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 ...
