ニューラルネットワークに基づくGaN HEMTのスイッチング電流モデルに関する研究

科学分野:

• 電気工学
• 材料科学
• 人工知能

背景:

• ガリウム窒素高電子流動性トランジスタ (GaN HEMT) 装置は,複雑な非線形スイッチングダイナミクスを示します.
• 伝統的な物理モデルでは これらの複雑なマルチ物理結合の特徴を正確に捉えることが困難です
• 既存のモデルは,現在の動作の切り替えを予測する上で限界に直面しています.

研究 の 目的:

• GaN HEMTのスイッチング電流を予測するためのより正確で効率的なモデルを開発する.
• 複雑なデバイスのダイナミクスを捉えるための伝統的な物理モデルの限界に対処する.
• 半導体デバイスの動作を改良するための ディープラーニングを活用する.

主な方法:

• 1Dコンボリューションニューラルネットワーク (CNN) と長期短期記憶 (LSTM) のレイヤを統合したハイブリッドのディープラーニングアーキテクチャが採用されました.
• 1D-CNN層は,スライディングコンボリューションカーネルを使用して,タイムシリーズのデータから局所的な一時的な特性を抽出します.
• 二重層のLSTMネットワークは,ゲートメカニズムと状態転送を通じて一時的な電流特性を捕捉します.

主要な成果:

• 提案されたCNN-LSTMモデルは,従来のモデルと比較して,ルート・ミア・スクエア・エラー (RMSE) とミア・アブソルト・エラー (MAE) を著しく減少させた.
• このモデルは,室内および高温で優れたフィッティング性能を示し,係数は1に近い.
• ハイブリッドアーキテクチャは,短時間の実行と低コンピューティングリソースの消費を維持しながら,高い精度を達成しました.

結論:

• ハイブリッドCNN-LSTMモデルは,GaN HEMTのスイッチング電流を正確に予測するための優れたソリューションを提供します.
• このディープラーニングのアプローチは,従来のモデリング技術の精度と複雑性の限界を克服します.
• このモデルの効率と性能は,実用的なエンジニアリングアプリケーションに適しています.