Interpretation künstlicher neuronaler Netzwerkmodelle von 4H‑SiC‑MOSFETs mit erklärbarer KI

Intelligentere Leistungselektronik für den Alltag

Von Elektroautos bis zu erneuerbaren Energieanlagen hängt das moderne Leben zunehmend von Leistungselektronik ab, die Strom effizient und zuverlässig schalten kann. Eine vielversprechende Geräteklasse aus Siliziumkarbid (SiC) kann höhere Spannungen und Temperaturen handhaben als herkömmliches Silizium, ist aber schwierig und teuer zu optimieren. Diese Studie zeigt, wie eine Kombination aus neuronalen Netzen und erklärbarer künstlicher Intelligenz die Entwicklung dieser Bauelemente beschleunigen kann, ohne den Ingenieuren die Nachvollziehbarkeit der Modellentscheidungen zu nehmen.

Warum robuste Leistungsschalter wichtig sind

Leistungsschalter auf Basis von Wide‑Bandgap‑Materialien wie 4H‑SiC‑MOSFETs stehen im Mittelpunkt der Hochspannungs‑Elektronik. Sie versprechen effizientere Ladegeräte für Elektrofahrzeuge, kleinere Stromwandler für Solaranlagen und belastbare Antriebe für Industriemotoren. Dennoch erfordert das Feintuning ihrer internen Struktur – etwa die Dicke der Isolationsschicht, die Kanallänge oder die Dotierstärke verschiedener Bereiche – viele kostspielige Fertigungsschritte oder aufwendige Computersimulationen. Traditionelle Gerätesimulatoren können die Leistung detailliert vorhersagen, aber tausende solcher Simulationen für die Designexploration durchzuführen, wird schnell unpraktisch.

Simulationen in einen schnellen digitalen Ersatz verwandeln

Die Autorinnen und Autoren gehen dieses Problem an, indem sie zunächst eine umfangreiche Bibliothek simulierten Geräte mit einem industriebekannten Werkzeug namens TCAD erzeugen. Sie variieren systematisch fünf zentrale Design‑Parameter: die Oxiddicke zwischen Gate und Kanal, die Kanallänge sowie die Dotierkonzentrationen im p‑Well, im Driftbereich und im Substrat. Für jedes virtuelle Bauelement berechnen sie, wie der Strom auf die Variation der Gate‑Spannung reagiert, und erzeugen so 3000 detaillierte Strom‑Spannungs‑Kurven. Dieser reichhaltige Datensatz dient als Trainingsgrundlage für ein künstliches neuronales Netzwerk, das lernt, die Vorhersagen des Simulators nachzuahmen. Einmal trainiert, kann das Netzwerk den Strom für neue Kombinationen von Designparametern nahezu augenblicklich vorhersagen und erreicht dabei eine Genauigkeit, bei der die Korrelation mit den ursprünglichen Simulationen für den Einschaltstrom 0,99 übersteigt.

Die Black Box mit erklärbarer KI öffnen

Hohe Genauigkeit allein genügt nicht für Ingenieure, die Designentscheidungen physikalisch begründen müssen. Neuronale Netze werden oft als „Black Boxes“ bezeichnet, weil schwer nachzuvollziehen ist, wie einzelne Eingaben zur Ausgabe beitragen. Um ihr Modell transparent zu machen, wenden die Forschenden eine Methode aus der erklärbaren KI an, die als SHAP bekannt ist und Ideen aus der kooperativen Spieltheorie aufgreift. SHAP weist jedem Designparameter für jede Vorhersage des Netzes eine numerische „Zurechnung“ zu. Durch die Auswertung dieser Werte über alle Proben hinweg kann das Team nicht nur erkennen, welche Parameter am wichtigsten sind, sondern auch, ob sie den Strom tendenziell erhöhen oder verringern.

Was das Modell über die Gerätephysik lernt

Die SHAP‑Analyse zeigt Trends, die sich sauber mit dem Lehrbuchwissen der Gerätephysik decken. Änderungen der Kanallänge, der Oxiddicke und der p‑Well‑Konzentration haben starke und systematische Effekte auf den vom Modell vorhergesagten Drainstrom. Dickere Oxide und längere Kanäle erhalten etwa SHAP‑Werte, die mit geringerem Strom korrespondieren, was der Erwartung entspricht, dass sie den Ladungstransport behindern. Im Gegensatz dazu zeigen Variationen in der Dotierung des Driftbereichs und des Substrats unter den getesteten Betriebsbedingungen nahezu keine SHAP‑Beiträge, was darauf hindeutet, dass sie vor allem das Hochspannungs‑Sperrverhalten beeinflussen und weniger den Einschaltstrom. Die Autoren unterscheiden weiter zwischen globaler Interpretierbarkeit – wie jeder Parameter die gesamte Strom‑Spannungs‑Kurve über den Datensatz beeinflusst – und lokaler Interpretierbarkeit, die spezifische Parameterkombinationen betrachtet. In beiden Betrachtungen folgt SHAP eng den simulierten Strömen, was das Vertrauen stärkt, dass das neuronale Netz die richtigen physikalischen Zusammenhänge erfasst und keine zufälligen Muster.

Ein transparentes Fahrplan für zukünftiges Bauteildesign

In der Summe liefert diese Arbeit eine Schablone für die Entwicklung fortschrittlicher Halbleiterbauelemente, die sowohl schnell als auch vertrauenswürdig ist. Das neuronale Netz fungiert als hochgeschwindigkeits Ersatz für aufwendige Simulationen, während die SHAP‑Analyse als Linse dient, die offenlegt, welche Designentscheidungen die Leistung tatsächlich treiben. Für Nicht‑Spezialisten ist die Kernbotschaft, dass KI nicht die physikalische Verständlichkeit ersetzen muss; sie kann stattdessen dieselben Trends sichtbar machen und quantifizieren, die Ingenieure erwarten – und das über tausende mögliche Designs hinweg. Der gleiche Ansatz ließe sich auf andere Leistungsbauelemente und neuartige Materialien ausweiten und so helfen, effizientere, zuverlässigere Elektronik schneller und mit geringeren Entwicklungskosten in den Alltag zu bringen.

Zitation: 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

Schlüsselwörter: Siliziumkarbid‑MOSFETs, Leistungselektronik, Neuronale Netze, erklärbare KI, Gerätemodellierung