SOI基横向SAMBM APD三维建模与特性研究

为更好表征器件的工作过程,为后续器件工艺制备实现提供更精确的理论支撑,采用SEN-TAURUS软件对SOI基横向多缓冲区SAM雪崩光电二极管进行三维建模仿真与特性研究。对器件的雪崩电压、光暗电流、响应度、雪崩增益、雪崩发生概率、光子探测效率以及暗计数率进行研究分析。仿真结果表明,器件雪崩电压为8.0 V,在偏置电压为4 V时,器件暗电流为5.31×10^(-16)A;当入射光波长为400 nm,光功率为0.001 W/cm^(2)时,响应度为170 A/W,增益为308.6;过偏压为1 V时,光子探测效率峰值为42.3%,暗计数率为476 Hz。

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.

基于5G子基站的室内定位卷积神经网络模型

针对目前GPS技术在室内定位中精度差的问题,本文将5G技术与卷积神经网络算法相结合,提出基于5G全新无线空口(NR)参数的室内定位方案.通过采集5G NR数据,与参考点编号形成指纹数据存入指纹库,以精确率、召回率和微平均等值作为评价指标,采用卷积神经网络算法对指纹库进行训练以获得定位模型,并使用Adam方法进行模型优化.该方案使用的总数据集为2 400个,其中训练集大小为2 160个,测试集大小为240个;采用定位模型进行了1 000次训练,每批次训练数据量为512个,最终实现平均误差为1.33 m的室内定位效果.