Interpretazione della modellazione basata su reti neurali artificiali di MOSFET 4 H-SiC usando l’intelligenza artificiale spiegabile

Elettronica di potenza più intelligente per la tecnologia di tutti i giorni

Dalle auto elettriche agli impianti di energia rinnovabile, la vita moderna dipende sempre più da elettronica di potenza in grado di commutare l’elettricità in modo efficiente e affidabile. Una promettente classe di dispositivi realizzati in carburo di silicio (SiC) può gestire tensioni e temperature più elevate rispetto al silicio tradizionale, ma è difficile e costoso da ottimizzare. Questo studio mostra come una combinazione di reti neurali e intelligenza artificiale spiegabile possa accelerare la progettazione di questi dispositivi pur consentendo agli ingegneri di comprendere cosa fanno i modelli “sotto il cofano”.

Perché gli interruttori di potenza robusti sono importanti

Gli interruttori di potenza basati su materiali a gap proibito ampio come i transistor MOSFET 4H‑SiC sono al cuore dell’elettronica ad alta tensione. Promettono caricabatterie più efficienti per veicoli elettrici, convertitori di potenza più compatti per pannelli solari e azionamenti robusti per motori industriali. Tuttavia, mettere a punto la loro struttura interna — per esempio lo spessore del dielettrico, la lunghezza del canale e il grado di drogaggio delle diverse regioni — richiede numerosi costosi passaggi di fabbricazione o simulazioni al computer gravose. I simulatori di dispositivo tradizionali possono prevedere le prestazioni in dettaglio, ma eseguire migliaia di tali simulazioni per l’esplorazione del progetto diventa rapidamente impraticabile.

Trasformare le simulazioni in un surrogato digitale rapido

Gli autori affrontano questo problema generando innanzitutto una grande libreria di dispositivi simulati con uno strumento industriale standard chiamato TCAD. Varia sistematicamente cinque parametri di progetto chiave: lo spessore dell’ossido tra gate e canale, la lunghezza del canale e i livelli di drogaggio nella p‑well, nella regione di drift e nel substrato. Per ogni dispositivo virtuale calcolano come la corrente elettrica risponde all’andamento della tensione di gate, ottenendo 3.000 curve corrente‑tensione dettagliate. Questo ricco dataset diventa il terreno di addestramento per una rete neurale artificiale, che impara a imitare le previsioni del simulatore. Una volta addestrata, la rete può prevedere la corrente per nuove combinazioni di parametri di progetto quasi istantaneamente, con un’accuratezza tale che la correlazione con le simulazioni originali supera 0,99 per la corrente nello stato acceso.

Aprire la scatola nera con l’intelligenza artificiale spiegabile

L’elevata accuratezza non è però sufficiente per gli ingegneri che devono giustificare le scelte di progetto in termini di fisica sottostante. Le reti neurali sono spesso descritte come “scatole nere” perché è difficile vedere come ciascun input contribuisca all’output finale. Per rendere il loro modello trasparente, i ricercatori applicano un metodo di intelligenza artificiale spiegabile noto come SHAP, che prende spunto dalla teoria dei giochi cooperativi. SHAP assegna un “credito” numerico a ciascun parametro di progetto per ogni previsione effettuata dalla rete. Esaminando questi punteggi su tutti i campioni, il team può vedere non solo quali parametri contano di più, ma anche se tendono ad aumentare o diminuire la corrente.

Cosa impara il modello sulla fisica del dispositivo

L’analisi SHAP rivela tendenze che si allineano nettamente con la fisica dei dispositivi da manuale. Variazioni nella lunghezza del canale, nello spessore dell’ossido e nella concentrazione della p‑well hanno tutti effetti forti e sistematici sulla corrente di drain prevista dal modello. Un ossido più spesso e canali più lunghi, per esempio, ricevono punteggi SHAP corrispondenti a correnti più basse, in accordo con l’aspettativa che ostacolino il flusso di carica. Al contrario, le variazioni nel drogaggio della regione di drift e del substrato mostrano una contribuzione SHAP quasi nulla nelle condizioni operative testate, indicando che influiscono principalmente sul blocco ad alta tensione piuttosto che sulla corrente nello stato acceso. Gli autori distinguono inoltre tra interpretabilità globale — come ogni parametro influenza l’intera curva corrente‑tensione sull’insieme di dati — e interpretabilità locale, che esamina combinazioni specifiche di parametri. In entrambe le prospettive, SHAP segue da vicino la corrente simulata, rafforzando la fiducia che la rete neurale abbia catturato le relazioni fisiche corrette piuttosto che schemi spurii.

Una tabella di marcia trasparente per la progettazione futura dei dispositivi

Nel complesso, questo lavoro offre un modello per progettare dispositivi a semiconduttore avanzati in modo rapido e affidabile. La rete neurale funge da sostituto ad alta velocità per simulazioni pesanti, mentre l’analisi SHAP agisce come una lente che rivela quali scelte di progetto guidano realmente le prestazioni. Per i non specialisti, il messaggio chiave è che l’IA non deve sostituire la comprensione fisica; può invece evidenziare e quantificare le stesse tendenze che gli ingegneri si aspettano, e farlo su migliaia di possibili progetti. Lo stesso quadro potrebbe essere esteso ad altri dispositivi di potenza e materiali emergenti, contribuendo a portare più rapidamente e a costi di sviluppo inferiori elettronica più efficiente e affidabile nelle tecnologie di uso quotidiano.

Citazione: 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

Parole chiave: MOSFET in carburo di silicio, elettronica di potenza, reti neurali, intelligenza artificiale spiegabile, modellazione di dispositivi