説明可能なAIを用いた4H‑SiC MOSFETの人工ニューラルネットワークベースモデルの解釈

日常技術のためのより賢いパワーエレクトロニクス

電気自動車から再生可能エネルギー発電所まで、現代生活は効率的かつ信頼性の高い電力スイッチングを行うパワーエレクトロニクスにますます依存しています。シリコンより高い電圧と温度に耐えうるシリコンカーバイド（SiC）製の有望なデバイス群は、最適化が難しく高コストになりがちです。本研究は、ニューラルネットワークと説明可能な人工知能を組み合わせることで、こうしたデバイス設計を高速化しつつ、エンジニアがモデルの内部挙動を理解できるようにする方法を示します。

なぜ頑強な電力スイッチが重要か

4H‑SiC金属酸化膜半導体電界効果トランジスタ（MOSFET）のようなワイドバンドギャップ材料に基づくパワースイッチは、高電圧電子機器の中心です。これらは電気自動車の充電器の高効率化、太陽光パネル用電力変換器の小型化、産業用モータードライブの堅牢化をもたらす可能性があります。しかし、絶縁層の厚さやチャネル長、各領域のドーピング濃度といった内部構造の最適化には、多くの高価な試作工程や大規模な計算シミュレーションが必要です。従来のデバイスシミュレータは詳細な性能予測が可能ですが、設計探索のために何千ものシミュレーションを回すのはすぐに現実的でなくなります。

シミュレーションを高速なデジタル代理モデルへ変換

著者らはまず、業界標準のTCADというツールを用いて大規模な仮想デバイスライブラリを生成することでこの問題に取り組みます。ゲートとチャネル間の酸化膜厚、チャネル長、pウェル、ドリフト領域、基板のドーピング濃度という5つの主要設計パラメータを体系的に変化させます。各仮想デバイスについてゲート電圧を掃引した際の電流応答を計算し、合計で3,000本の詳細な電流–電圧曲線を得ました。この豊富なデータセットを用いて人工ニューラルネットワークを訓練し、シミュレータの予測を模倣することを学習させます。訓練後、ネットワークは新しい設計パラメータの組合せに対してほぼ瞬時に電流を予測でき、その精度はオン状態電流について元のシミュレーションとの相関が0.99を超えるほど高いものです。

説明可能なAIでブラックボックスを開く

高い精度だけでは、基礎物理に基づいて設計判断を説明する必要のあるエンジニアには不十分です。ニューラルネットワークは各入力が最終出力にどのように寄与しているかが見えにくいため「ブラックボックス」と呼ばれることが多いです。モデルの透明性を確保するため、研究者らは協同ゲーム理論の考えを取り入れたSHAPと呼ばれる説明可能なAI手法を適用しました。SHAPはネットワークが行う各予測に対して、各設計パラメータに数値的な“貢献度”を割り当てます。これらのスコアを全サンプルで調べることで、どのパラメータが最も重要か、また電流を増加させる傾向があるのか減少させる傾向があるのかを見定めることができます。

モデルが学んだデバイス物理の理解

SHAP解析は教科書的なデバイス物理と整合する傾向を明らかにします。チャネル長、酸化膜厚、p‑ウェル濃度の変化はすべてドレイン電流に対して強く系統的な影響を与えます。例えば酸化膜が厚くチャネルが長い場合は、電荷の流れを妨げるため低い電流に対応するSHAPスコアが得られ、期待どおりの挙動を示します。一方で、ドリフト領域や基板のドーピングの変化は、試験した動作条件下ではほぼゼロのSHAP寄与を示し、これらは主に高電圧でのブロッキング特性に影響することを示唆しています。著者らはグローバルな可解釈性―データセット全体にわたる電流–電圧曲線への各パラメータの影響―と、特定のパラメータ組合せを検討するローカルな可解釈性を区別しています。どちらの観点でもSHAPの値はシミュレーション電流と密接に追随しており、ニューラルネットワークが偶発的なパターンではなく正しい物理関係を捉えているという信頼を強めています。

将来のデバイス設計のための透明なロードマップ

総じて、この研究は高速かつ信頼できる形で先進的な半導体デバイスを設計するためのテンプレートを提供します。ニューラルネットワークは重いシミュレーションに代わる高速の代役を果たし、SHAP解析はどの設計選択が実際に性能を駆動しているかを明らかにするレンズとして機能します。専門外の読者にとっての要点は、AIが物理的理解に取って代わる必要はなく、むしろエンジニアが期待する同じ傾向を強調し定量化できるということです。このフレームワークは他のパワーデバイスや新興材料にも拡張可能で、より効率的で信頼性の高い電子機器をより短期間かつ低コストで日常技術に導入するのに役立ちます。

引用: 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

キーワード: シリコンカーバイド MOSFET, パワーエレクトロニクス, ニューラルネットワーク, 説明可能なAI, デバイスモデリング