مدل سازی قطعات نیمه هادی و زیرمدارها با استفاده از شبکه های هوشمند فیدبک دار

امروزه شبکه های هوشمند مصنوعی به عنوان ابزاری قدرتمند در بهینه سازی و مدل سازی قطعات و مدارهایالکترونیکی به خصوص مدارات مجتمع (ic) و پیچیده، به حساب می آیند. در واقع این شبکه ها حتی اگر مدار معادل و معادلات فیزیکی قطعه در دسترس نباشد، می توانند به کار روند.در این تحقیق میزان تطبیق پذیری ساختار شبکه های عصبی فیدبک دار را در مدل سازی رفتار غیرخطی ترانزیستورهای ماسفت بررسی کرده و به یک مدل ماسفت هوشمند بهینه از نظر دقت، زمان اجرا و قدرت یادگیری شبکه دست یافته ایم. برای این کار پنج پارامتر موثر از ترانزیستور ماسفت مدل bsim3 را با استفاده از روش uta انتخاب کردیم و به عنوان ویژگی های آموزش در شبکه های عصبی فیدبک دارrmlp وبدون فیدبک mlpقرارگرفت. نتایج بهدست آمده تطبیق خوب و قابل قبولی را بین رویکرد مدل ماسفت شبکه عصبی فیدبک دار و مدل hspice در مدل سازی مدارها نشان داده است. همچنین بررسی ها نشان داد که رویکرد شبکه عصبی فیدبک دار در مدل سازی حالت acو سیگنال بزرگ قطعات نیمه هادی بسیار توانمند و تطبیق یافته است.بنابراین از این رویکرد با توجه به دارا بودن خاصیت غیرخطی و تقریب توابع و برازش منحنی و قابلیت آموزش بدون نیاز به فیزیک و تئوری های قطعه،می توان برای شبیه سازی قطعاتی جدید که هنوز مدل های فیزیکی برای آن ها تعیین نشده است، استفاده کرد.