使用辅助分类器生成对抗网络的数据增强用于氮化镓高电子迁移率晶体管器件的增强建模

《Electronics》:Data Augmentation via Auxiliary Classifier GAN for Enhanced Modeling of Gallium Nitride HEMT Devices Yifei Liu, Yihan Qian, Yefeng Hu and Ye Wu

【字体: 大 中 小 】 时间:2026年03月05日 来源:Electronics 2.9

编辑推荐:

  准确且高效的AlGaN/GaN高电子迁移率晶体管(HEMT)建模对于下一代电力电子设计至关重要。该项研究引入了一种混合辅助分类器生成对抗网络(ACGAN)–混合数据增强框架,以增强在有限数据下深度神经网络在AlGaN/GaN高电子迁移率晶体管(HEMT)建模中

  
准确且高效的AlGaN/GaN高电子迁移率晶体管(HEMT)建模对于下一代电力电子设计至关重要。该项研究引入了一种混合辅助分类器生成对抗网络(ACGAN)–混合数据增强框架,以增强在有限数据下深度神经网络在AlGaN/GaN高电子迁移率晶体管(HEMT)建模中的应用。基于仅20个不同的器件,ACGAN使用技术计算机辅助设计(TCAD)校准数据生成在各种电偏置条件下的高质量合成漏极电流(Ids)。生成数据的质量通过Jensen–Shannon散度验证,平均值为0.0341。在增强数据上训练的一维卷积神经网络(1D-CNN)预测模型实现了稳定收敛,在关态Ids上平均绝对误差为0.002 A/mm,在线性区为0.052 A/mm。与在原始非增强数据上训练的模型相比,它还显示出改进的鲁棒性。所提出的方法为资源密集型的TCAD仿真提供了一种低成本的替代方案,能够在有限数据下实现准确的器件建模。
针对氮化镓高电子迁移率晶体管建模的数据稀缺问题,研究人员提出了一种混合辅助分类器生成对抗网络与混合数据增强框架,发表在《Electronics》上。以下是对该论文主体部分的解读。

### 研究背景与问题

氮化镓(GaN)作为第三代半导体材料,凭借其宽禁带(~3.4 eV)、高电子迁移率(~1200 cm2/V·s)和高击穿场强(~3.3 MV/cm)等优异特性,被广泛应用于功率电子器件中。然而,GaN基器件的结构与物理机制复杂,其行为尚未被完全理解,给建模带来困难。神经网络(NN)模型在半导体器件模拟中具有资源需求少、开发周期短等优势,但其精度高度依赖于训练数据的数量和质量。实际中,由于制造费用高、测量周期长且流片渠道有限,实验数据往往非常稀缺。传统技术计算机辅助设计(TCAD)仿真虽能生成数据,但需要数周模拟时间且包含物理近似,影响数据质量。因此,迫切需要一种低成本、高效的数据增强方法,以在有限数据条件下实现可靠的器件建模。

### 研究内容与结论

研究人员基于20个不同的AlGaN/GaN高电子迁移率晶体管(HEMT)器件(来自TCAD校准的初始数据),利用ACGAN–mixup框架生成高质量合成漏极电流(Ids),并训练一维卷积神经网络(1D-CNN)预测模型。结果表明:生成数据与原始分布的Jensen–Shannon散度低至0.0341;增强后的1D-CNN模型稳定收敛,关态Ids平均绝对误差为0.002 A/mm,线性区为0.052 A/mm,优于仅用原始数据训练的模型。该框架以低成本替代资源密集的TCAD仿真,可在数小时内完成训练并快速预测,显著加速设计周期并降低开发成本,有望推动GaN基功率电子器件的快速原型设计。

### 主要关键技术方法

研究人员使用了以下关键技术方法:①构建ACGAN架构,生成器以随机噪声z和条件向量c(铝摩尔分数%Al、AlGaN层厚度t、势垒层掺杂浓度D)为输入,输出11×21的Ids矩阵;判别器区分真实与生成数据并回归条件参数。②采用mixup数据增强,在每批次中按Beta分布混合样本对,生成虚拟中间器件,提升数据覆盖与模型泛化。③使用Jensen–Shannon散度评估生成数据与原始TCAD数据的分布相似性,并用K-means聚类剔除离群点与物理不合理样本(欧氏距离阈值1.8倍簇平均半径)。④设计1D-CNN预测模型(5维输入:%Al, t, D, Vgs, Vds;输出Ids),包含全连接层、三个一维卷积块和全局平均池化层,以平均绝对误差作为损失函数。所有样本来自20个TCAD校准的独特器件,其余4个用于验证。

### 研究结果

**5.1 ACGAN训练稳定性与数据质量**
通过训练曲线观察,生成器与判别器的损失在800轮后分别收敛至约0.46与0.48,标准化差小于2%,表明训练稳定。生成数据经K-means清洗后,与初始TCAD数据的平均Jensen–Shannon散度为0.034,证实生成分布与原始数据高度一致。

**5.2 数据增强对预测性能的影响**
将清洗后的83,352个合成Ids样本与原始数据合并,训练1D-CNN模型。该模型在验证集上的均方误差约0.226,学习曲线稳定收敛;而对原始4620个样本单独训练则无法稳定收敛。对比TCAD真值,增强训练模型在关态下预测误差仅0.002 A/mm,线性区为0.052 A/mm。进一步,与标准生成对抗网络(GAN)和无mixup的ACGAN对比,所提ACGAN–mixup在关态和线性区均实现最低误差(0.002和0.052 A/mm),且克服了其他方法在低电流区域的相对误差过高问题,体现了mixup在平滑数据流形中的关键作用。

**5.3 意义与优势**
研究人员指出,GaN HEMT建模中数据稀缺是普遍问题,导致模型训练不稳定、不收敛或过拟合。所提框架仅需20个校准器件,即可在约3.8小时的GPU训练后生成数千条物理一致的Ids曲线,而传统TCAD需数周。该纯数据驱动方法无需深陷物理专业知识,条件架构可适配其他场效应晶体管,为加速设计迭代提供了高效、低成本的替代方案。

### 讨论总结与结论翻译

讨论部分强调,数据稀缺是半导体器件建模的现实瓶颈,所提ACGAN框架通过生成高保真合成数据,有效缓解了训练中过拟合与泛化差的问题,并在较广设计子空间内展现出潜力;但在更密集或更宽的设计空间中仍需进一步验证。

**结论翻译**:本研究提出了一种鲁棒的混合框架,将辅助分类器生成对抗网络(ACGAN)与mixup数据增强相结合,解决了AlGaN/GaN高电子迁移率晶体管(HEMT)建模中数据稀缺的关键挑战。仅基于20个TCAD校准的不同器件,所提出的ACGAN架构生成合成漏极电流Ids。筛选后的合成数据通过平均Jensen–Shannon散度0.0341验证,表明与真实数据的一致性。在评估一维卷积神经网络(1D-CNN)预测模型性能时,采用ACGAN框架增强数据后,关态Ids的平均绝对误差为0.002 A/mm,线性区为0.052 A/mm。与仅基于原始有限数据训练的对应模型相比,模型的鲁棒性也得到改善。该方法有望替代资源密集、耗时的传统建模方法,提供一种经济有效的途径。ACGAN数据增强在GaN HEMT器件建模中的应用成果解决了半导体领域数据驱动模型应用中的数据限制约束,具有高预测精度,能够加速设计周期并优化器件性能。这项工作为未来实验数据获取不现实或成本高昂的研究提供了有价值的方法学框架,并为GaN HEMT应用(可能还适用于其他宽禁带晶体管系列)中更可扩展、数据高效的替代建模铺平了道路,但需要在不同器件结构上进行进一步验证。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号