电子设计自动化（Electronic Design Automation,EDA）工具是功率集成电路设计的核心。作为功率集成电路重要组成部分的横向功率器件,是决定功率集成电路与片上功率系统性能、成本、可制造性以及集成度的关键。对横向功率器件的设计高度依赖于EDA工具和人工经验的组合,因而无法实现真正的高效自动化设计。近年来,由于大数据爆发式发展以及计算机性能的不断提高,通过机器学习算法建模以实现智能EDA设计得到了广泛的关注和研究。本文以绝缘体上硅（Silicon on Insulator,SOI）横向功率器件为出发点,以其设计和可制造方法作为重点研究对象,对器件的击穿性能预测、结构参数的自动优化设计以及版图设计阶段的光刻热点检测进行了研究。通过将机器学习算法运用到SOI横向功率器件的设计研究中,旨在为其高效且精确的设计与可制造技术提供支持。本文的主要研究内容和贡献如下:1.SOI横向功率器件击穿性能预测模型（1）SOI横向功率器件击穿位置预测分类模型的建立。分析和概括了影响SOI横向功率器件击穿性能的重要要素,将这些重要要素作为模型的输入,提出了基于深度神经网络（Deep Neural Network,DNN）的击穿位置预测方法。该方法通过网络架构的信息前向传播和误差反向反馈过程,建立了击穿位置预测的分类模型。研究结果表明,相对于传统TCAD仿真的数值运算,该方法击穿位置预测的精确度高达97.67%,且能快速地给出击穿位置,说明该分类模型能准确地给出击穿位置,极大地提高了器件的性能预测速度。（2）SOI横向功率器件击穿电压（Breakdown Voltage,BV）预测回归模型的建立。针对SOI横向功率器件的击穿电压,分析了不同击穿位置所对应的击穿电压变化趋势。在此基础上,利用深度神经网络或者高斯过程回归（Gaussian Process Regression,GPR）,提出了两阶段的预测框架,实现了击穿电压预测的回归模型。研究结果表明,击穿电压预测的结果较目标值的平均误差小于4%,且能在1秒内输出击穿电压。相较于传统的数值仿真工具,基于机器学习的回归模型在保证检测精度的同时,可以极大降低预测时间,避免了运用仿真工具收集性能存在的收敛难题。2.SOI横向功率器件结构自动优化设计方法（1）基于无约束条件的功率器件结构自动优化设计。利用影响SOI横向功率器件击穿电压和导通电阻（On Resistance,Ron）的因素,分别建立了由结构到性能的BV-Ron预测模型。进而在此基础上,提出了一种基于贝叶斯优化算法的全自动SOI横向功率器件结构设计方法。该方法通过给定设计目标规格,包括击穿电压和导通电阻,首先利用目标函数衡量随机初始器件结构与目标结构之间的差距,而后在利用该先验知识的基础上,通过优化目标函数自动迭代搜索出满足理想指标的器件结构。研究结果表明,采用该自动化设计方法实现的结构较理想指标之间的平均误差在5%以内,有效避免了复杂的人工参数调整过程。该方案还可极大地提高设计效率,减少设计时间,为高效的器件设计提供了智能方案。（2）降低表面电场（REduced SURface Field,RESURF）约束下的器件结构自动优化设计。首先,分析了RESURF效应对击穿性能的影响,并将该效应引入器件结构的自动优化过程,改善了器件结构的设计过程,从而提出了采用带有不等式约束条件的约束贝叶斯优化算法进行RESURF功率器件结构设计的方法。其次,结合实际应用情景,通过在设计中引入设计阈值,优化了设计结果。最后,进一步分析了SOI横向功率器件的三维击穿电压模型和导通电阻模型,提出了采用模型初始化代替贝叶斯优化过程中随机初始化的方案。结果表明,该方法设计的器件结构都位于RESURF边界之内,即所优化的器件结构在发生击穿时能实现全耗尽的状态,且其能有效避免击穿位置发生在P+N结。另外,设计阈值的添加明显增强了设计结构的可靠性。同时,基于模型初始化的方案也有效提高了结构自动设计的效率。3.功率器件可制造中的光刻热点检测模型基于Inception模块的光刻热点检测模型。分析了光刻热点检测的传统卷积神经网络（Convolutional Neural Network,CNN）建模方案,并针对卷积神经网络的构建方式,提出了一种基于Inception模块的并联框架进行模型训练的方法。该框架利用两层并联的Inception模块代替传统的串联卷积层进行信息特征的提取;利用全局平均池化代替传统的全连接层（Fully Connected,FC）进行特征信息的分类。研究结果表明,相对于传统的堆叠结构卷积神经网络构建的模型,基于该并联框架构建的模型能有效提高光刻热点检测的精度,降低误报的数量,可实现更有效的光刻热点检测。