使用可解释人工智能解析基于人工神经网络的4H‑SiC MOSFET建模

面向日常技术的更智能电力电子

从电动汽车到可再生能源电站，现代生活越来越依赖能够高效且可靠切换电流的电力电子。由碳化硅（SiC）制成的一类有前景的器件比传统硅器件能承受更高的电压和温度，但优化它们既困难又昂贵。本研究展示了如何将神经网络与可解释人工智能相结合，在加速器件设计的同时仍让工程师理解模型在内部如何工作。

为何坚固的功率开关至关重要

基于宽禁带材料如4H‑SiC的金属‑氧化物‑半导体场效应晶体管（MOSFET）是高电压电子设备的核心。它们承诺为电动车提供更高效的充电器，为太阳能电池板提供更小巧的电源转换器，并为工业电机提供更可靠的驱动器。然而调优它们的内部结构——例如栅极与沟道之间绝缘层的厚度、沟道长度以及不同区域的掺杂强度——需要多次昂贵的制造步骤或大量的计算模拟。传统器件仿真器可以详细预测性能，但为了探索设计而运行数千次此类仿真很快变得不切实际。

将仿真转化为快速的数字替代模型

作者通过首先使用行业标准工具TCAD生成大量仿真器件库来应对这一问题。他们系统地改变五个关键设计参数：栅氧层厚度、沟道长度，以及p井、漂移区和衬底的掺杂浓度。对于每个虚拟器件，他们在栅压扫描下计算电流响应，生成了3000条详细的电流‑电压曲线。这一丰富的数据集成为人工神经网络的训练基础，网络学习模仿仿真器的预测。训练完成后，网络可以几乎即时地预测新组合设计参数下的电流，且精度足以使其与原始仿真在导通态电流上的相关性超过0.99。

用可解释人工智能打开黑箱

高精度本身对必须以物理原理为依据来证明设计选择的工程师而言还不够。神经网络常被称为“黑箱”，因为难以看清每个输入如何影响最终输出。为了使他们的模型透明，研究人员采用了可解释人工智能的一种方法——SHAP，该方法借鉴了合作博弈论的思想。SHAP为网络每次预测中的每个设计参数分配一个数值“贡献值”。通过在所有样本上检查这些分数，团队不仅可以看到哪些参数最重要，还能了解它们倾向于增加还是减少电流。

模型对器件物理学的认识

SHAP分析揭示的趋势与教科书中的器件物理学一致。沟道长度、氧化层厚度和p井浓度的变化对模型预测的漏极电流都有强烈且系统性的影响。例如，更厚的氧化层和更长的沟道得到的SHAP分数对应于更低的电流，这符合它们阻碍电荷流动的预期。相反，在测试的工作条件下，漂移区和衬底掺杂的变化显示出几乎为零的SHAP贡献，表明它们主要影响高压阻断能力而不是导通态电流。作者进一步区分了全局可解释性——每个参数如何影响整个数据集的完整电流‑电压曲线——与局部可解释性，即针对具体参数组合的分析。在这两种视角下，SHAP与仿真电流紧密对应，增强了对神经网络捕捉到正确物理关系而非偶然模式的信心。

面向未来器件设计的透明路线图

综述而言，这项工作为以快速且可信的方式设计先进半导体器件提供了范式。神经网络作为重量级仿真的高速替代，而SHAP分析则作为放大镜揭示哪些设计选择真正推动性能提升。对于非专业人士，关键信息是：人工智能并不必须取代物理理解；相反，它可以突出并量化工程师所期望的相同趋势，并在成千上万种可能的设计中实现这一点。相同的框架可以扩展到其他功率器件和新兴材料，帮助更高效、更可靠的电子产品更快且以更低的开发成本进入日常技术中。

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

关键词: 碳化硅MOSFET, 电力电子, 神经网络, 可解释人工智能, 器件建模