بررسی مدل سازی داده محور بهره جریان ترانزیستورهای پیوند دوقطبی: مروری بر روش های یادگیری ماشین، وابستگی های غیرخطی به جریان، دما و فرکانس و عدم تطابق فرآیندی

بهره جریان (بتا) ترانزیستورهای پیوند دوقطبی یکی از پارامترهای بنیادین و تعیین کننده در طراحی مدارات مجتمع آنالوگ، دیجیتال و فرکانس بالا است که رفتار آن به شدت به جریان بایاس، دما و فرکانس وابسته است. این مقاله به مرور نظام مند پیشینه پژوهش در زمینه مدل سازی بتا از مدل های تحلیلی ایبرس-مول و گومل-پون تا رویکردهای نوین یادگیری ماشین می پردازد. بررسی داده های تجربی و شبیه سازی نشان می دهد که حداکثر بتا در جریان کلکتور حدود ۱۰۰ میکروآمپر تا ۱ میلی آمپر رخ می دهد و با افزایش دما از ۲۵ به ۱۰۰ درجه سلسیوس، بتا تا ۶۸ درصد افزایش می یابد (ضریب دمایی حدود ۰.۸ درصد بر درجه سلسیوس). شبکه های عصبی عمیق بتا را با خطای کمتر از ۲.۵ درصد و تسریع ۲۵۰۰ برابری نسبت به شبیه سازی مستقیم پیش بینی می کنند. مدل های فرآیند گاوسی توزیع عدم تطابق بتا را با خطای ۱.۵ درصد در میانگین و ۰.۸ درصد در انحراف معیار و کاهش زمان ۶۰ برابری پیش بینی کرده اند. یادگیری انتقالی داده های مورد نیاز برای فناوری جدید را تا ۸۵ درصد کاهش می دهد. نتیجه گیری نهایی آن است که روش های یادگیری ماشین پتانسیل بالایی برای مدل سازی دقیق بتا دارند.

کلیدواژه ها:

بتا ، ترانزیستور پیوند دوقطبی ، یادگیری ماشین ، عدم تطابق ، وابستگی دمایی ، اثر گومل ، فرکانس قطع ، مدل جایگزین