Açıklanabilir yapay zeka kullanarak 4 H‑SiC MOSFET’lerin yapay sinir ağlarına dayalı modellenmesinin yorumlanması

Günlük Teknoloji İçin Daha Akıllı Güç Elektroniği

Elektrikli otomobillerden yenilenebilir enerji santrallerine kadar modern yaşam, elektriği verimli ve güvenilir şekilde anahtarlayabilen güç elektroniğine giderek daha fazla bağımlı hale geliyor. Silisyum karbür (SiC) gibi malzemelerden yapılan umut verici bir cihaz sınıfı, geleneksel silisyuma göre daha yüksek gerilimleri ve sıcaklıkları kaldırabilir; ancak bunları optimize etmek hem zor hem de pahalıdır. Bu çalışma, sinir ağları ile açıklanabilir yapay zekanın bir kombinasyonunun bu cihazların tasarımını hızlandırabileceğini, aynı zamanda mühendislerin modellerin iç işleyişini anlamaya devam edebilmesini nasıl sağladığını gösteriyor.

Dayanıklı Güç Anahtarları Neden Önemli

4H‑SiC metal‑oksit‑yarıkalanım alan etkili transistörler (MOSFET’ler) gibi geniş bant aralıklı malzemelere dayanan güç anahtarları yüksek gerilimli elektroniğin merkezindedir. Bunlar elektrikli araçlar için daha verimli şarj cihazları, güneş panelleri için daha küçük güç dönüştürücüler ve endüstriyel motorlar için sağlam sürücüler vaat eder. Yine de kaplamanın kalınlığı, kanal uzunluğu ve farklı bölgelerin katkılanma (doping) seviyeleri gibi iç yapının ayarlanması birçok maliyetli üretim adımı veya yoğun bilgisayar simülasyonları gerektirir. Geleneksel aygıt simülatörleri performansı ayrıntılı şekilde öngörebilir, ancak tasarım keşfi için binlerce böyle simülasyon çalıştırmak hızla pratik olmaktan çıkar.

Simülasyonları Hızlı Dijital Bir İkameye Dönüştürmek

Yazarlar bu sorunu önce TCAD adı verilen endüstri standardı bir araçla büyük bir simülasyon kütüphanesi oluşturarak ele alıyor. Kapı ile kanal arasındaki oksit kalınlığı, kanal uzunluğu ve p‑well, drift bölgesi ile alt tabaka (substrate) katkılanma seviyeleri olmak üzere beş temel tasarım düğmesini sistematik olarak değiştiriyorlar. Her sanal aygıt için kapı gerilimi tarandığında elektrik akımının nasıl tepki verdiğini hesaplayarak 3.000 ayrıntılı akım‑gerilim eğrisi üretiyorlar. Bu zengin veri kümesi, simülatörün tahminlerini taklit etmeyi öğrenen bir yapay sinir ağı için eğitim zemini oluyor. Eğitildikten sonra ağ, tasarım parametrelerinin yeni kombinasyonları için akımı neredeyse anında ve yeterince yüksek hassasiyetle tahmin edebiliyor; açık‑devre akımı için orijinal simülasyonlarla korelasyon 0,99’un üzerinde çıkıyor.

Açıklanabilir Yapay Zeka ile Siyah Kutuyu Açmak

Sadece yüksek doğruluk, temel fiziksel gerekçeleri açıklamak zorunda olan mühendisler için yeterli değildir. Sinir ağları genellikle “siyah kutu” olarak tanımlanır çünkü her bir girdinin nihai çıktıya nasıl katkıda bulunduğunu görmek zordur. Modellerini şeffaf hale getirmek için araştırmacılar, iş birliği oyun teorisinden fikirler ödünç alan SHAP adlı açıklanabilir yapay zeka yöntemini uyguluyorlar. SHAP, ağın yaptığı her tahmin için her tasarım parametresine sayısal bir “kredi” atıyor. Bu puanları tüm örnekler üzerinde inceleyerek ekip, yalnızca hangi parametrelerin en çok etkilediğini değil, aynı zamanda bu parametrelerin akımı artırma mı yoksa azaltma mı eğiliminde olduğunu da görebiliyor.

Modelin Aygıt Fiziği Hakkında Öğrendikleri

SHAP analizi, ders kitaplarındaki aygıt fiziğiyle uyumlu eğilimleri ortaya koyuyor. Kanal uzunluğu, oksit kalınlığı ve p‑well konsantrasyonundaki değişiklikler modelin tahmin ettiği drenaj akımı üzerinde güçlü ve sistematik etkilere sahip. Örneğin daha kalın oksit ve daha uzun kanallar, akımı engelledikleri beklentisiyle uyumlu olarak daha düşük akıma karşılık gelen SHAP puanları alıyor. Buna karşılık, drift bölgesi ve alt tabaka katkılanmasındaki değişimler test edilen işletim koşulu altında neredeyse sıfır SHAP katkısı gösteriyor; bu da bu parametrelerin esas olarak yüksek gerilim engelleme özelliklerini etkilediğini, açık‑devre akımı üzerinde ise daha az etkili olduğunu işaret ediyor. Yazarlar ayrıca küresel yorumlanabilirlik—her parametrenin veri kümesi genelinde tam akım‑gerilim eğrisini nasıl etkilediği—ile yerel yorumlanabilirliği—belirli parametre kombinasyonlarını inceleyen görüş—ayrıyor. Her iki bakışta da SHAP, simüle edilen akımla yakından örtüşerek sinir ağının alakasız desenler yerine doğru fiziksel ilişkileri yakaladığını güçlendiriyor.

Gelecek Aygıt Tasarımı İçin Şeffaf Bir Yol Haritası

Toplu olarak ele alındığında, bu çalışma gelişmiş yarı iletken aygıtları hem hızlı hem de güvenilir şekilde tasarlamak için bir şablon sunuyor. Yapay sinir ağı ağır simülasyonların yüksek hızlı bir vekili olarak hizmet ederken, SHAP analizi hangi tasarım seçimlerinin gerçekten performansı yönlendirdiğini ortaya koyan bir mercek işlevi görüyor. Uzman olmayanlar için ana mesaj, yapay zekanın fiziksel anlayışı ortadan kaldırmak zorunda olmadığı; bunun yerine mühendislerin beklediği eğilimleri vurgulayabileceği ve nicelendirilebileceği ve bunu binlerce olası tasarım boyunca yapabileceğidir. Aynı çerçeve diğer güç aygıtları ve yeni malzemelere genişletilerek daha verimli, güvenilir elektroniğin günlük teknolojilere daha hızlı ve daha düşük geliştirme maliyetiyle ulaşmasına yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: silisyum karbür MOSFET’ler, güç elektroniği, sinir ağları, açıklanabilir yapay zeka, aygıt modelleme