一种深度学习技术驱动的InGaAs FinFET器件性能预测方法

本发明公开了一种深度学习技术驱动的InGaAs FinFET器件性能预测方法，首先选择更具代表性的工艺参数，并利用TCAD仿真生成大量的仿真数据，然后搭建适配InGaAs FinFET器件数据的PReLUNet深度学习网络模型，并使用仿真数据对模型进行预训练，使模型捕获到工艺参数与器件性能之间的潜在复杂关系，确保模型初步具备预测能力。接着通过少量实验数据集对模型进行微调校准，提升模型的预测精度和可解释性。本发明显著减少了对大量昂贵的实验数据的依赖，使模型能够在有限计算资源下找到实现InGaAs FinFET器件的最佳参数配置，从而加速器件设计阶段的迭代与优化，促进半导体器件设计的发展。