本發(fā)明涉及半導體分析，更具體地說，它涉及基于機器學習的器件單粒子翻轉截面和敏感區(qū)的獲取方法。

背景技術：

1、空間應用的半導體器件會受到來自空間輻射環(huán)境釋放的高能粒子的影響。其中單個高能粒子在入射半導體器件時，引起的器件邏輯狀態(tài)翻轉、電流電壓的擾動，甚至導致器件損毀的輻射效應被稱為單粒子效應。常見的單粒子效應包括單粒子翻轉、單粒子閂鎖、單粒子瞬態(tài)、單粒子燒毀等。據(jù)統(tǒng)計，輻射效應造成的航天器在軌故障約占總故障的45％，其中單粒子效應占近86％。因此，單粒子效應是半導體器件空間應用中需重點關注的問題。

2、為了評估半導體器件的空間適應性，通常需要開展重離子加速輻照試驗，獲取半導體器件的單粒子效應截面，進而計算得到其在軌錯誤率。但是重離子加速輻照試驗的成本非常高(試驗機時為2萬/小時)且不易操作(需要設計專用的測試系統(tǒng)和進行特殊的樣品處理)。

技術實現(xiàn)思路

1、針對現(xiàn)有技術存在的不足，本發(fā)明的目的在于提供基于機器學習的器件單粒子翻轉截面和敏感區(qū)的獲取方法。

2、為實現(xiàn)上述目的，本發(fā)明提供了如下技術方案：

3、基于機器學習的器件單粒子翻轉截面和敏感區(qū)的獲取方法，包括如下步驟：

4、步驟s1：目標芯片的重離子單粒子效應器件仿真，獲取帶單粒子翻轉標簽的機器學習樣本；

5、步驟s2：將帶單粒子翻轉標簽的機器學習樣本作為機器學習分類算法的輸入，確定發(fā)生單粒子翻轉的決策邊界；

6、步驟s3：機器學習算法提取的單粒子翻轉決策邊界映射到目標芯片上，即可得到芯片的單粒子效應敏感區(qū)。

7、進一步的，目標芯片的重離子單粒子效應器件仿真，獲取帶單粒子翻轉標簽的機器學習樣本，具體為：構建目標芯片的三維tcad仿真結構，離子均從器件上表面以垂直yz平面方向入射，入射離子的射程恒定，根據(jù)空間重離子誘發(fā)的單粒子效應的特征設置入射離子的特征量，包括入射位置(y、z軸坐標)和次級離子let值，基于仿真結果評估對應入射離子是否導致了單粒子翻轉，通過開展不同特征量組合的單粒子效應器件仿真，得到帶單粒子翻轉標簽的機器學習樣本。

8、進一步的，器件上表面對應坐標x＝0的平面。

9、進一步的，入射離子的射程設定為覆蓋器件的有源區(qū)厚度。

10、進一步的，將帶單粒子翻轉標簽的機器學習樣本作為機器學習分類算法的輸入，確定發(fā)生單粒子翻轉的決策邊界，具體為：對應每個let值，在yz平面內標記出對應(y?i，zi)坐標的所有點，發(fā)生單粒子翻轉的點用“·”表示，未發(fā)生單粒子翻轉的點用“x”，利用機器學習分類算法將yz平面內的數(shù)據(jù)點按照是否發(fā)生單粒子翻轉劃分為兩個集合，并確定決策邊界。

11、進一步的，決策邊界內為發(fā)生單粒子翻轉區(qū)域，決策邊界外為未發(fā)生單粒子翻轉區(qū)域。

12、進一步的，某個let值下決策邊界內的面積即為對應該let值下的單粒子翻轉截面。

13、與現(xiàn)有技術相比，本發(fā)明具備以下有益效果：

14、本發(fā)明結合單粒子效應器件仿真數(shù)據(jù)，提出了器件單粒子翻轉截面和敏感區(qū)的獲取方法，通過本發(fā)明的方法可以實現(xiàn)芯片重離子單粒子效應敏感性的快速評估，大大節(jié)省了試驗成本。

技術特征：

1.基于機器學習的器件單粒子翻轉截面和敏感區(qū)的獲取方法，其特征在于，包括如下步驟：

2.根據(jù)權利要求1所述的基于機器學習的器件單粒子翻轉截面和敏感區(qū)的獲取方法，其特征在于，目標芯片的重離子單粒子效應器件仿真，獲取帶單粒子翻轉標簽的機器學習樣本，具體為：構建目標芯片的三維tcad仿真結構，離子均從器件上表面以垂直yz平面方向入射，入射離子的射程恒定，根據(jù)空間重離子誘發(fā)的單粒子效應的特征設置入射離子的特征量，包括入射位置(y、z軸坐標)和次級離子let值，基于仿真結果評估對應入射離子是否導致了單粒子翻轉，通過開展不同特征量組合的單粒子效應器件仿真，得到帶單粒子翻轉標簽的機器學習樣本。

3.根據(jù)權利要求2所述的基于機器學習的器件單粒子翻轉截面和敏感區(qū)的獲取方法，其特征在于，器件上表面對應坐標x＝0的平面。

4.根據(jù)權利要求2所述的基于機器學習的器件單粒子翻轉截面和敏感區(qū)的獲取方法，其特征在于，入射離子的射程設定為覆蓋器件的有源區(qū)厚度。

5.根據(jù)權利要求1所述的基于機器學習的器件單粒子翻轉截面和敏感區(qū)的獲取方法，其特征在于，將帶單粒子翻轉標簽的機器學習樣本作為機器學習分類算法的輸入，確定發(fā)生單粒子翻轉的決策邊界，具體為：對應每個let值，在yz平面內標記出對應(yi，zi)坐標的所有點，發(fā)生單粒子翻轉的點用“·”表示，未發(fā)生單粒子翻轉的點用“x”，利用機器學習分類算法將yz平面內的數(shù)據(jù)點按照是否發(fā)生單粒子翻轉劃分為兩個集合，并確定決策邊界。

6.根據(jù)權利要求5所述的基于機器學習的器件單粒子翻轉截面和敏感區(qū)的獲取方法，其特征在于，決策邊界內為發(fā)生單粒子翻轉區(qū)域，決策邊界外為未發(fā)生單粒子翻轉區(qū)域。

7.根據(jù)權利要求1所述的基于機器學習的器件單粒子翻轉截面和敏感區(qū)的獲取方法，其特征在于，某個let值下決策邊界內的面積即為對應該let值下的單粒子翻轉截面。

技術總結
本發(fā)明公開了基于機器學習的器件單粒子翻轉截面和敏感區(qū)的獲取方法，涉及半導體分析技術領域，該系統(tǒng)公開了如下步驟：步驟S1：目標芯片的重離子單粒子效應器件仿真，獲取帶單粒子翻轉標簽的機器學習樣本；步驟S2：將帶單粒子翻轉標簽的機器學習樣本作為機器學習分類算法的輸入，確定發(fā)生單粒子翻轉的決策邊界；步驟S3：機器學習算法提取的單粒子翻轉決策邊界映射到目標芯片上，即可得到芯片的單粒子效應敏感區(qū)。本發(fā)明結合單粒子效應器件仿真數(shù)據(jù)，提出了器件單粒子翻轉截面和敏感區(qū)的獲取方法，通過本發(fā)明的方法可以實現(xiàn)芯片重離子單粒子效應敏感性的快速評估，大大節(jié)省了試驗成本。

技術研發(fā)人員：彭超,雷志鋒,張戰(zhàn)剛,何玉娟,馬騰,張鴻,陳義強
受保護的技術使用者：中國電子產品可靠性與環(huán)境試驗研究所（（工業(yè)和信息化部電子第五研究所）（中國賽寶實驗室））
技術研發(fā)日：
技術公布日：2025/1/2