面向功率器件设计的智能化电热建模与参数提取新方案

上海微系统所程新红研究员、郑理研究员课题组在宽禁带半导体功率器件领域取得重要突破，提出了一种基于物理信息图神经网络的统一电热建模框架（A Unified Deep Learning-Accelerated Electro-Thermal Modeling Framework for Wide-Bandgap Power Devices），实现了对宽禁带半导体功率器件在多尺度、多结构、多偏压条件下的高效、精准建模。该研究成果在IEDM 2025报道。博士生张程为本论文第一作者，郑理研究员、程新红研究员为论文通讯作者。

宽禁带半导体器件因其高频率、高效率等优势，在新能源汽车、工业控制、轨道交通等领域具有广阔应用前景。然而，其高功率密度带来的热积累问题严重制约了器件的可靠性与寿命。传统电热仿真方法计算成本高、收敛困难，难以支撑快速迭代的设计需求。

本工作中，上海微系统所研究团队创新性地将偏微分方程嵌入图神经网络中，构建了具有物理约束的深度学习模型（PIGNN），实现了对器件电热行为的快速预测。该模型在保持高精度的同时，仿真速度较传统有限元方法提升超过5000倍，并具备良好的泛化能力，可适应不同结构、材料与偏置条件。

图1 (a) 统一电热建模与优化框架；(b) 编码-处理-解码核心架构

此外，该框架还成功应用于“器件结构自动优化”与“SPICE参数全局提取”。以高压GaN器件的场限环设计为例，模型通过迭代优化结构参数，实现了击穿电压2000V的高性能设计；同时，对SiC MOSFET和GaN HEMT的SPICE参数提取也展现出优异的全局收敛性与温度适应性。

图2 功率器件短路多尺度电热模拟

该研究为推动功率器件“设计-仿真-建模”全流程智能化提供了新思路，有望显著缩短研发周期，提升器件可靠性，具有重要的科学与工程应用价值。