买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安电子科技大学申请的专利一种基于深度学习的FDSOI器件单粒子效应预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114925587B 。

龙图腾网通过国家知识产权局官网在2025-03-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210493522.4，技术领域涉及：G06F30/25；该发明授权一种基于深度学习的FDSOI器件单粒子效应预测方法是由王树龙;赵蓉;曹宪法;李宇航;马兰;段小玲;刘红侠设计研发完成，并于2022-05-07向国家知识产权局提交的专利申请。

本一种基于深度学习的FDSOI器件单粒子效应预测方法在说明书摘要公布了：一种基于深度学习的FDSOI器件单粒子效应预测方法，通过TCAD仿真软件获取多组单粒子入射FDSOI器件时的影响参数及对应的单粒子效应表征参数，作为样本集；单粒子入射FDSOI器件时的影响参数包含线性传输能值、粒子入射位置、粒子入射角度和漏极偏置电压，单粒子效应表征参数包括漏极瞬态电流脉冲、漏极瞬态电流峰值和总收集电荷；将样本集划分训练集、交叉验证集和测试集，构建深度学习网络预测模型并进行训练验证，满足要求的模型即可用于不同重离子入射条件下的单粒子效应表征参数。本发明解决了FDSOI器件单粒子效应的预测在传统研究过程中存在计算量大、耗时长且不收敛等问题。

本发明授权一种基于深度学习的FDSOI器件单粒子效应预测方法在权利要求书中公布了：1.一种基于深度学习的FDSOI器件单粒子效应预测方法，其特征在于，包括如下步骤：步骤1，通过TCAD仿真软件获取多组单粒子入射FDSOI器件时的影响参数及对应的单粒子效应表征参数，作为样本集；其中，单粒子入射FDSOI器件时的影响参数包含线性传输能值、粒子入射位置、粒子入射角度和漏极偏置电压，单粒子效应表征参数包括漏极瞬态电流脉冲、漏极瞬态电流峰值和总收集电荷；步骤2，将样本集中的数据按比例随机划分为训练集、交叉验证集和测试集；步骤3，初步构建深度学习网络预测模型；所述深度学习网络预测模型包括用于预测漏极瞬态电流脉冲的网络一以及用于预测漏极瞬态电流峰值和总收集电荷的网络二；所述网络一依次包括：输入层一、全连接层一、全连接层二、卷积层一、卷积层二、全连接层三、全连接层四、全连接层五和输出层一；所述网络二依次包括：输入层二、全连接层六、卷积层三、卷积层四、卷积层五、全连接层七、全连接层八、全连接层九和输出层二；各全连接层分别包括一层全连接单元、一层批量归一化单元和一层ReLU激活函数单元，各卷积层分别包括一层kernel为5，padding为2的卷积单元，一层批量归一化单元、一层ReLU激活函数单元和一层kernel为2的池化单元，池化单元采用最大池化；所述全连接层一～全连接层九分别为1×200、1×400、1×6400、1×3000、1×1000、1×80、1×640、1×256、1×50的全连接层；所述卷积层一～卷积层五分别为32×200、64×100、16×40、32×20、64×10的卷积层；所述网络一的输出为漏极瞬态电流脉冲的两百个点，根据漏极瞬态电流脉冲的特点，在0ns～0.03ns区间平均取110个点，在0.03ns到0.3ns区间平均取60个点，在0.3ns到1ns区间平均取30个点；所述网络二的输出为漏极瞬态电流峰值I0和漏极总收集电荷Q0，I0为漏极瞬态电流脉冲的最大电流值，表征形式如下： 其中，q为电子电荷，μn为电子迁移率，Na为沟道掺杂浓度，N为电子空穴对线密度，ε为介电常数，xp为PN结耗尽区宽度；Q0为漏极收集的总的电荷量，表征形式如下： 时间单位为ns，It表示漏极瞬态电流；步骤4，将训练集数据输入深度学习网络预测模型，利用损失函数来衡量预测值与预期结果的匹配程度，并更新网络权重，得到优化后的模型，将交叉验证集数据输入优化后的模型，最终获得训练完成的模型；步骤5，将测试集数据输入训练完成的模型，评估其预测准确率及泛化能力，满足要求的模型即可用于不同重离子入射条件下的单粒子效应表征参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。