iMoB v4.1 Release 2026 Q2全新版本介绍
围绕项目管理、训练配置和新模型能力形成更完整的建模流程
Fusion Model 面向 MOSFET 器件类型开放，使用户在 MOSFET 项目下可以选择 fusion model 训练与验证流程，而不只是使用传统纯 ANN 模型。这两项功能共同扩展了 iMoB 的适用范围，也增强了从数据处理到电路仿真的完整闭环能力。同时，IV 训练结果可进一步计算 id_lin、id_sat、vth_lin、vth_sat 等关键指标，并在界面中以四张图的方式与原始数据进行对比。
新增 Diode single 项目类型，支持训练、绘图和电路仿真闭环
Diode 项目面向二端器件建模，当前支持 single 模式，可完成数据加载、训练、绘图、Verilog-A 生成、netlist 生成与仿真验证。同时，针对同一 Diode 器件在 forward 与 reverse 偏置方向下数据分布差异较大的情况，软件支持分别建立 forward 与 reverse 项目进行独立训练，并通过组合 Verilog-A 功能将两个方向的模型统一到同一个器件模型中。在仿真过程中，组合模型可根据输入电压方向自动选择对应的 forward 或 reverse 模型分支，从而提升 Diode 在完整工作区间内的建模稳定性与仿真适用性。
训练界面在本版本中进行了功能增强。新版训练界面在保持主窗口信号交互和原有训练流程兼容的前提下，增加了面向用户的自定义训练设置能力。用户可以更直观地设置训练类型、epoch、学习率、优化器、loss function、weight decay、early stopping等参数，并通过 loss function 设置界面对目标项和权重进行配置，逐步转向可配置、可扩展、可复用的训练工作流。
项目类型由 device type 扩展为 device type + mode type
软件对项目类型体系进行了规范化调整。项目逻辑被拆分为 device type 与 mode type 两个维度：device type 用于描述器件类型，mode type 用于描述项目模式，对于已有项目，软件仍保留必要的兼容逻辑。该调整使项目结构更清楚，也为后续继续增加 Diode、其它二端器件或更多 multiple 项目功能提供了更稳定的基础。
Fusion Model 是一种融合物理机理与神经网络能力的先进紧凑建模功能。它在保留传统 compact model 核心物理方程的基础上，引入小型神经网络来自动描述复杂的几何依赖、工艺依赖和高维参数关系，从而提升模型构建、参数提取和新器件迁移的效率。
在先进工艺节点中，器件模型往往需要大量经验公式、fitting 参数和 binning 策略来覆盖不同尺寸、不同偏置和不同工艺条件。这会导致模型参数数量庞大、提参流程复杂、更新成本高，并可能带来跨 bin 不连续等问题。Fusion Model 通过“物理模型 + tiny neural network”的方式，将传统模型中难以手工表达的复杂关系交给神经网络学习，同时保留物理方程对模型连续性、可解释性和外推能力的约束。
Fusion Model 在以下几个方面具有突出效果:
提升建模效率
Fusion Model 将传统分步骤、强人工参与的参数提取流程，转化为可自动优化的训练过程。由于模型整体具有良好的可微性，可以利用反向传播算法完成快速参数化，从而显著缩短建模周期。同时神经网络能够替代部分经验拟合公式和 binning 参数，减少冗余参数，使模型结构更紧凑。对于复杂先进器件，有助于降低模型维护成本和参数管理难度。
实现全局建模能力
Fusion Model 可以用一套模型参数覆盖更宽的器件尺寸和工艺范围，减少对多套 binning 参数的依赖。这有助于改善传统 binning model 可能存在的边界不连续问题，并提升模型在设计空间中的一致性。
降低数据需求
Fusion Model 保留了 compact model 的物理公式骨架，使神经网络主要用于表征复杂几何依赖关系和局部修正项，无需完全依赖数据驱动方式重构器件行为，因此每个器件尺寸通常只需一套完整的 I-V / C-V 数据即可完成有效参数化，不会受限于数据有限的建模场景。
增强外推与物理一致性
与纯数据驱动模型相比，Fusion Model 保留了核心物理约束，因此在训练数据之外的电压、尺寸或温度范围内具有更好的稳定性和外推能力。这对于电路仿真中的收敛性和可靠性尤为重要。
适合先进器件和 DTCO 流程
对于 GAAFET等新型器件，传统物理建模往往需要重新设计多个复杂模块。Fusion Model 可以在保留已有物理框架的同时，通过增加新的几何输入参数实现快速迁移，适合用于先进工艺开发、DTCO 迭代和早期 PDK 建模。
Fusion Model相关参考文献：
[1] B. Peng, F. Zhang, W. Dai, H. Wu, G. Cheng, R. Wang, M. Chan, and L. Zhang, “PHIMO-NN: Compact Modeling by Fusing Device Physics and Neural Networks for One-shot Parameterization,” IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, 2025, doi: 10.1109/TCAD.2025.3590659.
DC IV 电流特性
fusion iv metrics
fusion cv
IV仿真结果
IV idvd simulation
IV idvg simulation
Diode原始数据
diode forward
doede reverse
训练拟合效果
diode forward ann
doede reverse ann
创建forward-reverse组合Verilog-A
仿真结果
diode forward simulation
diode reverse simulation
最后，欢迎您与我们联系，进一步了解或试用iMoB v4.1 Release 2026Q2，如果您有器件模型开发的需求，欢迎联系我们，我们会提供为您定制的器件模型开发及一站式器件参数提取服务。
digital_eda@pkueda.org.cn
