使用U-Net卷积神经网络在GaN功率MIS-HEMT中建模基于像素的静电电位分布

科学领域:

• 材料科学 材料科学 材料科学
• 电气工程 电气工程
• 人工智能的人工智能

背景情况:

• 化 (GaN) 功率装置,特别是金属绝缘体半导体高电子移动性晶体管 (MIS-HEMT),对于高功率应用至关重要.
• 精确的静电电位分布建模对于优化设备性能和可靠性至关重要.
• 传统的模拟方法可能是计算密集型和耗时的.

研究的目的:

• 介绍和评估U-Net卷积神经网络 (CNN) 的新型应用,用于基于像素的静电电位建模.
• 评估U-Net CNN在模拟GaN MIS-HEMTs中的潜在分布方面的准确性和效率.
• 探索U-Net CNN的潜力,以快速描述GaN电源设备.

主要方法:

• 开发一个U-Net卷积神经网络 (CNN) 架构.
• 训练U-Net CNN使用来自技术计算机辅助设计 (TCAD) 模拟GaN MIS-HEMTs的数据.
• 对U-Net CNN模型与TCAD模拟的静电电位分布在不同的设备设计和排水电压下进行验证.

主要成果:

• 与TCAD模拟相比,U-Net CNN成功模拟了基于像素的静电电位分布,准确度不到1%的误差.
• 开发的U-Net CNN实现了大约80毫秒的建模时间,用于潜在的分发.
• 该模型在不同的门/源场板设计和排水电压中展示了强度.

结论:

• 美国U-Net CNN介绍了一种高效和准确的方法,用于模拟GaN电源设备中的静电电位分布.
• 这种人工智能驱动的方法在GaN MIS-HEMTs的模拟速度方面提供了显著的优势.
• U-Net CNN是加速下一代GaN功率电子产品设计和优化的有希望的工具.