Investigación sobre el modelo de conmutación de corriente de GaN HEMT basado en la red neuronal

Área de la Ciencia:

• Ingeniería eléctrica
• Ciencias de los materiales
• Inteligencia artificial

Sus antecedentes:

• Los dispositivos de transistor de alta movilidad de electrones de nitruro de galio (GaN HEMT) muestran una dinámica de conmutación no lineal compleja.
• Los modelos físicos tradicionales luchan por capturar con precisión estas intrincadas características de acoplamiento multifísico.
• Los modelos existentes se enfrentan a limitaciones en la predicción del comportamiento actual de conmutación.

Objetivo del estudio:

• Desarrollar un modelo más preciso y eficiente para predecir la corriente de conmutación GaN HEMT.
• Abordar las limitaciones de los modelos físicos tradicionales en la captura de dinámicas complejas de dispositivos.
• Aprovechar el aprendizaje profundo para mejorar el modelado del comportamiento del dispositivo semiconductor.

Principales métodos:

• Se empleó una arquitectura híbrida de aprendizaje profundo que integra capas de red neuronal convolucional 1D (CNN) y memoria larga a corto plazo (LSTM).
• La capa 1D-CNN extrae las características transitorias locales de los datos de las series temporales utilizando núcleos de convolución deslizantes.
• La red LSTM de doble capa captura las características de corriente transitorias a través de mecanismos de puertas y transferencia de estado.

Principales resultados:

• El modelo CNN-LSTM propuesto redujo significativamente el error cuadrado medio de la raíz (RMSE) y el error absoluto medio (MAE) en comparación con los modelos tradicionales.
• El modelo demostró un excelente rendimiento de ajuste en la habitación y a altas temperaturas, con coeficientes cercanos a 1.
• La arquitectura híbrida logró una alta precisión al tiempo que mantuvo tiempos de ejecución cortos y un bajo consumo de recursos computacionales.

Conclusiones:

• El modelo híbrido CNN-LSTM ofrece una solución superior para predecir con precisión la corriente de conmutación GaN HEMT.
• Este enfoque de aprendizaje profundo supera las limitaciones de precisión y complejidad de las técnicas de modelado convencionales.
• La eficiencia y el rendimiento del modelo lo hacen adecuado para aplicaciones prácticas de ingeniería.