基于神经网络的雪崩光电二极管SPICE模型构建

针对雪崩光电二极管(Avalanche Photodiode,APD)雪崩前后电流数量级相差大、I-V特性曲线变化剧烈的特点,在对I-V特性数据进行对数化、归一化预处理的基础上,采用浅层神经网络完成I-V函数拟合,并进一步优化神经网络结构以提升模型准确性.在此基础上,使用Verilog-A硬件描述语言实现APD的SPICE模型,并应用Cadence软件设计电路验证模型的有效性和准确性,引入相对误差评估模型的准确度.结果表明:优化后的神经网络学习的I-V特性函数与TCAD仿真数据的均方误差损失为2.544×10^(-7),SPICE模型验证电路采样数据与TCAD仿真数据的最大相对误差为3.448%,平均相对误差为0.630%,构建SPICE模型用时约50 h,实现了高精度、高效率的器件SPICE模型构建,对新型APD的设计与应用具有重要指导意义.