دانلود پروژه شبیه سازی ترانزیستور FET نانو وایر سیلیکونی با استفاده از شبکه های عصبی مصنوعی

دانلود پروژه شبیه سازی ترانزیستور FET نانو وایر سیلیکونی با استفاده از شبکه های عصبی مصنوعی

تعداد صفحات: ۱۰۰

فرمت: WORD

درفناوری نیمه هادی هرچه ابعاد قطعه کوچکتر میشود اثرهای کانال کوتاه ومکانیک کوانتومی ( وجود ترازهای انرژی گسسته در لایه های الکترونی اتم ) روی مشخصه های ترانزیستور ، بیشترنمایان میگردند . ترانزیستورهای فت نانو وایر سیلیکونی به عنوان یکی از کاندیدای جایگزینی ماسفتهای کنونی با کاهش قطر کانال ، کنترل کانال زیر گیت را بخوبی انجام میدهند و همچنین پتانسیل خوبی برای استفاده در مدارات مجتمع دارند ؛ لذا نیاز به داشتن یک مدل رفتاری درسطح مدار برای این قطعه می باشد . در نتیجه به ابزار جدیدی برای مدل کردن آن نیاز است بطوریکه علاوه بر دقت بالا ، سرعت شبیه سازی آن هم زیاد باشد تا بتوان از این مدل در سیمولاتورهای مدار استفاده کرد . به همی ن جهت دراین پایان نامه به مدلسازی و شبیه سازی مشخصه های ترانزیستور فت نانو وایر سیلیکونی برحسب پارامترهای قطعه (ضخامت اکسید گیت ، ضخامت سیلیکون یا ضخامت کانال ارتباطی سورس و درین ) و ولتاژهای ترمینالهای آن با استفاده از شبکه های عصبی مصنوعی و شبکه انطباقیANFIS پرداخته شده است.

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

۱ فصل اول : ماهیت مقیاس بندی ترانزیستور و فناوری نانو

مقدمه ۴ ۱

-۱- قانون مور ۴

۱-۲- ترانزیستور ماسفت ۵

۱-۲-۱- مقیاس بندی ماسفت ۶

۱-۳- نتایج مقیاس بندی ۷

۱- ۳-۱- اثرهای کانال کوتاه ۸

۱- ۳-۲- اکسید گیت ۱۰

۱- ۴- مواد جدید ۱۱

۱-۵- مقیاس نانو ۱۴

۱-۵-۱- ساختارهای قطعه غیر کلاسیک ۱۷

فصل دوم : فناوری نانو وایر سیلیکونی

مقدمه ۱۹

۲-۱- فناوری نانو وایر سیلیکونی ۱۹

۲-۱-۱- فرایند ساخت ۱۹

۲-۱-۲- چالشهای رشد نانو وایر ۲۲

۲-۱-۳- کاربردهای ترانزیستور فت نانو وایر سیلیکونی ۲۲

۲-۲- ترانزیستور SNWT استوانه ای ۲۳

۲-۳- شبیه سازی ترانزیستور SNWT 24

۲-۳-۱- شماتیک شبیه سازی خود پایدار ۲۴

۲۵ NEGFروش -۲-۳-۲

۲-۴- مدل سطح مداری SNWT 27

فصل سوم : شبکه های عصبی مصنوعی

مقدمه ۳۰

۳-۱- ویژگی شبکه های عصبی مصنوعی۳۰

۳-۲- نرون عصبی انسان ۳۱

۳-۳- شبکه های پرسپترون چند لایه ۳۵

۳-۴- انواع شبکه های عصبی مصنوعی از نظر برگشت پذیری ۳۷

۳-۴-۱- شبکه های پیشخور۳۷

۳-۴-۲- شبکه های پسخور۳۷

۳-۵- مراحل طراحی یک شبکه عصبی مصنوعی۳۷

۳-۵-۱- طراحی معماری شبکه ۳۷

۳-۵-۲- تعیین نوع تابع فعالیت ۳۸

۳-۵-۳- آموزش شبکه ۳۹

۳-۵-۳-۱- یادگیری با ناظر۳۹

۳-۵-۳-۲- یادگیری بدون ناظر۴۰

۳-۶- الگوریتم یادگیری شبکه های پرسپترون با رویکرد انتشار به عقب خطا ۴۰

۳-۷- شبکه تابع بنیادی شعاعی ۴۳

۳-۸- آموزش شبکه RBF 45

۳-۹- کاربرد شبکه های عصبی و محدودیتهای آن ۴۶

فصل چهارم : شبکه انطباقی ANFIS

مقدمه

۴-۱- قواعد اگر- آنگاه و سیستمهای استنتاج فازی ۴۹

۴- ۱-۱- قواعد اگر – آنگاه فازی ۴۹

۴-۱-۲- سیستمهای استنتاج فازی ۵۰

۴-۲- شبکه های انطباقی ۵۲

۴-۲-۱- معماری و الگوریتمهای یادگیری ۵۲

۴-۲-۲- معماری و اساس قاعده یادگیری ۵۳

۴-۳- قانون یادگیری هیبرید ۵۵

۴-۳-۱- یادگیری دسته ( off line ) 55

۴-۳-۲- یادگیری الگو ( on line ) 58

۴-۴- ANFIS : شبکه انطباقی مبتنی بر سیستم استنتاج فازی ۵۸

۴- ۴-۱- معماری ANFIS ………. 58

۴-۴-۲- الگوریتم یادگیری هیبرید ۶۲

فصل پنجم : تحلیل نتایج و پیاده سازی روش ها

مقدمه ۶۶

SiNWFETToy2.0برنامه -۱-۵

۵-۲- نرمالیزه کردن داده های ورودی به شبکه و خطای نسبی میانگین ۶۷

۵-۳- مدل شبکه عصبی ترانزیستور SNWT 68

۵-۴- مدل کردن SNWT با استفاده از شبکه عصبیMLP 68

۵- ۴-۱- نتایج شبیه سازی SNWT با استفاده از شبکه عصبی MLP 69

۵-۵- نتایج شبیه سازی SNWT با استفاده از شبکه عصبیRBF 74

۵-۶- نتایج شبیه سازی SNWT با استفاده از شبکه ANFIS 77

۵-۷- مقایسه دقت و سرعت شبیه سازی SNWT با روشهای مختلف ۸۱

۵-۸- پیاده سازی مدل شبکه عصبیSNWT در نرم افزار HSPICE 81

۵- ۸-۱- شبیه سازی اینورترمقاومتی ۸۲

نتیجه

دانلود در ادامه …