-
公开(公告)号：CN113221460A
公开(公告)日：2021-08-06
申请号：CN202110553063.X
申请日：2021-05-20
Applicant: 西安电子科技大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06F119/02
Abstract: 本发明提出一种基于神经网络回归的单粒子瞬态效应建模方法，解决了现有基于物理机理的单粒子瞬态建模存在模型复杂度高、不适用电路级单粒子效应仿真分析，而基于特定函数拟合的单粒子瞬态建模很难保证模型的精度的技术问题。方法步骤包括：建立场效应管器件结构模型；对器件结构模型进行TCAD仿真，获得不同因素条件下单粒子效应产生的漏极瞬态电流脉冲曲线；对漏极瞬态电流脉冲曲线进行抽样，获得不同时间、不同LET条件下的离散数据；将离散数据随机分成训练集、验证集及测试集；构建基于神经网络的SET模型；神经网络进行学习拟合，对SET模型进行训练和测试，当误差低于设定阈值，训练完成，获得基于神经网络的SET模型。
-
公开(公告)号：CN109815605A
公开(公告)日：2019-05-28
申请号：CN201910091118.2
申请日：2019-01-30
Applicant: 西安电子科技大学
IPC: G06F17/50
Abstract: 本发明提供一种用于单粒子效应仿真的电路系统组建方法，该方法包括以下步骤：步骤一：确定电路系统所包含的模块；步骤二：建立所有功能模块的不同层次功能模型；步骤三：编写不同层次功能模型之间的接口；步骤四：确定需要进行单粒子故障注入的模块，并配置得到该条件下的电路系统混合模型，从而可以对待注入模块进行单粒子故障注入，并对整个系统进行仿真分析。本发明实现了电路系统仿真模型在执行程序的同时又能对其中的特定模块进行单粒子故障注入，对研究系统的单粒子效应仿真有重要意义。
-
公开(公告)号：CN108365996A
公开(公告)日：2018-08-03
申请号：CN201810421548.1
申请日：2018-05-04
Applicant: 西安电子科技大学
IPC: H04L12/24
Abstract: 本发明提供一种基于FPGA+ARM架构的片上网络仿真平台，解决传统软件模拟性能低下以及目前硬件解决方案因结构固定导致可扩展性差的问题。本发明采用RAM+FPGA的系统架构，通过FPGA搭建片上网络基本架构实现硬件加速的目的，借助AXI总线配置各路由器参数和实时收集片上网络中各路由器的信息，收集的数据通过ARM芯片的分析和计算得到仿真结果，最终通过串口将结果发送给上位机。基于本发明，在仿真条件发生变化时只须修改配置信息，而不必重新设计、综合和生成比特流文件，具有很好的可扩展性。
-
公开(公告)号：CN108363894A
公开(公告)日：2018-08-03
申请号：CN201810421550.9
申请日：2018-05-04
Applicant: 西安电子科技大学
IPC: G06F17/50
Abstract: 本发明提供一种电路级单粒子效应仿真平台，能够支持万门级以上的大规模电路进行单粒子效应仿真分析。该电路级单粒子效应仿真平台包括电路分析模块、故障注入配置模块、分析模式模块、网表处理模块与结果分析模块，其中电路分析模块提取电路中的所有敏感节点，生成电路节点列表文件；故障注入配置模块结合电路节点列表文件和用户输入要注入电路的故障电流源的相关参数，编写脚本随机选取电路节点和故障注入时间，生成故障注入文件；网表处理模块编写脚本得到结果检测文件，再结合分析模式和故障注入文件生成激励文件提供给Fast‐Spice仿真器；结果分析模块保存并提取仿真结果，根据不同的分析模式形成不同的结果图标。
-
公开(公告)号：CN108363893A
公开(公告)日：2018-08-03
申请号：CN201810420937.2
申请日：2018-05-04
Applicant: 西安电子科技大学
IPC: G06F17/50
Abstract: 本发明提出了一种复杂条件下的单粒子脉冲电流源建模方法。该建模方法首先采用TCAD仿真工具分析LET、温度、入射位置、入射角度、漏极偏置对NMOS器件单粒子电流脉冲的影响，得到每种因素对单粒子电流脉冲影响的最坏情况；然后将温度、入射位置、和漏极偏置设置为最坏情况，获得不同LET情况下的漏极瞬态电流脉冲，使用模拟函数对电流脉冲进行拟合，获得每种LET情况下的模拟函数参数值，之后将拟合得出的模拟函数参数值与LET进行拟合，并在得到的拟合表达式中考虑入射角度的影响；最后采用“Verilog-A”语言可建立复杂条件下的单粒子瞬态脉冲电流源模型。本发明考虑因素全面、模型准确度高、非常实用。
-
Patent Agency Ranking
公开(公告)号：CN120076358A
公开(公告)日：2025-05-30
申请号：CN202510191808.0
申请日：2025-02-21
Applicant: 西安电子科技大学
Abstract: 本申请公开了本申请提供一种具有抗强磁能力的新型双极型晶体管、控制芯片和晶体管制造方法，通过P型衬底、N型埋层，以及三个第一STI区、第二STI区、有源区和N型深阱；三个第一STI区域均并列设于N型埋层远离P型衬底的一侧；有源区和N型深阱与三个第一STI区间隔沿水平方向排列，且两个第一STI区分别位于所有源区和N型深阱的外围，有源区包括：依次层叠设置的集电极、基极，以及位于基极远离集电极一侧的第二STI区和发射极，第二STI区位于发射极和外围的第一STI区之间，发射极与基极的交界面形成BE结；有效提高了晶体管在不同频率的强磁场环境中的放大倍数稳定性和抗磁干扰能力。
-
公开(公告)号：CN120046447A
公开(公告)日：2025-05-27
申请号：CN202510218116.0
申请日：2025-02-26
Applicant: 西安电子科技大学广州研究院
IPC: G06F30/25 , G06F30/30 , G06N3/045 , G06N3/0475 , G06N3/094 , G06F30/27 , G06F18/214 , G06N3/084 , G06N3/048
Abstract: 本发明属于机器学习技术领域，具体涉及基于生成对抗网络的单粒子效应数据生成方法，通过GAN的高效数据生成能力，能够在少量真实实验数据的基础上生成与实际数据分布一致的高质量模拟数据，从而减少对实验数据的高度依赖。本发明不仅能够为机器学习模型提供多样化、高精度的训练数据，还能显著降低数据获取的时间和经济成本，有效弥补传统建模方法和现有机器学习技术的不足。通过本发明的应用，可以显著提升单粒子效应建模的精度和效率，为抗辐射加固电路的设计提供重要的技术支持，满足大规模宇航集成电路设计的实际需求。
-
公开(公告)号：CN116759456A
公开(公告)日：2023-09-15
申请号：CN202310940615.1
申请日：2023-07-28
Applicant: 西安电子科技大学
IPC: H01L29/78 , H01L23/552
Abstract: 本发明涉及一种抗单粒子辐射加固VDMOS器件结构；针对现有设计往往只关注于VDMOS器件的某一种抗单粒子能力的提升，并且一些加固技术会使得VDMOS器件的电学特性产生明显退化的问题；包括衬底和位于衬底上方的外延层；高K栅介质层位于外延层的上方中部，多晶硅栅位于高K栅介质层的上方；倒掺杂体区位于外延层内上表面的两侧，源区位于外延层内上表面且位于倒掺杂体区内，倒掺杂体区和源区分布在多晶硅栅两侧，两者横向结深之差形成沟道，接触区位于外延层内的上表面且位于倒掺杂体区内，并与源区邻接，源极金属接触位于接触区上方并覆盖部分源区，漏极金属接触位于衬底下表面；衬底、外延层、源区为N型掺杂；倒掺杂体区和接触区为P型掺杂。
-
公开(公告)号：CN116681020A
公开(公告)日：2023-09-01
申请号：CN202310796000.6
申请日：2023-06-30
Applicant: 西安电子科技大学
IPC: G06F30/38
Abstract: 本发明提供了一种基于单粒子效应仿真的多点故障注入方法，用于解决传统的单点故障注入方法无法在有效时间内获得足够仿真数据，以及多点故障注入方法需要保证每一组的故障数量均相同的技术问题。本发明提供的一种基于单粒子效应仿真的多点故障注入方法，在基于故障概率选择故障注入数量的同时，优化了分组方法，通过特定的分组查找方式确定单个故障是否导致错误，解决了不能判断单个故障是否导致错误的问题，在保证准确率的前提下，减小了仿真次数；同时优化的分组方法考虑了故障注入数量无法被均分的情况，在选择故障注入数量时，不需要保证每组的故障数量均相同，使用简单方便，适用性强，可以广泛应用在各种规模的宇航处理器中。
-
公开(公告)号：CN113221460B
公开(公告)日：2022-09-20
申请号：CN202110553063.X
申请日：2021-05-20
Applicant: 西安电子科技大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06F119/02
Abstract: 本发明提出一种基于神经网络回归的单粒子瞬态效应建模方法，解决了现有基于物理机理的单粒子瞬态建模存在模型复杂度高、不适用电路级单粒子效应仿真分析，而基于特定函数拟合的单粒子瞬态建模很难保证模型的精度的技术问题。方法步骤包括：建立场效应管器件结构模型；对器件结构模型进行TCAD仿真，获得不同因素条件下单粒子效应产生的漏极瞬态电流脉冲曲线；对漏极瞬态电流脉冲曲线进行抽样，获得不同时间、不同LET条件下的离散数据；将离散数据随机分成训练集、验证集及测试集；构建基于神经网络的SET模型；神经网络进行学习拟合，对SET模型进行训练和测试，当误差低于设定阈值，训练完成，获得基于神经网络的SET模型。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.023 seconds)
