Interprétation de la modélisation basée sur des réseaux de neurones artificiels de MOSFETs 4H‑SiC à l’aide d’une IA explicable

Électronique de puissance plus intelligente pour la technologie quotidienne

Des voitures électriques aux centrales d’énergie renouvelable, la vie moderne dépend de plus en plus d’électronique de puissance capable de commuter l’électricité efficacement et de manière fiable. Une famille prometteuse de dispositifs fabriqués en carbure de silicium (SiC) peut supporter des tensions et des températures plus élevées que le silicium traditionnel, mais ils sont difficiles et coûteux à optimiser. Cette étude montre comment la combinaison de réseaux de neurones et d’une intelligence artificielle explicable peut accélérer la conception de ces dispositifs tout en permettant aux ingénieurs de comprendre ce que font les modèles en coulisses.

Pourquoi des interrupteurs de puissance robustes sont importants

Les commutateurs de puissance basés sur des matériaux à large bande interdite comme les transistors metal–oxide–semiconductor à canal‑n (MOSFET) en 4H‑SiC sont au cœur de l’électronique haute tension. Ils promettent des chargeurs plus efficaces pour véhicules électriques, des convertisseurs de puissance plus compacts pour panneaux solaires et des entraînements robustes pour moteurs industriels. Pourtant, ajuster leur structure interne — par exemple l’épaisseur de la couche isolante, la longueur du canal ou l’intensité du dopage dans différentes régions — nécessite de nombreuses étapes de fabrication coûteuses ou des simulations informatiques lourdes. Les simulateurs de dispositifs traditionnels peuvent prédire les performances en détail, mais lancer des milliers de simulations pour explorer la conception devient vite impraticable.

Transformer les simulations en un substitut numérique rapide

Les auteurs s’attaquent à ce problème en générant d’abord une vaste bibliothèque de dispositifs simulés à l’aide d’un outil industriel standard appelé TCAD. Ils font varier systématiquement cinq réglages de conception clés : l’épaisseur de l’oxyde entre la grille et le canal, la longueur du canal et les niveaux de dopage dans le p‑well, la région de dérive et le substrat. Pour chaque dispositif virtuel, ils calculent la réponse du courant électrique lors d’un balayage de la tension de grille, produisant 3 000 courbes courant–tension détaillées. Cet ensemble de données riche sert de terrain d’entraînement à un réseau de neurones artificiel, qui apprend à imiter les prédictions du simulateur. Une fois entraîné, le réseau peut prédire le courant pour de nouvelles combinaisons de paramètres de conception presque instantanément, avec une précision suffisante pour que la corrélation avec les simulations originales dépasse 0,99 pour le courant en état on.

Ouvrir la boîte noire avec une IA explicable

Une haute précision ne suffit pas aux ingénieurs qui doivent justifier leurs choix de conception en termes de physique sous‑jacente. Les réseaux de neurones sont souvent décrits comme des « boîtes noires » car il est difficile de voir comment chaque entrée contribue à la sortie finale. Pour rendre leur modèle transparent, les chercheurs appliquent une méthode d’IA explicable connue sous le nom de SHAP, qui emprunte des concepts à la théorie des jeux coopératifs. SHAP attribue un « crédit » numérique à chaque paramètre de conception pour chaque prédiction faite par le réseau. En examinant ces scores sur l’ensemble des échantillons, l’équipe peut voir non seulement quels paramètres ont le plus d’importance, mais aussi s’ils tendent à augmenter ou diminuer le courant.

Ce que le modèle apprend sur la physique des dispositifs

L’analyse SHAP révèle des tendances qui s’alignent clairement avec la physique des dispositifs enseignée dans les manuels. Les variations de la longueur du canal, de l’épaisseur de l’oxyde et de la concentration du p‑well ont toutes des effets forts et systématiques sur le courant de drain prédit par le modèle. Par exemple, un oxyde plus épais et des canaux plus longs reçoivent des scores SHAP correspondant à un courant plus faible, conformément à l’attente qu’ils gênent l’écoulement des charges. En revanche, les variations du dopage de la région de dérive et du substrat montrent une contribution SHAP presque nulle dans la condition de fonctionnement testée, indiquant qu’elles influencent principalement le blocage en haute tension plutôt que le courant en état on. Les auteurs distinguent en outre interprétabilité globale — comment chaque paramètre affecte la courbe courant–tension complète sur l’ensemble de données — et interprétabilité locale, qui examine des combinaisons spécifiques de paramètres. Dans les deux approches, SHAP suit de près le courant simulé, renforçant la confiance que le réseau de neurones a capturé les relations physiques correctes plutôt que des motifs artefactuels.

Une feuille de route transparente pour la conception future des dispositifs

Dans l’ensemble, ce travail offre un modèle pour concevoir des dispositifs semi‑conducteurs avancés d’une manière à la fois rapide et digne de confiance. Le réseau de neurones sert de substitut à grande vitesse aux simulations lourdes, tandis que l’analyse SHAP agit comme une lentille qui révèle quelles décisions de conception entraînent réellement les performances. Pour les non‑spécialistes, le message clé est que l’IA n’a pas à remplacer la compréhension physique ; elle peut au contraire mettre en évidence et quantifier les mêmes tendances que les ingénieurs attendent, et ce sur des milliers de conceptions possibles. Le même cadre pourrait être étendu à d’autres dispositifs de puissance et matériaux émergents, aidant à introduire plus rapidement et à moindre coût des électroniques plus efficaces et fiables dans les technologies du quotidien.

Citation: 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

Mots-clés: MOSFETs en carbure de silicium, électronique de puissance, réseaux de neurones, IA explicable, modélisation de dispositifs