2. 多目标拟合问题定义
在ICCAP参数提取中，单一目标（如仅拟合IV曲线）往往无法保证器件模型在所有工作区的准确性。多目标拟合要求同时匹配多个物理量（如不同偏置下的电流、电容、跨导等），本质是一个带约束的向量优化问题。本节从数学定义、目标函数构建和权重分配三个层面给出形式化描述。
2.1 多目标优化问题的数学描述
设待提取的模型参数向量为 θ = [θ₁, θ₂, …, θₙ]ᵀ，共有 M 个待拟合的目标（如不同温度下的IV曲线、不同频率下的CV曲线）。多目标拟合可表述为：
多目标优化标准形式：
minθ F(θ) = [f₁(θ), f₂(θ), …, fM(θ)]ᵀ
s.t. θL ≤ θ ≤ θU （参数物理边界）
gⱼ(θ) ≤ 0, j=1,…,J （模型一致性约束）
minθ F(θ) = [f₁(θ), f₂(θ), …, fM(θ)]ᵀ
s.t. θL ≤ θ ≤ θU （参数物理边界）
gⱼ(θ) ≤ 0, j=1,…,J （模型一致性约束）
其中每个 fi(θ) 代表第 i 个目标的误差度量。由于各目标通常相互冲突（例如：提高饱和区电流拟合精度可能降低线性区精度），不存在单一解使所有目标同时最优，而是存在一个 Pareto最优解集。
2.2 目标函数的构建
每个子目标 fi(θ) 通常采用 加权最小二乘 形式，将实测数据与模型仿真值之间的残差映射为标量误差。以ICCAP中最常见的IV和CV拟合为例：
2.2.1 IV曲线误差函数
f_IV(θ) = Σ_{k=1}^{N_IV} w_IV,k · [ (I_meas,k - I_sim,k(θ)) / I_norm,k ]²其中：
- I_meas,k：第 k 个偏置点的实测电流
- I_sim,k(θ)：模型仿真电流
- I_norm,k：归一化因子（通常取 |I_meas,k| 或 max(|I_meas|)），防止大电流区主导误差
- w_IV,k：各偏置点的权重（可区分线性区/饱和区）
2.2.2 CV曲线误差函数
f_CV(θ) = Σ_{k=1}^{N_CV} w_CV,k · [ (C_meas,k - C_sim,k(θ)) / C_norm,k ]²CV拟合通常对电容值敏感，归一化因子 C_norm,k 常取 C_meas,k 或器件标称电容值。
2.2.3 跨导与输出电导误差（可选）
f_gm(θ) = Σ_{k=1}^{N_gm} w_gm,k · [ (gm_meas,k - gm_sim,k(θ)) / gm_norm,k ]²跨导拟合对模拟/RF器件建模尤为关键，可单独作为子目标加入。
2.3 权重分配策略
权重分配直接决定优化方向。若权重设置不当，模型可能过度拟合某一目标而严重偏离其他目标。以下是ICCAP参数提取中常用的四种权重策略：
| 策略名称 | 核心思想 | 适用场景 | 注意事项 |
|---|---|---|---|
| 等权重法 | 所有子目标权重相同 | 各目标量级一致、重要性相当 | 量级差异大时失效 |
| 量级归一化法 | wᵢ = 1 / (目标典型值)² | IV+CV混合拟合 | 需先验估计典型值 |
| 自适应权重法 | 根据当前误差动态调整权重 | 多区域、多温度拟合 | 可能引起收敛振荡 |
| 优先级分层法 | 按物理重要性分层，高优先级目标先满足 | RF器件、高压器件 | 实现复杂度较高 |
工程建议： 在ICCAP中启动多目标拟合时，建议先用量级归一化法做一轮粗拟合，再根据残差分布切换到自适应权重法进行精调。避免一开始就使用等权重法处理IV（安培级）和CV（皮法级）混合问题。
2.3.1 权重分配的形式化表达
将各子目标聚合为单一标量函数的最常用方法是 加权和法：
F_total(θ) = Σ_{i=1}^{M} λᵢ · fᵢ(θ)其中 λᵢ 为第 i 个目标的聚合权重，满足 λᵢ ≥ 0 且通常 Σλᵢ = 1。λᵢ 的选取决定了优化器在Pareto前沿上的搜索方向。
2.3.2 权重敏感性分析
权重并非一成不变。建议在参数提取过程中执行以下敏感性检查：
- 扰动测试： 将每个 λᵢ 分别增减 20%，观察各子目标误差变化
- Pareto扫描： 在 λ₁ 从 0→1 变化时，记录 f₁ 和 f₂ 的轨迹
- 残差分布检查： 若某目标残差呈系统性偏差（如全部为正），说明权重或模型结构有问题
2.4 多目标拟合的收敛性挑战
多目标拟合的收敛性比单目标复杂得多，主要体现在：
- 目标冲突： 改善一个目标可能导致另一个目标恶化，优化器可能在不同目标间来回震荡
- 尺度差异： IV误差（10⁻³~10⁻⁶量级）与CV误差（10⁻¹²~10⁻¹⁵量级）相差数个数量级，梯度信息被大尺度目标主导
- Pareto前沿非凸性： 若前沿非凸，加权和法可能无法找到某些Pareto最优解
常见陷阱： 不要将权重当作“旋钮”随意调节而不重新审视模型物理。如果某个目标无论如何调整权重都无法拟合，问题往往出在模型结构或参数边界上，而非权重本身。