Zhen Cao · Qi Sun · Qiaowei Peng · Biao Hou 等6人 · IEEE Transactions on Electron Devices · 2024年12月

本文介绍了一种利用机器学习（ML）优化具有多浮动埋层（MFBL）的横向双扩散金属氧化物半导体场效应晶体管（LDMOS）器件击穿电压（BV）的新方法。本研究摒弃了传统复杂的物理推导方法，将神经网络与遗传算法相结合，构建了一个自适应优化框架。首先，我们分析了MFBL LDMOS的物理特性，以确定影响BV性能的关键参数，并确定其合理取值范围。然后，通过TCAD仿真生成数据集，并应用卷积神经网络（CNN）建立MFBL LDMOS的BV预测模型。在后续阶段，采用遗传算法对结构参数进行自适应优化，从而推导出...

解读: 从阳光电源的业务视角来看，该论文提出的基于机器学习优化多浮埋层LDMOS器件击穿电压的方法具有重要的战略价值。LDMOS作为功率半导体的核心器件，广泛应用于我司光伏逆变器和储能变流器的功率转换模块中，其击穿电压性能直接影响系统的功率密度、转换效率和可靠性。 该技术的核心价值在于突破了传统物理推导方...