本发明属于机器学习和辐射效应仿真，具体涉及一种基于机器学习的mos管仿真模型快速校准方法。
背景技术：
1、电子器件在太空中发挥着重要作用，空间辐射环境威胁电子器件工作。电子器件在空间辐射环境中工作会产生辐射效应，辐射效应是造成航天器故障的重要原因。
2、两种辐射效应主要有：单粒子效应(see)和总剂量效应(tid)。
3、mos单粒子效应：粒子入射mos晶体管后在入射路径上电离出大量电子空穴对，这些电荷被收集后可能引起电路逻辑状态改变、功能受到干扰或失效的现象。
4、金属氧化物半导体场效应晶体管(mos)是集成电路的主要元件。mos晶体管组成的互补金属氧化物半导体(cmos)电路易受单粒子效应影响产生软错误。
5、电子器件抗辐射加固具有重要实用价值。
6、计算机辅助设计(technology computeraided design,tcad)仿真是研究单粒子效应的重要手段。tcad器件模拟是研究集成电路辐照效应以及验证集成电路抗辐照特性的重要手段，广泛应用于单粒子效应机理等研究，其模拟结果在辐照效应领域得到广泛认可。
7、tcad模型校准是制约tcad模拟准确性的关键因素。mos晶体管的tcad模型含有器件的掺杂及结构参数，这些参数与单粒子效应密切相关。因此必须对mos晶体管tcad模型进行校准才能准确仿真单粒子效应。
8、常规tcad模型校准方法：在一些实测数据或公开发表的文献数据基础上设定初始参数，通过多次迭代模拟调整，使tcad模型的电学特性与厂商提供的集约模型相吻合。通常校准tcad模型参数使其id–vg曲线、id–vd曲线与集约模型保持一致。校准过程中需反复调用tcad计算，速度较慢。
技术实现思路
1、为了解决mos晶体管tcad模型参数多，参数与电学特性之间关系复杂，调节校准速度较慢的问题，本发明提出了一种基于机器学习的mos管仿真模型快速校准方法。
2、本发明解决其技术问题采用的技术方案是：
3、一种基于机器学习的mos管仿真模型校准方法，包括以下步骤：
4、步骤一，构建mos管仿真模型，确定校准目标：采用sentaurus tacd软件计算mos管仿真模型对应的电学参数，确定校准目标。
5、步骤二，建立tcad数据集，训练分类器：随机生成参数组合，建立tcad数据集；选取并训练分类器；训练分类器具体过程是：利用选取的分类器对生成的参数组合进行判断，筛选得到有效参数组合。
6、步骤三，再次训练分类器，再次建立tcad数据集：再次随机生成参数组合，生成参数组合的数量大于步骤二的数量；利用步骤二训练的分类器对再次随机生成参数组合进行分类筛选，得到有效参数组合；由该有效参数组合再次建立tcad数据集。
7、步骤四，训练随机森林模型：利用步骤三中建立的tcad数据集训练随机森林模型。
8、步骤五，建立tcad数据集，训练分类器：重复步骤二，得到筛选的有效参数组合。
9、步骤六，再次建立tcad数据集：重复步骤三，其中，生成参数组合的数量大于步骤三的数量。
10、步骤七，训练回归器：将步骤六得到的tcad数据集进行归一化处理。
11、步骤八，训练分类器：将步骤六得到的tcad数据集进行分类筛选，具体过程是：分类器利用步骤六得到的tacd数据集进行训练。
12、步骤九，建立代理模型：由训练的回归器、训练的分类器组合建立代理模型；代理模型的分类器对参数组合的有效性进行判断和筛选，代理模型的回归器计算对应的指标因子。
13、步骤十，使用代理模型对校准目标进行校准：代理模型的分类器对参数组合的有效性进行判断和筛选，筛选的有效参数组合由代理模型的回归器计算对应的指标因子。
14、上述的mos管仿真模型校准方法，所述mos管仿真模型为p型mos晶体管仿真模型。
15、上述的mos管仿真模型校准方法，所述步骤一，构建mos管仿真模型，确定校准目标，进一步包括：
16、采用sde模块和snmesh模块分别创建mos管的结构和掺杂，采用sdevice模块仿真计算mos晶体管对应的电学特性。
17、上述的mos管仿真模型校准方法，所述步骤一，构建mos管仿真模型，确定校准目标，进一步包括：
18、采用亚阈值斜率倒数s-1表征半对数坐标系中曲线在亚阈值部分的斜率；低电压和标准工作电压两种情况下id-vg曲线对应的指标因子，将该指标因子代替原始id-vg曲线作为校准目标。
19、上述的mos管仿真模型校准方法，所述步骤二，建立tcad数据集，训练分类器，进一步包括：
20、随机生成参数组合，对生成的参数组合进行筛选，去除无效参数组合，得到有效参数组合。
21、上述的mos管仿真模型校准方法，所述分类器可以为梯度提升机、多层感知机、随机森林、支持向量机、随机梯度下降。
22、上述的mos管仿真模型校准方法，所述步骤七，训练回归器，进一步包括：
23、归一化处理分为两步：首先，将掺杂浓度参数变换为其对数值；其次，将所有参数分别归一化处理为平均值为0、标准差为1；回归器同时输出3维参数vt、gm及s-1，使用线性变换将各维输出值变换至0到1之间。
24、上述的mos管仿真模型校准方法，所述分类器为多层感知机。
25、上述的mos管仿真模型校准方法，所述步骤二，建立tcad数据集，训练分类器中，生成1000组随机取值的参数组合，经tcad计算，其中287组参数为有效计算。
26、所述步骤三，再次训练分类器，再次建立tcad数据集中，随机生成了40,000组样本，gb分类器判断其中10549组参数组合有效。使用tcad计算gb分类器判定有效的样本，得到实际其中有效样本为7384个。
27、所述步骤四，训练随机森林模型中，基础模型共有26维参数，采用步骤三中实际有效的7384组样本建立的数据集训练随机森林模型；随机森林回归模型将mosfet的阈值电压vt、跨导gm及亚阈值斜率s-1与模型的各参数关联起来；采用scikit-learn python库训练随机森林回归模型，得到针对不同回归目标的参数重要性；对于不同的回归目标，所有参数重要性之和为1。重要性评分越高则表明随机森林方法认为该参数对于回归目标越重要；对于不同的回归目标，相应最重要的参数有所不同；对于阈值电压vt而言，功函数workf和阱掺杂浓度well_const是最重要、最敏感的参数；对跨导gm而言，阱掺杂浓度well_const和ldd深度ldd_depth最重要。对亚阈值斜率倒数s-1而言，ldd横向扩散因子和ldd深度最重要；各参数按照对3个目标重要性之和从大到小排序。选取排名前10的参数作为重点关注的待校准参数，这些参数结合pdk指定的6维参数组成一个16维的待校准模型。
28、所述步骤五，建立tcad数据集，训练分类器中，随机生成了1000组样本进行tcad计算，得到其中298组有效样本。
29、所述步骤六，再次建立tcad数据集中，随机生成了80000组样本参数，mlp分类器判断其中21493组样本有效，经tcad计算后实际13847组样本有效。
30、所述步骤七，训练回归器中，归一化处理的训练集为13847组有效样本。
31、所述步骤八，训练分类器中，分类器采用经过tcad计算的16维样本作为数据集，包含21493组样本。
32、所述步骤九，建立代理模型中，将mosfet仿真模型的16维参数映射至id-vg曲线的指标因子vt、gm及s-1或无效状态。
33、所述步骤十，使用代理模型对校准目标进行校准中，pmos管仿真模型，在低电压(vd＝0.1v)及工作电压(vd＝vdd)条件下，对应指标vt、gm及s-1都与pdk相符合。代理模型的16维参数中，除vd外的其余15个参数用于描述mosfet的尺寸及掺杂情况；mosfet在工作电压vd不同时对应的指标vt、gm及s-1也不同。
34、本发明的有益效果是：
35、一种基于机器学习的mos管仿真模型校准方法，其计算速度约为直接采用tcad仿真的107倍。在机器学习代理模型训练中引入分类技术大幅提升了训练样本的生成效率，引入随机森林方法获得了mos晶体管仿真模型的10个敏感参数，降低了变量数。
1.一种基于机器学习的mos管仿真模型校准方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器学习的mos管仿真模型校准方法，其特征在于，所述mos管仿真模型为p型mos晶体管仿真模型。
3.根据权利要求1所述的基于机器学习的mos管仿真模型校准方法，其特征在于，
4.根据权利要求2所述的基于机器学习的mos管仿真模型校准方法，其特征在于，所述步骤一，构建mos管仿真模型，确定校准目标，进一步包括：
5.根据权利要求1所述的基于机器学习的mos管仿真模型校准方法，其特征在于，所述步骤二，建立tcad数据集，训练分类器，进一步包括：
6.根据权利要求1所述的基于机器学习的mos管仿真模型校准方法，其特征在于，所述分类器可以为梯度提升机、多层感知机、随机森林、支持向量机或随机梯度下降。
7.根据权利要求2所述的基于机器学习的mos管仿真模型校准方法，其特征在于，所述步骤七，训练回归器，进一步包括：
8.根据权利要求2所述的基于机器学习的mos管仿真模型校准方法，其特征在于，所述分类器为多层感知机。
9.根据权利要求8所述的基于机器学习的mos管仿真模型校准方法，其特征在于，所述步骤二，建立tcad数据集，训练分类器中，生成1000组随机取值的参数组合，经tcad计算，其中287组参数为有效计算；
