دانلود پروژه شبیه سازی ترانزیستور FET نانو وایر سیلیكونی با استفاده از شبكه های عصبی مصنوعی

دانلود پروژه شبیه سازی ترانزیستور FET نانو وایر سیلیكونی با استفاده از شبكه های عصبی مصنوعی

تعداد صفحات: 100

فرمت: WORD

درفناوری نیمه هادی هرچه ابعاد قطعه كوچكتر میشود اثرهای كانال كوتاه ومكانیك كوانتومی ( وجود ترازهای انرژی گسسته در لایه های الكترونی اتم ) روی مشخصه های ترانزیستور ، بیشترنمایان میگردند . ترانزیستورهای فت نانو وایر سیلیكونی به عنوان یكی از كاندیدای جایگزینی ماسفتهای كنونی با كاهش قطر كانال ، كنترل كانال زیر گیت را بخوبی انجام میدهند و همچنین پتانسیل خوبی برای استفاده در مدارات مجتمع دارند ؛ لذا نیاز به داشتن یك مدل رفتاری درسطح مدار برای این قطعه می باشد . در نتیجه به ابزار جدیدی برای مدل كردن آن نیاز است بطوریكه علاوه بر دقت بالا ، سرعت شبیه سازی آن هم زیاد باشد تا بتوان از این مدل در سیمولاتورهای مدار استفاده كرد . به همی ن جهت دراین پایان نامه به مدلسازی و شبیه سازی مشخصه های ترانزیستور فت نانو وایر سیلیكونی برحسب پارامترهای قطعه (ضخامت اكسید گیت ، ضخامت سیلیكون یا ضخامت كانال ارتباطی سورس و درین ) و ولتاژهای ترمینالهای آن با استفاده از شبكه های عصبی مصنوعی و شبكه انطباقیANFIS پرداخته شده است.

داده های موردنیاز جهت آموزش وتست شبكه های عصبی و شبكه ANFIS از برنامه SiNWFETToy2.0 بدست آمده اند. مقایسه بین نتایج نشان میدهد كه خطای میانگین نسبی شبكه هایANFIS و شبكه عصبی پرسپترون چند لایه دارای مقادیر كم و زمان شبیه سازی مشخصه های ترانزیستور نانو وایر سیلیكونی با استفاده از شبكه پرسپترون چند لایه در مقایسه با برنامه SiNWFETToy2.0 و دیگر شبكه ها كمتر میباشد . در پایان مدل شبكه عصبی پرسپترون چند لایه كه دارای تعداد پارامترهای كمتر در مقایسه با دیگر شبكه ها است ، در نرم افزار شبیه ساز مدار HSPICE پیاده سازی شده است و با استفاده از آن یك اینورتر مقاومتی تست گردیده است.

1 فصل اول : ماهیت مقیاس بندی ترانزیستور و فناوری نانو

مقدمه 4 1

-1- قانون مور 4

1-2- ترانزیستور ماسفت 5

1-2-1- مقیاس بندی ماسفت 6

1-3- نتایج مقیاس بندی 7

1- 3-1- اثرهای كانال كوتاه 8

1- 3-2- اكسید گیت 10

1- 4- مواد جدید 11

1-5- مقیاس نانو 14

1-5-1- ساختارهای قطعه غیر كلاسیك 17

فصل دوم : فناوری نانو وایر سیلیكونی

مقدمه 19

2-1- فناوری نانو وایر سیلیكونی 19

2-1-1- فرایند ساخت 19

2-1-2- چالشهای رشد نانو وایر 22

2-1-3- كاربردهای ترانزیستور فت نانو وایر سیلیكونی 22

2-2- ترانزیستور SNWT استوانه ای 23

2-3- شبیه سازی ترانزیستور SNWT 24

2-3-1- شماتیك شبیه سازی خود پایدار 24

25 NEGFروش -2-3-2

2-4- مدل سطح مداری SNWT 27

فصل سوم : شبكه های عصبی مصنوعی

مقدمه 30

3-1- ویژگی شبكه های عصبی مصنوعی30

3-2- نرون عصبی انسان 31

3-3- شبكه های پرسپترون چند لایه 35

3-4- انواع شبكه های عصبی مصنوعی از نظر برگشت پذیری 37

3-4-1- شبكه های پیشخور37

3-4-2- شبكه های پسخور37

3-5- مراحل طراحی یك شبكه عصبی مصنوعی37

3-5-1- طراحی معماری شبكه 37

3-5-2- تعیین نوع تابع فعالیت 38

3-5-3- آموزش شبكه 39

3-5-3-1- یادگیری با ناظر39

3-5-3-2- یادگیری بدون ناظر40

3-6- الگوریتم یادگیری شبكه های پرسپترون با رویكرد انتشار به عقب خطا 40

3-7- شبكه تابع بنیادی شعاعی 43

3-8- آموزش شبكه RBF 45

3-9- كاربرد شبكه های عصبی و محدودیتهای آن 46

فصل چهارم : شبكه انطباقی ANFIS

مقدمه

4-1- قواعد اگر- آنگاه و سیستمهای استنتاج فازی 49

4- 1-1- قواعد اگر – آنگاه فازی 49

4-1-2- سیستمهای استنتاج فازی 50

4-2- شبكه های انطباقی 52

4-2-1- معماری و الگوریتمهای یادگیری 52

4-2-2- معماری و اساس قاعده یادگیری 53

4-3- قانون یادگیری هیبرید 55

4-3-1- یادگیری دسته ( off line ) 55

4-3-2- یادگیری الگو ( on line ) 58

4-4- ANFIS : شبكه انطباقی مبتنی بر سیستم استنتاج فازی 58

4- 4-1- معماری ANFIS .......... 58

4-4-2- الگوریتم یادگیری هیبرید 62

فصل پنجم : تحلیل نتایج و پیاده سازی روش ها

مقدمه 66

SiNWFETToy2.0برنامه -1-5

5-2- نرمالیزه كردن داده های ورودی به شبكه و خطای نسبی میانگین 67

5-3- مدل شبكه عصبی ترانزیستور SNWT 68

5-4- مدل كردن SNWT با استفاده از شبكه عصبیMLP 68

5- 4-1- نتایج شبیه سازی SNWT با استفاده از شبكه عصبی MLP 69

5-5- نتایج شبیه سازی SNWT با استفاده از شبكه عصبیRBF 74

5-6- نتایج شبیه سازی SNWT با استفاده از شبكه ANFIS 77

5-7- مقایسه دقت و سرعت شبیه سازی SNWT با روشهای مختلف 81

5-8- پیاده سازی مدل شبكه عصبیSNWT در نرم افزار HSPICE 81

5- 8-1- شبیه سازی اینورترمقاومتی 82

نتیجه

دانلود در ادامه ...