鴻海科技集團今日宣布，其研究院的半導體研究所和人工智能研究所成功將AI學習模型與強化學習技術融合，顯著加速了碳化硅功率半導體的研發進程。
在此次研究中，鴻海研究院采用了強化學習中的策略優化方法，通過Proximal Policy Optimization（PPO）算法和Actor-Critic（A2C）架構，探索并優化了碳化硅材料的制程參數與器件設計。這一技術不僅能夠模擬和調整復雜的工藝參數，還能顯著縮短器件開發時間并降低研發成本。
與傳統基于多個參數值進行預測的手法不同，該研究應用AI進行反向預測。在設定目標值后，直接找出相應的設計參數，從而在實際應用中減少設計人員的反復試驗次數，提升效率。例如，在針對高壓高功率碳化硅器件保護環的研究中，研究團隊對保護環的關鍵參數進行了工藝模擬和器件特性模擬，并將結果輸入AI模型，成功建立了保護環的AI模型。
該模型能夠根據所需的器件特性進行參數反饋，利用數據分析與預測進一步提升碳化硅器件的性能與工藝效率，最終通過實際工藝進行驗證。這項研究成果不僅可用于“設計優化”，未來還可擴展至“工藝改進”和“故障診斷”，擴大應用范圍。
碳化硅功率半導體因其超寬能隙、耐高溫和高壓特性，已成為新能源電動車、智能電網以及航天電子系統等高功率應用中的關鍵材料。鴻海研究院的這一技術突破，將為這些領域帶來更高效、更可靠的解決方案。
