Интерпретация моделирования МОП‑транзисторов 4H‑SiC на основе искусственных нейронных сетей с помощью объяснимого ИИ

Более разумная силовая электроника для повседневных технологий

От электромобилей до возобновляемых электростанций современная жизнь всё больше зависит от силовой электроники, которая способна эффективно и надёжно переключать электричество. Перспективный класс устройств на основе карбида кремния (SiC) выдерживает более высокие напряжения и температуры по сравнению с традиционным кремнием, но их оптимизация сложна и дорогостояща. В этом исследовании показано, как сочетание нейронных сетей и объяснимого искусственного интеллекта может ускорить разработку таких устройств, при этом позволяя инженерам понять, как работают модели «под капотом».

Почему важны надёжные силовые переключатели

Силовые переключатели на материалах с широкими запрещёнными зонами, таких как 4H‑SiC МОП‑транзисторы, находятся в основе электроники высокого напряжения. Они обещают более эффективные зарядные устройства для электромобилей, компактные преобразователи мощности для солнечных панелей и надёжные приводы для промышленных двигателей. Тем не менее настройка их внутренней структуры — например, толщины изоляционного слоя, длины канала и степени легирования различных областей — требует множества дорогостоящих этапов изготовления или тяжёлых компьютерных симуляций. Традиционные симуляторы приборов дают детальные прогнозы, но запуск тысяч таких расчётов для исследования вариантов дизайна быстро становится непрактичным.

Преобразование симуляций в быстрый цифровой суррогат

Авторы решают эту задачу, сначала сгенерировав большую библиотеку смоделированных приборов с помощью промышленного инструмента TCAD. Они систематически варьируют пять ключевых параметров дизайна: толщину оксида между затвором и каналом, длину канала и уровни легирования в p‑колодце, дрейфовой области и подложке. Для каждого виртуального прибора они вычисляют зависимость тока от напряжения затвора, получая 3000 подробных вольт‑амперных кривых. Этот богатый набор данных становится обучающей базой для искусственной нейронной сети, которая учится имитировать предсказания симулятора. После обучения сеть может практически мгновенно предсказывать ток для новых сочетаний параметров дизайна, при этом точность остаётся достаточно высокой: корреляция с исходными симуляциями для тока в открытом состоянии превышает 0.99.

Открывая «чёрный ящик» с помощью объяснимого ИИ

Высокой точности недостаточно для инженеров, которым нужно обосновывать проектные решения с точки зрения базовой физики. Нейронные сети часто называют «чёрными ящиками», потому что трудно понять, как каждый вход влияет на окончательный выход. Чтобы сделать свою модель прозрачной, исследователи применяют метод из области объяснимого ИИ, известный как SHAP, который заимствует идеи из кооперативной теории игр. SHAP присваивает числовой «вклад» каждому параметру дизайна для каждого прогноза сети. Изучая эти оценки по всем образцам, команда может увидеть не только то, какие параметры наиболее важны, но и тенденции — увеличивают они или уменьшают ток.

Чему модель учит о физике приборов

Анализ SHAP выявляет закономерности, которые хорошо согласуются с классической физикой приборов. Изменения длины канала, толщины оксида и концентрации p‑колодца оказывают сильное и систематическое влияние на ток стока, предсказанный моделью. Более толстый оксид и более длинный канал, например, получают SHAP‑оценки, соответствующие уменьшению тока, что совпадает с ожидаемым затруднением протекания заряда. В отличие от этого, изменения в легировании дрейфовой области и подложки дают почти нулевой вклад SHAP при протестированном режиме работы, что указывает на то, что они в основном влияют на блокировку высокого напряжения, а не на ток в открытом состоянии. Авторы также проводят разделение между глобальной интерпретируемостью — как каждый параметр влияет на полную вольт‑амперную кривую по всему набору данных — и локальной интерпретируемостью, изучающей конкретные сочетания параметров. В обоих подходах SHAP тесно следует за поведением смоделированного тока, что повышает уверенность в том, что нейронная сеть захватила правильные физические зависимости, а не случайные закономерности.

Прозрачная дорожная карта для будущего проектирования приборов

В совокупности эта работа предлагает шаблон для проектирования передовых полупроводниковых приборов, который одновременно быстр и заслуживает доверия. Нейронная сеть служит скоростной заменой тяжёлым симуляциям, а анализ SHAP выступает в роли линзы, показывающей, какие проектные решения действительно определяют характеристики. Для неспециалистов ключевая мысль такова: ИИ не обязательно заменяет физическое понимание; он может выявлять и количественно описывать те же тенденции, которые ожидают инженеры, и делать это для тысяч возможных вариантов конструкций. Та же методика может быть расширена на другие силовые приборы и новые материалы, помогая быстрее и с меньшими затратами внедрять более эффективную и надёжную электронику в повседневные технологии.

Цитирование: 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

Ключевые слова: МОП‑транзисторы на карбиде кремния, силовая электроника, нейронные сети, объяснимый ИИ, моделирование приборов