基于信号与噪声矩阵知识的迁移学习增强型人工神经网络（ANN），用于可扩展的小信号和噪声建模，适用于高温电子器件（HEMTs）

《IEEE Transactions on Electron Devices》：Transfer Learning-Enhanced ANN for Scalable Small-Signal and Noise Modeling of HEMTs Based on Signal and Noise Matrix Knowledge

小信号与噪声建模方法融合传统电路理论及人工神经网络，通过迁移学习框架结合器件分解策略实现高精度预测。模型验证表明在多种栅极尺寸（2×20至2×100微米）和偏置条件下模拟与实测参数高度吻合。

　　

摘要：

本文提出了一种基于传统电路模型理论和人工神经网络（ANN）相结合的可扩展小信号及噪声建模方法，用于高电子迁移率晶体管（HEMT）。该方法的主要优势在于通过融入电路知识来提升神经模型的外推能力。该方法采用了一种迁移学习框架，该框架包含源域和目标域的神经网络。大型器件可以被视为由基本单元组成，其性能可以通过从噪声相关矩阵和信号矩阵中推导出的可扩展规则进行预测。所提出的技术对于基于神经网络的微波计算机辅助设计（CAD）以及小信号和噪声的统一建模具有重要意义。通过比较测量值和仿真值来验证模型的准确性，涉及S参数和噪声参数。在2×20 μm、2×40 μm、2×60 μm以及2×100 μm的栅宽（单位栅宽为若干个栅指）的HEMT器件上，仿真结果与测量结果之间显示出极好的一致性，这一一致性涵盖了广泛的偏置点范围。