تفسير نمذجة موسفيتات 4H‑SiC القائمة على الشبكات العصبية الاصطناعية باستخدام ذكاء اصطناعي قابل للتفسير

إلكترونيات قدرة أذكى لتقنيات الحياة اليومية

من السيارات الكهربائية إلى محطات الطاقة المتجددة، تعتمد حياتنا الحديثة بشكل متزايد على إلكترونيات القدرة القادرة على تبديل الكهرباء بكفاءة وموثوقية. فئة واعدة من الأجهزة المصنوعة من كربيد السيليكون (SiC) تستطيع التعامل مع جهود ودرجات حرارة أعلى من السيليكون التقليدي، لكنها صعبة ومكلفة في عملية التحسين. تُظهر هذه الدراسة كيف يمكن لمزيج من الشبكات العصبية والذكاء الاصطناعي القابل للتفسير تسريع تصميم هذه الأجهزة مع تمكين المهندسين من فهم ما تفعله النماذج خلف الكواليس.

لماذا تهم مفاتيح الطاقة القاسية

تُعد مفاتيح القدرة المبنية على مواد النطاق العريض مثل ترانزستورات التأثير الميداني من نوع MOSFET المصنوعة من 4H‑SiC جوهر الإلكترونيات عالية الجهد. فهي تعد بشواحن أكثر كفاءة للسيارات الكهربائية، ومحولات طاقة أصغر للألواح الشمسية، ومحركات متينة للتطبيقات الصناعية. ومع ذلك، فإن ضبط البنية الداخلية—مثل سماكة طبقة العزل، وطول القناة، وشدة تدعيم المناطق المختلفة بالشوائب—يتطلب العديد من خطوات التصنيع المكلفة أو محاكيات حاسوبية كثيفة. يمكن لمحاكيات الأجهزة التقليدية التنبؤ بالأداء بالتفصيل، لكن تشغيل آلاف من هذه المحاكيات لاستكشاف التصميم يصبح سريعاً غير عملي.

تحويل المحاكاة إلى نموذج رقمي سريع

يتعامل المؤلفون مع هذه المشكلة أولاً عن طريق توليد مكتبة كبيرة من الأجهزة المحاكاة باستخدام أداة معيارية صناعية تُدعى TCAD. يغيرون بشكل منهجي خمسة مفاتيح تصميم رئيسية: سماكة الأكسيد بين البوابة والقناة، طول القناة، ومستويات التطعيم في البئر من النوع p ومنطقة الانجراف والركيزة. لكل جهاز افتراضي يحسبون كيفية استجابة التيار الكهربائي عند تغيير جهد البوابة، منتجين 3000 منحنى تفصيلي تيار‑جهد. تصبح هذه المجموعة الغنية من البيانات أرضية تدريب لشبكة عصبية اصطناعية، تتعلم تقليد تنبؤات المحاكي. بمجرد تدريبها، يمكن للشبكة توقع التيار لمجموعات جديدة من معلمات التصميم على نحو شبه فوري، وبالدقة الكافية بحيث تتجاوز علاقة الارتباط مع المحاكاة الأصلية 0.99 لتيار الحالة التشغيلية.

فتح الصندوق الأسود باستخدام ذكاء اصطناعي قابل للتفسير

الدقة العالية وحدها لا تكفي للمهندسين الذين يضطرون لتبرير خيارات التصميم من حيث الفيزياء الأساسية. توصف الشبكات العصبية غالباً بأنها «صناديق سوداء» لأن من الصعب رؤية كيفية مساهمة كل مدخل في المخرج النهائي. لجعل نموذجهم شفافاً، يطبق الباحثون طريقة من الذكاء الاصطناعي القابل للتفسير تُعرف باسم SHAP، والتي تستعير أفكاراً من نظرية الألعاب التعاونية. يخصص SHAP «رصيداً» رقمياً لكل معلمة تصميم عن كل توقع تقوم الشبكة به. من خلال فحص هذه الدرجات عبر جميع العينات، يمكن للفريق أن يرى ليس فقط أي المعلمات ذات أثر أكبر، بل أيضاً ما إذا كانت تميل إلى زيادة أو خفض التيار.

ما الذي تتعلمه الشبكة عن فيزياء الجهاز

تكشف تحليلات SHAP عن اتجاهات تتوافق بوضوح مع فيزياء الأجهزة الواردة في الكتب الدراسية. للتغيرات في طول القناة، وسماكة الأكسيد، وتركيز البئر p آثار قوية ومنهجية على تيار التصريف الذي تتنبأ به الشبكة. على سبيل المثال، تحصل سماكة أكسيد أكبر وطول قناة أطول على درجات SHAP تشير إلى تيار أقل، مما يتطابق مع التوقع أن هذه العوامل تعيق تدفق الشحنة. بالمقابل، تظهر تغييرات تطعيم منطقة الانجراف والركيزة مساهمة SHAP تكاد تكون صفرية تحت ظروف التشغيل المختبرة، مما يشير إلى أنها تؤثر في الأساس على قدرة الحجب عند الجهود العالية أكثر من تيار الحالة التشغيلية. يميز المؤلفون أيضاً بين القابلية للتفسير العالمية—كيفية تأثير كل معلمة على منحنى التيار‑جهد الكامل عبر مجموعة البيانات—والقابلية للتفسير المحلية، التي تفحص تراكيب محددة من المعلمات. في كلتا النظرتين، يتتبع SHAP التيار المحاكى عن كثب، مما يعزز الثقة بأن الشبكة العصبية التقطت العلاقات الفيزيائية الصحيحة بدلاً من أنماط عشوائية.

خارطة طريق شفافة لتصميم الأجهزة المستقبلية

مجملاً، يقدم هذا العمل نموذجاً لتصميم أجهزة أشباه موصلات متقدمة بطريقة سريعة ويمكن الوثوق بها. تعمل الشبكة العصبية كبديل عالي السرعة للمحاكيات الثقيلة، بينما يعمل تحليل SHAP كعدسة تكشف أي اختيارات التصميم تقود الأداء فعلاً. للمتخصصين غير المختصين، الرسالة الرئيسية هي أن الذكاء الاصطناعي لا يحتاج أن يحل محل الفهم الفيزيائي؛ بل يمكنه إبراز وقياس نفس الاتجاهات التي يتوقعها المهندسون، والقيام بذلك عبر آلاف التصاميم المحتملة. ويمكن تمديد نفس الإطار إلى أجهزة قدرة ومواد ناشئة أخرى، مما يساعد على إدخال إلكترونيات أكثر كفاءة وموثوقية إلى تقنيات الحياة اليومية بسرعة أكبر وبتكلفة تطوير أقل.

الاستشهاد: Hsiao, YS., Chang, PJ., Chen, BR. et al. Interpreting artificial neural network-based modeling of 4 H-SiC mosfets using explainable AI. Sci Rep 16, 5297 (2026). https://doi.org/10.1038/s41598-026-35179-0

الكلمات المفتاحية: موسفيتات كربيد السيليكون, إلكترونيات القدرة, الشبكات العصبية, الذكاء الاصطناعي القابل للتفسير, نمذجة الأجهزة