用ASM HEMT模型提取GaN器件的参数

标题:Physics-Based Multi-Bias RF Large-Signal GaNHEMT Modeling and Parameter Extraction Flow (JEDS 17年)

模型描述

该模型的核心是对表面势(ψ)及其随施加的栅极电压(Vg)和漏极电压(Vd)变化的解析建模。在考虑了真实器件效应(如速度饱和、DIBL、迁移率退化、通道长度调制CLM,参见图1)之后,固有栅极电荷(Qgi)和漏极电荷(Qdi)以及漏极电流(Id)的表达式以公式 ( 1 ) (1) (1) ( 3 ) (3) (3)的形式书写。
Q g i = W L N f C g { V g o − ( ψ s + ψ d ) 2 + ψ d s 2 12 ( V g o − ( ψ s + ψ d ) 2 + K B T q ) } ( 1 ) \mathrm{Q_{gi}=WLN_fC_g\left\{V_{go}-\frac{(\psi_s+\psi_{d})}{2}+\frac{\psi_{ds}^2}{12\Big(V_{go}-\frac{(\psi_s+\psi_{d})}{2}+\frac{K_{B}T}{q}\Big)}\right\}} (1) Qgi=WLNfCg Vgo2(ψs+ψd)+12(Vgo2(ψs+ψd)+qKBT)ψds2 (1)
Q d i = − W L N f C g 2 { V g o − ( ψ s + 2 ψ d ) 3 + ψ d s 2 12 ( V g o + K B T q − ( ψ s + ψ d ) 2 ) + ψ d s 3 12 ( V g o + K B T q − ( ψ s + ψ d ) 2 ) − 2 } ( 2 ) \mathrm{Q_{di}=-\frac{WLN_fC_g}2}\left\{\mathrm{V}_\mathrm{go}-\frac{(\psi_\mathrm{s}+2\psi_\mathrm{d})}{3}+\frac{\psi_{\mathrm{ds}}^{2}}{12\left(\mathrm{V_{go}}+\frac{\mathrm{K_BT}}{\mathrm{q}}-\frac{(\psi_s+\psi_d)}2\right)}+\frac{\psi_{\mathrm{ds}}^3}{12}\left(\mathrm{V_{go}}+\frac{\mathrm{K_BT}}{\mathrm{q}}-\frac{(\psi_{s}+\psi_{\mathrm{d}})}2\right)^{-2}\right\} (2) Qdi=2WLNfCg Vgo3(ψs+2ψd)+12(Vgo+qKBT2(ψs+ψd))ψds2+12ψds3(Vgo+qKBT2(ψs+ψd))2 (2)
I d s = μ e f f C g 1 + θ s a t 2 ψ d s 2 W L ( V g o − ψ m + V t h ) ( ψ d s ) ( 1 + λ V d s ) ( 3 ) I_{\mathrm{ds}}=\frac{\mu_{\mathrm{eff}}C_{g}}{\sqrt{1+\theta_{\mathrm{sat}}^2\psi_{\mathrm{ds}}^2}}\frac{W}{L}\left(V_{\mathrm{go}}-\psi_{m}+V_{\mathrm{th}}\right)\left(\psi_{\mathrm{ds}}\right)\left(1+\lambda V_{\mathrm{ds}}\right) (3) Ids=1+θsat2ψds2 μeffCgLW(Vgoψm+Vth)(ψds)(1+λVds)(3)
ψ m = ( ψ d + ψ s ) / 2 \psi_m=(\psi_d+\psi_s)/2 ψm=(ψd+ψs)/2
在这里插入图片描述
图 1. 为实现更接近实际器件行为的模型,在基于核心表面势垒的漏极电流模型中加入了多种非理想性因素。

为了捕捉GaN器件由于大面积接入区(AR)导致的开启电阻显著调制,特别是在漏极支持高击穿电压时,在核心模型基础上附加接入区电阻模型。接入区中的电流表示形式如(4)所示,其中Lacc为接入区长度,NS0ACCS、VSATACCS和U0ACCS分别代表接入区二维电子气(2DEG)面载流子密度、载流子饱和速度和迁移率。
R d s , a c c = R c W ⋅ N f + L a c c W ⋅ N f ⋅ q ⋅ N S 0 A C C S ⋅ U 0 A C C S × ( 1 − ( I d s W ⋅ N f ⋅ N S 0 A C C S ⋅ V S A T A C C S ) 2 ) − 1 / 2 ( 4 ) \mathrm{R_{ds,acc}=\frac{R_{c}}{W\cdot N_{f}}+\frac{L_{acc}}{W\cdot N_{f}\cdot q\cdot N_{S0ACCS}\cdot U_{0ACCS}}\times\left(1-\left(\frac{I_{ds}}{W\cdot N_{f}\cdot N_{S0ACCS}\cdot V_{SATACCS}}\right)^{2}\right)^{-1/2}} (4) Rds,acc=WNfRc+WNfqNS0ACCSU0ACCSLacc×(1(WNfNS0ACCSVSATACCSIds)2)1/2(4)

直流参数提取

参数描述
VOFF截止电压
NFACTOR子阈值斜率因子
CDSCDSS退化因子
η0DIBL参数
VDSCALEDIBL参数
U0低场迁移率
NS0ACCSAR 2DEG密度
VSATACCSAR饱和速度
RTH0热阻

图 2.使用多偏压Id − Vg和Id − Vd曲线进行逐级直流参数提取流程。
在这里插入图片描述
从Id − Vg线性数据中识别VOFF。在提取VOFF之后,从对数坐标Id − Vg曲线中优化NFACTOR、η0和CDSCD参数。
在这里插入图片描述
U0参数被优化以适应低栅极电压条件。

在这里插入图片描述
在Id与Vd曲线的线性区段中,通过调整NS0ACCS来拟合导通电阻。
在这里插入图片描述
VSATACCS是通过拟合Id与Vd曲线中的饱和电流来提取的。
在这里插入图片描述
RTH0参数被调整以适应自热效应的拟合。模型在参数提取前后的结果分别用红色和黑色显示。

首先,图2(a)展示了在多个Vd条件下的Id与Vg关系曲线,分别采用线性刻度和对数刻度。VOFF可以从数据中识别出来,即当Id开始上升时的Vg值,标志着亚阈值区间的结束。也可以通过广为人知的gm-导数法或恒定电流法对其进行量化。所提取的VOFF值应与Id − Vg对数坐标图相吻合,从而提供一个良好的初始VOFF值,并可通过微调以实现更好的拟合。在同一幅图中,在亚阈值区域的对数坐标曲线上可以提取出NFACTOR、CDSCD、η0和VDSCALE等参数。其中,NFACTOR是亚阈值斜率参数,可以通过优化来适应低Vd值下的亚阈值斜率。一旦确定了NFACTOR,参数η0就可以进行优化调整,以便随着Vd增加补偿DIBL(栅极电压引起的漏电流崩落)效应或VOFF的退化。另外,η0也可以通过对数据直接观察得到。对于相同的电流,在线性饱和Vd值之间的亚阈值曲线位移可大致估计η0的大小;而VDSCALE决定了VOFF随Vd增加的变化速率。随着Vd增大,亚阈值斜率的恶化程度由CDSCD决定。

低场迁移率参数U0通过拟合Id与Vg线性图中的低Vd和低Vg数据条件进行调整,这样可以合理地假设垂直电场以及沿沟道方向的电场导致的迁移率退化结果为U0。图2(b)及其放大插图突出了优化U0后得到的拟合结果。

AR参数NS0ACCS和VSATACCS分别从Id与Vd的线性区和饱和区中提取,如图2©和2(d)所示。其中,NS0ACCS对于决定导通电阻至关重要,而VSATACCS则用于确定饱和电流水平。自热效应(SHE)采用标准的R-C网络方法建模,该方法包括一个热阻(RTH0)和一个热容(CTH0)。在热节点处电压的变化反映出温度的上升(ΔT),并将此温升值叠加到器件运行时的名义温度(TNOM)上。DC-IV特性曲线中的高电流Id与Vd区域呈现出负斜率,如图2(e)所示,这表明模型预测到了SHE效应,并且可以借此提取参数RTH0。上述描述的过程总结于图3中。

在这里插入图片描述
图3. 所述的直流参数提取流程,不仅用于拟合漏极电流,还用于获取器件的固有电容。AR模型如图2所示被整合进固有模型中。

陷阱效应的建模

为了准确估计GaN HEMT的大信号射频行为,建立精确的陷阱模型至关重要。与预期理论输出功率(VppIpp/8)相比,射频功率放大器的实际输出功率下降现象可归因于各种陷阱效应的表现形式,例如电流崩塌、拐点漂移、漏极滞后、栅极滞后等。在图4所示的双脉冲模式下,采用1000 Hz脉冲频率和0.02%占空比进行脉冲IV特性表征,该测试在多种静态漏极和栅极偏压条件下进行,确保栅极电压和漏极电压同时从静态偏压点进行脉冲变化。脉冲宽度为200 ns,测量窗口在200 ns内的40 ns时段内足够短,以确保脉冲-IV特性的等温及动态同条件测量。
在这里插入图片描述
图4. (I) 用于模拟陷阱效应的两个R-C子电路,其中一个用于栅极滞后,另一个用于漏极滞后。电压Vtrap1和Vtrap2被反馈至紧凑模型中,以更新其关键参数,如(5)所示。 (II) 双脉冲方案进行脉冲-IV仿真。
V O F F ( T r a p ) = V O F F + ( V O F F T R ⋅ V t r a p 2 ) \mathrm{V_{OFF}}(\mathrm{Trap})=\mathrm{V_{OFF}}+\left(\mathrm{V_{OFFTR}}\cdot\mathrm{V_{trap2}}\right) VOFF(Trap)=VOFF+(VOFFTRVtrap2)
η 0 ( Trap ) = η 0 + ( η 0 TR ⋅ V trap 2 ) \eta_{0}(\text{Trap})=\eta_{0}+\left(\eta_{0\text{TR}} \cdot \mathrm{V}_{\text{trap}2}\right) η0(Trap)=η0+(η0TRVtrap2)
C D S C D ( T r a p ) = C D S C D + ( C D S C D T R ⋅ V t r a p 2 ) \mathrm{C}_{\mathrm{DSCD}}(\mathrm{Trap})=\mathrm{C}_{\mathrm{DSCD}}+\left(\mathrm{C}_{\mathrm{DSCDTR}}\cdot\mathrm{V}_{\mathrm{trap}2}\right) CDSCD(Trap)=CDSCD+(CDSCDTRVtrap2)
R d s ( T r a p ) = R d s − ( R T R 1 ⋅ V t r a p 1 ) + ( R T R 2 ⋅ V t r a p 2 ) (5) \mathrm{R_{ds}}(\mathrm{Trap})=\mathrm{R_{ds}}-\left(\mathrm{R_{TR1}}\cdot\mathrm{V_{trap1}}\right)+\left(\mathrm{R_{TR2}}\cdot\mathrm{V_{trap2}}\right)\tag{5} Rds(Trap)=Rds(RTR1Vtrap1)+(RTR2Vtrap2)(5)
从图5中观察到,由于陷阱导致色散需要建模的四个最重要的参数分别是VOFF、η0、CDSCD以及漏源极电荷储存电容电阻(Rds)。采用如图4所示的两个R-C子电路对此进行建模。节点电压Vtrap1和Vtrap2分别代表栅极滞后和漏极滞后的影响,并将这两个电压反馈回模型中,用于更新VOFF、η0、CDSCD和Rds的值。其中,VOFFTR、η0TR、CDSCDTR、RTR1和RTR2作为参数使用。如图5所示,在多种静态偏压条件下对脉冲Id与Vg及Id与Vd的精确模型拟合结果,验证了所提出的陷阱模型的有效性。
在这里插入图片描述
在这里插入图片描述
图5. 利用陷阱模型得到的测量值与模拟值之间关于(a)脉冲Id-Vg特性和(b)脉冲Id-Vd特性的相关性。在多种静态偏压条件(Vdq=5,20 V和Idq=10,100 mA/mm)下观察到精确拟合结果,这对于模型非线性射频行为至关重要。

射频参数提取

图 6 中展示了射频小信号等效电路 (SS-EC)。整个 SS-EC 具有栅极 (GMF) 和漏极 (DMF) 区域或焊盘,分别将信号传递到栅极和漏极端口。它还有源极区域 (SMF) 或通孔,通过这些通孔,源极焊盘连接到背板金属化层。在这些区域之外,总线电感 Lxg、Lxd 和 Lxs 表示焊盘与实际 DUT 之间的连接,DUT 本身由工艺设计套件 (PDK) 控制。放大插图显示了 DUT 内部特征寄生电容 CGS,p、CGD,p 和 CDS,p 以及访问电阻 Rg、Rd 和 Rs 的等效电路表示。
在这里插入图片描述
图 6. 包括由ASM-HEMT模型PDK描述的内在器件在内的整个设备的小信号等效电路模型。接入电阻Rg、Rd和Rs包含在内在核心模型中,而仅总线电感构成了外在级别的寄生参数。汇流条采用标准传输线模型进行模拟。

在完成直流-电压(DC-IV)参数提取的主要工作后,由于它们依赖于单一物理量ψ,因此同时确定了跨导(gm)、输出电导(gds)、内在电容(Cgs,i、Cgd,i和Cds,i)以及内在栅极电阻(Rg,i)。此外,在进行直流参数提取时,同时也对AR电阻(Rd和Rs)进行了拟合。所以,现在只剩下提取寄生电容以及栅极指状电阻(Rg,f)以及电感的任务。

Keysight的ADS模拟器进行所有模型仿真。在多种偏压条件下测量得到的宽频S-参数(0.5至50 GHz)被用于射频参数提取。通过采用晶圆上通反射载(Through Reflect Load, TRL)去嵌方法,对汇流条进行了去嵌,并得到了每个汇流条形式上的两端口S-参数文件。去嵌后的外在层测量结果自此被用于参数提取。

首先遵循标准低频Y参数法进行内在元件提取。需要注意的是,正如第三节中所述,在核心模型中包含了AR模型,因此我们可以利用这一优势,将Rs和Rd从内在的小信号等效电路(SS-EC)中省略掉,因为它们对跨导gm和输出电导gds的影响已经通过AR模型得以体现。这样显著简化了在不牺牲准确度的情况下进行射频参数手工分析的过程,尽管省略了AR电阻,不会因遗漏这些电阻而影响准确性。

本征SS-EC元件测量值与模拟值的重叠图在频率轴上的对比结果如图7所示。通过调整寄生电容的数值以使电容曲线达到相应的水平,同时陷阱模型负责处理gds的色散现象。在模型中,gm在低频段唯一表现出的色散是由自热效应引起的,并由自热参数RTH0和CTH0决定。不过,这些元素对偏压的依赖性已经由基于表面势核心模型妥善处理了。

在近10 GHz的频率范围内,这些元件对频率的准独立性表现良好,这是一个验证所提出射频模型有效性的标准基准。这意味着在出现感抗效应之前,我们拥有一个显著的提取范围。
在这里插入图片描述
图7. 对于Vd = 5 V和10个栅极偏压条件提取得到的小信号等效电路(SS-EC)的 (a) Cgs、(b) Cgd、© gm和(d) gds。为了使模型与测量数据拟合,已将寄生电容调整为表2中给出的数值以适应(a-b)部分的情况。观察到一个足够宽的频率范围(约10 GHz),在这个范围内SS-EC元件表现出频率无关的行为,在此之后感抗效应开始占主导地位。

在这里插入图片描述
值得注意的是,当移动到更低的频率时,栅极电阻Rg会急剧增加(见图8(a)),这可归因于GaN器件中由于电流流过栅源和栅漏二极管而导致的栅极-通道微分电阻。通过在栅源和栅漏端子之间加入大电阻Rgs和Rgd来模拟这一现象,如图8(b)所示。尽管如此,仍能发现一个可观的频率范围用于提取栅指电阻Rg,f = Rg − Rg,i,这一点在图8(a)中得以展示。

表2中展示了提取出的寄生电容和电阻值。采用标准RC串联网络跨越漏极和源极节点来捕获基板损耗,如图8(b)所示。该衬底网络影响了在低频段观察到的gds色散现象,进而影响设备的S22参数。理想情况下,对应RC衬底网络的时间常数应由低频Y参数确定。但由于设备宽带S参数测量数据从500 MHz开始,因此无法精确提取Rsub和Csub的确切值。为此,选择了一个方便的时间常数,使其既能很好地解释500 MHz以下的gds色散现象,同时又能提供最佳拟合效果。在本研究中,将这个时间常数设置为50 μs或20 kHz。
在这里插入图片描述
图 8. 为了捕获分别由栅源和栅漏肖特基二极管中电流导致的微分栅电阻,本征的小信号等效电路(SS-EC)中包含了大电阻Rgs和Rgd。它们的加入在低频时显著影响了整体栅电阻(Rg),如图8(a)所示。Rsub和Csub被包含进来以捕捉输出端口处的衬底损耗。需要注意的是,由于AR电阻Rs和Rd的影响已嵌入到gm和gds中,因此在此省略不计。

值得注意的是,外在电感和偏压相关的本征电容会在更高频率产生共振现象,其具体表现为在外在层Y参数中出现的凹陷和峰值。如图9所示,这是一个示例说明。这些特征可以用于提取表3中列出的总线电感,以便匹配测量值与模型预测值对应的峰值。可以看出,由于电容随偏压变化而变化,该模型在捕获多种偏压条件下的共振行为方面具有高度准确性,从而作为验证模型提取过程的另一种方法。Lxs的负值可能归因于对衬底寄生效应的不适当校准或去嵌入处理。
在这里插入图片描述
图 9. 展示了模型预测与测量得到的宽带外在层Y参数之间的比较。此处以Y11为例进行说明。模型精确地捕捉到了峰值和谷值及其对偏压的依赖性,这反映了内在电容与外在电感之间相互作用的表现。可以通过微调总线电感的数值来匹配测量值与模型预测值在外在层Y参数中的峰值和谷值。
在这里插入图片描述
为总结射频参数提取过程,图10展示了频率范围在0.5至50 GHz之间的宽带S-参数重叠情况。结果显示了20种不同的偏压条件:漏极电压分别为5 V和20 V,并且栅极电压有10种不同的值,使得静态电流跨越了一个数量级(从10 mA/mm到100 mA/mm)。在各种不同偏压条件下,测量数据与模型之间呈现出高度相关性,这对于设计在不同漏极供电电压下的各类功率放大器(PA)来说是一项重要的模型能力。同时,该模型精确预测了S22中拐点效应对偏压的依赖关系,这对于PA输出匹配网络的设计具有重要意义。整个参数提取流程直接明了,无需采用任何优化算法,如图11所示进行了总结概述。
在这里插入图片描述
图 10. 对比了频率在0.5至50 GHz范围内的模型预测与实验测量得到的宽带外在层S-参数数据。Smith图展示了两种不同漏极偏压条件下的S11和S22(a-b)、S12和S21(c-d),每种漏极条件下有10种不同的栅极偏压(Id = 10至100 mA/mm)。该模型精确地捕捉到了S-参数对偏压的依赖性,这验证了核心内在模型以及射频参数提取过程的准确性。模型出色地再现了S22中的拐点效应,突显了器件内在特性的卓越建模能力。箭头指示了电流Id增加的方向。
在这里插入图片描述
图11. 射频参数提取流程,用于提取GaN器件的射频小信号模型。该流程直接明了,无需进行任何优化,并通过如图10所示测量值与模拟宽带S-参数之间准确的相关性得到了验证。

大信号模型行为

为了检验所提出的模型的大信号性能表现,将测量数据与模型生成的输出功率(POUT)和功率附加效率(PAE)负载牵引曲线进行了对比分析。如图12(a)所示的是使用模型PDK和设备外在组件构建的ADS负载牵引原理图。通过Focus Microwaves提供的负载调谐器,在10 GHz基波频率下以输入功率(PIN)为22 dBm获取了测量负载牵引数据。

为了更深入地理解负载阻抗对POUT和PAE的影响,在图12(b)至12(i)中将测量得到的负载牵引数据重新解释为离散负载扫描,并与模型估算结果进行了比较。结果显示,随着负载实部和虚部的变化,POUT和PAE及其相互之间的权衡关系均被模型精确捕捉到了。
在这里插入图片描述
在这里插入图片描述
图 12. (a) 使用嵌入模型模拟负载牵引曲线的ADS原理图。以2端口S参数组件形式添加了焊盘级寄生效应。中央位置是受ASM-GaN-HEMT PDK控制的DUT(Device Under Test,待测器件)。
(b-i) 在10 GHz信号频率下,针对多种偏置条件,分别展示了POUT和PAE随着实部负载电阻和虚部负载电抗变化的离散负载扫描结果。该模型准确预测了POUT和PAE的最大值及其在改变负载阻抗时相互之间的权衡关系。

表4中给出了在不同栅极偏压条件下,通过负载牵引曲线获得的实现最大POUT和PAE的最佳负载阻抗值。在图13(a)至13(d)中,测量数据与模拟轮廓的重叠显示了高度相似性,这突显了所提出模型能够准确捕捉GaN HEMT非线性特性的能力,从而有效地预测POUT和PAE。由于负载牵引数据是在焊盘级进行测量的,因此在ADS模拟器中构建模型时,需要将提取的汇流条结构添加到外在层模型中,如图12(a)所示。
在这里插入图片描述
图13. 对比了在Vd = 20 V时,两种电流密度Id分别为10 mA/mm和100 mA/mm条件下测量的和模拟得到的POUT(a, c)与PAE(b, d)负载牵引曲线。在标准50欧姆阻抗下,史密斯圆图区域对幅度范围0.26 < Magnitude( Γ \Gamma Γ) < 0.71和相位范围70° < Phase( Γ \Gamma Γ) < 160°进行了采样。该模型准确预测了随着负载阻抗变化时,POUT和PAE的最大值及其相互权衡关系。红色轮廓:实测数据;蓝色轮廓:模拟数据。

最后,进行了功率扫描仿真研究,以考察当器件进入压缩区域时模型的性能表现,如图14所示。负载阻抗设置为最大PAE状态。该模型在预测器件非线性行为方面表现出色,特别是在器件达到非线性区域后增益压缩现象以及随后在功率回退时PAE峰值的表现。通过精确模拟大信号工作条件下陷阱效应和自热现象,该模型能够在多种偏置条件下实现这样的准确性。这些结果表明,该模型已经准备好作为基于GaN HEMT技术的先进射频电路设计行业标准使用。
在这里插入图片描述
图14. 比较了模型模拟与实测的POUT(输出功率)、增益和PAE(功率附加效率)作为可用输入功率(PIN)函数的变化情况,其中Vd分别设置为5 V和20 V,并考虑两种栅极偏压条件Id = 10 mA/mm和100 mA/mm。22 dBm射频输入信号的工作频率为10 GHz,负载阻抗值设定为实现最大PAE。模型精确地再现了增益压缩现象,这表明该模型准确地捕捉到了非线性特性。

结论

本研究展示并成功验证了一种基于表面势的GaN HEMT射频大信号模型,该模型针对商业GaN器件的测量数据进行了验证。研究发现,通过拟合模型以匹配直流-电压(DC-IV)特性曲线,由于器件本征电荷与电流之间的自洽性,将自动生成用于射频模拟的小信号等效电路,除了寄生电容和栅极电阻需要采用标准程序进行提取之外。此外,还利用RC电路对陷阱效应进行了建模,并使用宽带S参数对射频模型进行了验证。进一步地,该模型展示了其预测不同负载阻抗下负载牵引曲线及其对应最大值的能力,这对于精确进行功率放大器的一次性设计十分有用。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/652573.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

C++ STL中list迭代器的实现

list 的模拟实现中&#xff0c;重难点在于迭代器功能的实现&#xff0c;因此本文只围绕 iterator 及 const_iterator 的设计进行介绍&#xff0c;其余如增删查改则不再赘述——在C语言的基础上&#xff0c;这些都非常简单。 与 string / vector 不同&#xff0c;list 的节点原生…

【时间安排】

最近刚刚回到家&#xff0c;到家就是会有各种事情干扰&#xff0c;心里变乱人变懒的&#xff0c;而要做的事情也要继续&#xff0c;写论文&#xff0c;改简历&#xff0c;学习新技能。。 明天后天两天写论文改简历 周一&#xff08;早上去城市书房&#xff0c;可能吵一点戴个耳…

【深度学习:开源BERT】 用于自然语言处理的最先进的预训练

【深度学习&#xff1a;开源BERT】 用于自然语言处理的最先进的预训练 是什么让 BERT 与众不同&#xff1f;双向性的优势使用云 TPU 进行训练BERT 结果让 BERT 为您所用 自然语言处理 &#xff08;NLP&#xff09; 面临的最大挑战之一是训练数据的短缺。由于 NLP 是一个具有许多…

C#学习(十一)——Array和Collection

一、集合 集合重要且常用 孤立的数据是没有意义的&#xff0c;集合可以作为大量数据的处理&#xff0c;可进行数据的搜索、迭代、添加、删除。 C#中&#xff0c;所有集合都必须实现ICollection接口&#xff08;数组Array除外&#xff09; 集合说明Array数组&#xff0c;固定长…

【GitHub项目推荐--基于 AI 的口语训练平台】【转载】

Polyglot Polyglot 是一个开源的基于 AI 的口语训练平台客户端&#xff0c;可以在 Windows、Mac 上使用。 比如你想练习英语口语&#xff0c;只需在该平台配置一个虚拟的 AI 国外好友&#xff0c;你可以通过发语音的方式和 AI 好友交流&#xff0c;通过聊天的方式提升你的口…

中仕教育:事业单位考试考什么?

事业单位考试分为两个阶段&#xff0c;分别是笔试和面试&#xff0c;考试科目包括公共科目和专业科目两部分。 公共科目内容是公共基础知识、职业能力测试或申论。一种形式为&#xff1a;公共基础知识职业能力测试或职业能力测试申论。另一种形式为&#xff1a;公共基础申论。…

c语言基础6

1.逗号表达式 逗号表达式&#xff0c;就是用逗号隔开的多个表达式。 逗号表达式&#xff0c;从左向右依次执行。整个表达式的结果是最后⼀个表达式的结果。 我们来看下面的一个代码&#xff1a; int main() {int a 1;int b 2;int ret (a > b, a b 2, b, b a 1);p…

Nginx实现反向代理负载均衡实验

实验环境&#xff1a; VM REdhat虚拟机&#xff08;192.168.87.5&#xff09;一台、VM Redhat虚拟机&#xff08;192.168.87.3&#xff09;一台、阿里云服务器&#xff08;47.93.79.92&#xff09;一台 实验要求&#xff1a;通过windows浏览器访问192.168.87.5&#xff08;虚…

《合成孔径雷达成像算法与实现》Figure5.19

clc clear close all距离向参数 R_eta_c 20e3; % 景中心斜距 Tr 25e-6; % 发射脉冲时宽 Kr 0.25e12; % 距离向调频率 Fr 7.5e6; % 距离向采样率 Nrg 256; % 距离线采样点数 Bw abs(Kr*Tr); …

仰暮计划|“她就是用她的一双小脚把我们兄弟姐妹几个拉扯大的”

在残存的一些老物件中&#xff0c;在一些泛黄的相片中&#xff0c;掩藏着岁月的冲刷和青葱的时光。曾经无忧无虑的少女早已白发苍苍&#xff0c;不复青春貌美&#xff1b;曾经在父母面前笑闹的孩子早已变成他人眼中的长辈。 ——题记 她的身影也许并不高大&#xff0c;甚至还略…

Linux编辑器vim(含vim的配置)

文章目录 前言vim的基本概念vim基本操作进入vim模式切换退出vim vim指令vim命令模式指令vim底行模式命令 简单vim配置 前言 本篇文章&#xff0c;小编将介绍Linux编辑器–>vim以及vim的配置。 vim的基本概念 正常/普通/命令模式(Normal mode) 控制屏幕光标的移动&#xf…

Gin 框架之jwt 介绍与基本使用

文章目录 一.JWT 介绍二.JWT认证与session认证的区别2.1 基于session认证流程图2.2 基于jwt认证流程图 三. JWT 的构成3.1 header : 头部3.2 payload : 负载3.2.1 标准中注册的声明 (建议但不强制使用)3.2.2 公共的声明3.2.3 私有的声明3.2.4 定义一个payload 3.3 signatrue : …

【计算机网络】概述|分层体系结构|OSI参考模型|TCP/IP参考模型|网络协议、层次、接口

目录 一、思维导图 二、计算机网络概述 1.计算机网络定义、组成、功能 2.计算机网络分类 3.计算机网络发展历史 &#xff08;1&#xff09;计算机网络发展历史1&#xff1a;ARPANET->互联网 &#xff08;2&#xff09;计算机网络发展历史2&#xff1a;三级结构因特网 …

jenkins对接K8S

创建连接K8S的凭据 查看需要使用到的命名空间 [rootk8s ~]# kubectl get ns |grep arts-system arts-system Active 16d创建service accounts [rootk8s ~]# kubectl create sa jenkins-k8s -n arts-system serviceaccount/jenkins-k8s created [rootk8s ~]# kubectl…

一键批量处理,轻松为HTML文本添加所需内容

你是否曾经遇到过需要批量处理大量HTML文本的情况&#xff1f;是否曾经因为一个个编辑而感到繁琐和无趣&#xff1f;现在&#xff0c;这些问题都可以得到轻松解决&#xff01;我们的文本批量处理工具&#xff0c;为你提供一站式的服务&#xff0c;让你告别重复繁琐的操作&#…

java eazyexcel 实现excel的动态多级联动下拉列表(2)使用MATCH+OFFSET函数

原理 同样是将数据源放到一个新建的隐藏的sheet中&#xff0c;第一行是第一个列表的数据&#xff0c;第二行是每一个有下级菜单的菜单&#xff0c;他下面的行就是他下级菜单的每一值使用MATCH函数从第二行找到上级菜单对应的列根据OFFSET函数从2中获取的列&#xff0c;取得下级…

深度学习之处理多维特征的输入

我们首先来看一个糖尿病的数据集&#xff1a; 在数据集中&#xff0c;我们称每一行叫做sample&#xff0c;表示一个样本&#xff0c;称每一列是feature&#xff0c;也就是特征在数据库里面这就是一个关系表&#xff0c;每一行叫做记录&#xff0c;每一列叫做字段。 每一个样本都…

2024年第一篇博客

这是2024年的第一篇博客&#xff0c;2023年笔者经历了一连串的生活、工作、学习上的转折和调整&#xff0c;跌跌撞撞时光飞逝&#xff0c;转眼间就踏着元旦的钟声步入了2024年&#xff0c;前思后想、辗转反侧、犹豫再三不知道从哪里开始博客新的篇章&#xff0c;这个问题坦诚说…

ARL灯塔vps云服务器安装

前提是vps服务器已经安装好docker 1、下载压缩包到本地 2、解除不能扫描edu等域名的限制 解压docker_arl.zip&#xff0c;打开docker_arl/config-docker.yaml文件 删除掉edu.cn等限制域名(图中已删除) 3、上传至vps云服务器 将docker_arl文件上传到云服务器opt目录下 这里我…

【智能家居】6、语音控制及网络控制代码实现

一、语音控制 1、指令结构体编写 这个结构体定义了一个命令输入的模型。在这个模型中,包含以下几个部分: cmdName:一个长度为128的字符串,用于存储命令名称。dvicesName:一个长度为128的字符串,用于存储设备名称。cmd:一个长度为32的字符串,用于存储具体的命令。Init:…