ارائه یک مدل بهبودیافته برای ترانزیستورهای ماسفت کانال کوتاه و بهینه سازی پارامترهای آن توسط الگوریتم جستجوی گرانشی

پیشرفت سریع تکنولوژی و به دنبال آن کاهش بعد ترانزیستورهای ماسفت باعث شده است که این ترانزیستور ها رفتار متفاوتی در مدارات الکترونیکی از خود نشان دهند. در دهه ی اخیر، مدل های زیادی برای تخمین رفتار ترانزیستور های ماسفت کانال کوتاه ارائه شده است. در این مقاله یک مدل جدید برای پیش بینی رفتار و عملکرد ترانزیستورهای ماسفت کانال کوتاه پیشنهاد شده است. مدل پیشنهادی با ایجاد تغییراتی روی مدل nthpower law mos ، دقت این مدل را افزایش و خطای آن را کاهش داده است. پارامترهای مدل پیشنهادی نسبت به دو مشخصه ی واقعی bsim3 در تکنولوژی130 نانومتر و tsmc_cm018rf در تکنولوژی180 نانومتر، که امروزه کاربرد بسیاری در مدارات الکترونیکی مخصوصا مدارات فرکانس بالا دارند، محاسبه شده است. به منظور افزایش دقت مدل پیشنهادی، پارامترهای آن، توسط سه الگوریتم وراثتی، بهینه سازی جمعیت ذرات و جستجوی گرانشی محاسبه شده است. نتایج بدست آمده نشان می دهد که برای مدل ارائه شده، الگوریتم جستجوی گرانشی نتایج بهتری به دست داده است.

Introducing a modified model for shortchannel MOSFET modeling And parameter optimization using gravitational search algorithm

The rapid advance of technology and the subsequent reduction size of the MOSFET transistors has led to different behavior of the transistors in electronic circuits. In recent decades, many models are presented to estimate the behavior of shortchannel MOSFET transistors. In This paper, a new model is proposed to predict the shortchannel MOSFET transistor behavior . This model, increases the accuracy and reduces the error rate of theamp;ldquo;nthpower law MOSamp;rdquo; against the original one. parameters of the proposed model is optimized and compared with the actual Characteristic BSIM3 at 130nm technology and TSMC_CM018RF at 180nm technology. These devices have Many applications in electronic circuits, especially highfrequency circuits. In order to increase the accuracy of the proposed model, its parameters are optimized by a heuristic optimization algorithm. To this, three algorithms including genetic algorithm, particle swarm optimization and gravitational search algorithm are compared.The experimental results indicate that for the proposed model, gravitational search algorithm has got better parameters.