基于神经网络的雪崩光电二极管SPICE模型构建

针对雪崩光电二极管（Avalanche Photodiode， APD）雪崩前后电流数量级相差大、I-V特性曲线变化剧烈的特点，在对I-V特性数据进行对数化、归一化预处理的基础上，采用浅层神经网络完成I-V函数拟合，并进一步优化神经网络结构以提升模型准确性. 在此基础上，使用Verilog-A硬件描述语言实现APD的SPICE模型，并应用Cadence软件设计电路验证模型的有效性和准确性，引入相对误差评估模型的准确度.结果表明：优化后的神经网络学习的I-V特性函数与TCAD仿真数据的均方误差损失为2.544×10-7，SPICE模型验证电路采样数据与TCAD仿真数据的最大相对误差为3.448%，平均相对误差为0.630%，构建SPICE模型用时约50 h，实现了高精度、高效率的器件SPICE模型构建，对新型APD的设计与应用具有重要指导意义.