【机器学习】​碳化硅器件剩余使用寿命稀疏数据深度学习预测

2025 年，哈尔滨工业大学的 Le Gao 等人基于物理信息深度学习（PIDL）方法，研究了在稀疏数据条件下碳化硅（SiC）MOSFET 的剩余使用寿命（RUL）预测问题，尤其关注了其在辐射环境下的可靠性。该研究团队通过一系列实验，采用 ⁶⁰Co γ 射线作为辐射源，以 50rad/s 的剂量率照射 SiC MOSFET，总剂量达到 100krad（Si），并按照相关标准施加恒定的栅极电压，同时引入瞬态脉冲电流测量导通电阻（RDS（ON）），发现 RDS（ON）随总剂量呈现先上升后下降的趋势，这是由于辐射引起的界面陷阱电荷和氧化物陷阱电荷的相互作用，从而确定了以 RDS（ON）作为设备退化的指示参数。在研究方法上，他们创新性地提出了一个将总电离剂量（TID）诱导的退化机制（界面和氧化物陷阱电荷积累）与基于 Transformer 的神经架构相结合的 PIDL 方法，并通过定制的物理信息损失函数明确惩罚与导通电阻退化轨迹的偏差