仿真。
使用训练生成的器件模型进行DC和反相器仿真,仿真结果如下所示:
DC:
最后,欢迎您与我们联系,进一步了解或试用iMoB_v2.0_Release_2024Q3,如果您有器件模型开发的需求,欢迎联系我们,我们会提供为您定制的器件模型开发及一站式器件参数提取服务。
digital_eda@pkueda.org.cn