دانلود پروژه شبيه سازی ترانزيستور FET نانو واير سيليكونی با استفاده از شبكه های عصبی مصنوعی
تعداد صفحات: 100
فرمت: WORD
درفناوري نيمه هادي هرچه ابعاد قطعه كوچكتر ميشود اثرهاي كانال كوتاه ومكانيك كوانتومي ( وجود ترازهاي انرژي گسسته در لايه هاي الكتروني اتم ) روي مشخصه هاي ترانزيستور ، بيشترنمايان ميگردند . ترانزيستورهاي فت نانو واير سيليكوني به عنوان يكي از كانديداي جايگزيني ماسفتهاي كنوني با كاهش قطر كانال ، كنترل كانال زير گيت را بخوبي انجام ميدهند و همچنين پتانسيل خوبي براي استفاده در مدارات مجتمع دارند ؛ لذا نياز به داشتن يك مدل رفتاري درسطح مدار براي اين قطعه مي باشد . در نتيجه به ابزار جديدي براي مدل كردن آن نياز است بطوريكه علاوه بر دقت بالا ، سرعت شبيه سازي آن هم زياد باشد تا بتوان از اين مدل در سيمولاتورهاي مدار استفاده كرد . به همي ن جهت دراين پايان نامه به مدلسازي و شبيه سازي مشخصه هاي ترانزيستور فت نانو واير سيليكوني برحسب پارامترهاي قطعه (ضخامت اكسيد گيت ، ضخامت سيليكون يا ضخامت كانال ارتباطي سورس و درين ) و ولتاژهاي ترمينالهاي آن با استفاده از شبكه هاي عصبي مصنوعي و شبكه انطباقيANFIS پرداخته شده است.
داده هاي موردنياز جهت آموزش وتست شبكه هاي عصبي و شبكه ANFIS از برنامه SiNWFETToy2.0 بدست آمده اند. مقايسه بين نتايج نشان ميدهد كه خطاي ميانگين نسبي شبكه هايANFIS و شبكه عصبي پرسپترون چند لايه داراي مقادير كم و زمان شبيه سازي مشخصه هاي ترانزيستور نانو واير سيليكوني با استفاده از شبكه پرسپترون چند لايه در مقايسه با برنامه SiNWFETToy2.0 و ديگر شبكه ها كمتر ميباشد . در پايان مدل شبكه عصبي پرسپترون چند لايه كه داراي تعداد پارامترهاي كمتر در مقايسه با ديگر شبكه ها است ، در نرم افزار شبيه ساز مدار HSPICE پياده سازي شده است و با استفاده از آن يك اينورتر مقاومتي تست گرديده است.
1 فصل اول : ماهيت مقياس بندي ترانزيستور و فناوري نانو
مقدمه 4 1
-1- قانون مور 4
1-2- ترانزيستور ماسفت 5
1-2-1- مقياس بندي ماسفت 6
1-3- نتايج مقياس بندي 7
1- 3-1- اثرهاي كانال كوتاه 8
1- 3-2- اكسيد گيت 10
1- 4- مواد جديد 11
1-5- مقياس نانو 14
1-5-1- ساختارهاي قطعه غير كلاسيك 17
فصل دوم : فناوري نانو واير سيليكوني
مقدمه 19
2-1- فناوري نانو واير سيليكوني 19
2-1-1- فرايند ساخت 19
2-1-2- چالشهاي رشد نانو واير 22
2-1-3- كاربردهاي ترانزيستور فت نانو واير سيليكوني 22
2-2- ترانزيستور SNWT استوانه اي 23
2-3- شبيه سازي ترانزيستور SNWT 24
2-3-1- شماتيك شبيه سازي خود پايدار 24
25 NEGFروش -2-3-2
2-4- مدل سطح مداري SNWT 27
فصل سوم : شبكه هاي عصبي مصنوعي
مقدمه 30
3-1- ويژگي شبكه هاي عصبي مصنوعي30
3-2- نرون عصبي انسان 31
3-3- شبكه هاي پرسپترون چند لايه 35
3-4- انواع شبكه هاي عصبي مصنوعي از نظر برگشت پذيري 37
3-4-1- شبكه هاي پيشخور37
3-4-2- شبكه هاي پسخور37
3-5- مراحل طراحي يك شبكه عصبي مصنوعي37
3-5-1- طراحي معماري شبكه 37
3-5-2- تعيين نوع تابع فعاليت 38
3-5-3- آموزش شبكه 39
3-5-3-1- يادگيري با ناظر39
3-5-3-2- يادگيري بدون ناظر40
3-6- الگوريتم يادگيري شبكه هاي پرسپترون با رويكرد انتشار به عقب خطا 40
3-7- شبكه تابع بنيادي شعاعي 43
3-8- آموزش شبكه RBF 45
3-9- كاربرد شبكه هاي عصبي و محدوديتهاي آن 46
فصل چهارم : شبكه انطباقي ANFIS
مقدمه
4-1- قواعد اگر- آنگاه و سيستمهاي استنتاج فازي 49
4- 1-1- قواعد اگر – آنگاه فازي 49
4-1-2- سيستمهاي استنتاج فازي 50
4-2- شبكه هاي انطباقي 52
4-2-1- معماري و الگوريتمهاي يادگيري 52
4-2-2- معماري و اساس قاعده يادگيري 53
4-3- قانون يادگيري هيبريد 55
4-3-1- يادگيري دسته ( off line ) 55
4-3-2- يادگيري الگو ( on line ) 58
4-4- ANFIS : شبكه انطباقي مبتني بر سيستم استنتاج فازي 58
4- 4-1- معماري ANFIS .......... 58
4-4-2- الگوريتم يادگيري هيبريد 62
فصل پنجم : تحليل نتايج و پياده سازي روش ها
مقدمه 66
SiNWFETToy2.0برنامه -1-5
5-2- نرماليزه كردن داده هاي ورودي به شبكه و خطاي نسبي ميانگين 67
5-3- مدل شبكه عصبي ترانزيستور SNWT 68
5-4- مدل كردن SNWT با استفاده از شبكه عصبيMLP 68
5- 4-1- نتايج شبيه سازي SNWT با استفاده از شبكه عصبي MLP 69
5-5- نتايج شبيه سازي SNWT با استفاده از شبكه عصبيRBF 74
5-6- نتايج شبيه سازي SNWT با استفاده از شبكه ANFIS 77
5-7- مقايسه دقت و سرعت شبيه سازي SNWT با روشهاي مختلف 81
5-8- پياده سازي مدل شبكه عصبيSNWT در نرم افزار HSPICE 81
5- 8-1- شبيه سازي اينورترمقاومتي 82
نتيجه
دانلود در ادامه ...
مبلغ قابل پرداخت 25,000 تومان
برچسب های مهم