本发明属于碳化硅功率器件制程，具体涉及一种碳化硅功率器件离子注入方法。
背景技术：
1、在碳化硅功率器件制备工艺中，离子注入是用高能量的离子打入半导体选择区域达到掺杂、改性、隔离等目的的一种工艺手段。由于在小于1800℃的温度下，杂质在碳化硅中的扩散系数很小，导致无法通过使用传统硅工艺中的热扩散法来进行选择性区域掺杂。而离子注入可以在适当的高温下进行浓度和区域可设计的、可控的选择掺杂。在碳化硅功率器件制备过程中，离子注入工艺主要应用于欧姆接触、双极型晶体管、mosfet、肖特基二极管和jfet等。离子注入工艺在碳化硅功率器件制造中具有重要的地位和作用，直接影响着器件的性能、稳定性和可靠性。因此，优化离子注入工艺的研究显得尤为关键，只有随着离子注入工艺的进一步优化，碳化硅功率器件将能够满足更广泛的应用需求，推动电力电子、汽车电子等领域的技术进步和产业发展。
2、功率器件工艺优化常用的方法主要包括：(1)实验测试法：首先通过半导体工艺技术对设计的器件进行加工试制，然后利用测试仪器进行测试，实现器件性能的预测与表征；(2)数值模拟仿真方法：采用一些简单的模型来解释和预测器件的物理行为；(3)基于机器学习的方法。实验测试法在测试过程中引入了人为误差和外界影响，如环境、接触电阻、测试电路与仪器设备等，特别是晶圆测试对环境温度、湿度、探针情况以及暴露在空气中的时间非常敏感。虽然仿真工具能部分代替费时且昂贵的工艺实验，有效节约设计的成本以及时间，但其实现也存在着不收敛，网格设置合理性等问题。两者均不能适应各种不同的离子注入工艺条件与对应工艺结果的动态变化。而随着计算机技术的发展和大数据环境下，机器学习的方法也已经被应用到工艺优化中，目前，利用大量离子注入工艺参数数据，结合机器学习的思想，构建适用于碳化硅功率器件离子注入工艺优化的迁移学习预测模型，通过模型对大量样本数据进行学习，最终实现基于机器学习的碳化硅功率器件离子注入工艺优化已经成为研究热点。
3、2018年，由m.shin和j.lee建首次使用cnn立模型，实现了光刻热点的检测，精度高达到95.5％。同年，n.hari等人利用深度神经网络建立了gan功率器件的结构参数到其开关特性的预测模型。通过该gan功率器件预测模型，可以在避免复杂的器件机理分析的前提下对器件的开态特性进行准确的预测。x.zeng等人利用人工神经网络(artificial neuralnetworks，ann)建立了igbt的电流预测模型。该电流预测模型可以在没有物理电流传感器的前提下，实现平均误差小于3％的igbt全局电流预测。2019年，多层深度神经网络(deepneural network,dnn)被h.用来建立了一个关于硅无结纳米线场效应晶体管的品质因素(bfom)、关断电流、阈值电压(vth)以及亚阈值斜率(ss)等器件性能的预测模型。通过与tcad数值仿真工具的对比发现，该器件性能预测模型可以大大降低计算成本。2020年，s.b.kutub等人基于人工神经网络建立了硅基氮化镓功率器件电学特性的预测模型。
技术实现思路
1、本发明的目的在于提供一种基于机器学习的碳化硅功率器件离子注入优化方法，以提高碳化硅功率器件的稳定性和可靠性，满足更广泛的应用需求。
2、本发明提供的基于机器学习的碳化硅功率器件离子注入优化方法，采用支持向量机(support vector machine,svm(b.yu,j.r.gao,d ding,et al.accurate lithographyhotspot detection based on principal component analysissupport vector machineclassifier with hierarchical data clustering[j].journal of micro/nanolithography,mems,and moems,2014,14(1):011003.)作为机器学习优化的预测模型，具体步骤为：
3、步骤一，样本的采集与预处理：统计收集到历史碳化硅功率器件离子注入工艺数据，并进行预处理，制作离子注入工艺优化样本数据集，样本集包括注入工艺数据集和标签集。
4、(1)注入工艺数据集制作：注入工艺数据集中的信息包含注入离子类型、注入能量和剂量、注入角度、注入温度，作为支持向量机预测模型的输入来源；数据通过归一化将其缩放到[0,1]之间，防止某些特征(尤其是具有较大数值范围的特征)在模型训练中占据主导地位，同时也可以确保所有特征都具有相同的量纲和比例；
5、(2)标签集制作：标签集为与输入的注入工艺参数对应的工艺结果，包括电阻率、激活率、沟道深度、电子迁移率和方块电阻；
6、(3)样本集划分：将离子注入工艺优化样本数据集划分成训练集a1、训练集a2和测试集；训练集a1占样本数据集的20％，用于模型的预训练和验证，训练集a2占样本数据集的70％，用于模型的进一步训练和验证，剩余的10％作为测试集，用于对模型的最后测试。
7、步骤二，通过步骤一中的样本预处理过程，得到添加标签后的训练集a1，将添加标签后的训练集a1输入到svm预测模型中，进行模型的预训练和验证，并得到模型的初始训练配置参数，即得到初始svm预测模型；配置参数是指影响svm模型性能和行为的各种超参数；所述参数包括：
8、核函数，算法通过核函数将数据从原始空间映射到更高维的特征空间，从而在这个高维空间中找到一个线性可分的超平面；
9、c值，错误率的一个超参数，它控制着模型允许的最大错误率。c值越大，模型对错误率的容忍度越低，但可能会导致过拟合，c值越小，模型对错误率的容忍度越高，但可能会导致欠拟合；
10、核函数参数，其影响模型的性能和泛化能力，需要根据具体的数据和任务来确定；
11、正则化参数，用于控制模型复杂度和拟合数据的精确度，正则化参数的值越大，模型越简单，拟合数据的精确度越低。正则化参数的值越小，模型越复杂，拟合数据的精确度越高；
12、步骤三，通过步骤二得到的模型初始训练配置参数，以获取模型最佳的性能，再利用基于网络的迁移学习的方法，用训练集a2对svm模型进行训练和验证，根据svm模型不断的学习离子注入工艺参数与工艺结果的特征，生成最终的训练配置参数文件，即得到训练好的svm模型；
13、步骤四，通过步骤三生成的最终训练配置参数文件对测试集进行模型的最终测试，并以rmse(均方根误差)和r2(决定系数)作为评价指标。rmse是预测值与实际值之间差异的平方和的平均值的平方根，rmse值越小，表示预测模型与实际数据的差异越小，预测模型越准确。r2是实际值与预测值之间的相关系数的平方，r2值越接近1，表示模型的性能越好。
14、本发明的技术特点和性能优势：
15、本发明将机器学习用于碳化硅功率器件离子注入工艺优化，实现对离子注入关键工艺的精确控制和预测。也能够随着离子注入工艺新数据的积累，不断更新和重新训练模型，以适应工艺的变化和优化需求。通过持续的实验和数据分析，进一步优化模型和工艺参数。本发明相较于传统的碳化硅功率器件离子注入工艺方法，提高的工艺优化的速率及准确性，同时能够降低成本，减少废品率。能够高效适应各种不同的离子注入工艺条件与对应工艺结果的动态变化。
1.一种基于机器学习的碳化硅功率器件离子注入优化方法，其特征在于，采用支持向量机(svm作为机器学习优化的预测模型，具体步骤为：
2.根据权利要求1所述的基于机器学习的碳化硅功率器件离子注入优化方法，其特征在于，所述数据通过归一化，计算式为：
3.根据权利要求1所述的基于机器学习的碳化硅功率器件离子注入优化方法，其特征在于，所述核函数为线性核、多项式核、径向基函数(rbf)核或sigmoid核。
4.根据权利要求1所述的基于机器学习的碳化硅功率器件离子注入优化方法，其特征在于，所述均方根误差rmse是预测值与实际值之间差异的平方和的平均值的平方根，rmse值越小，表示预测模型与实际数据的差异越小，预测模型越准确；所述决定系数r2是实际值与预测值之间的相关系数的平方，r2值越接近1，表示模型的性能越好；其计算式为：
