[toc]

给 SiC MOSFET 的“黑箱模型”做一次 X 光：可解释 AI 如何验证器件物理直觉

导语

机器学习模型在半导体器件建模中越来越常见，但它们通常像“黑箱”——预测很准，却说不清为什么。台湾阳明交通大学等机构的研究团队将人工神经网络（ANN）与可解释 AI（XAI）中的 SHAP 方法结合，用 3000 条 TCAD 仿真数据训练模型，预测 4H-SiC MOSFET 的漏电流。模型对开态电流的 Pearson 相关系数超过 0.99，SHAP 分析则揭示了沟道长度、氧化层厚度和 p-well 浓度对漏电流的定量影响，与器件物理直觉一致。这是较早将 XAI 系统应用于 SiC MOSFET 设计-性能关联分析的工作之一。

背景：为什么需要“可解释”的器件模型？

4H-SiC MOSFET 是下一代电力电子的关键器件，广泛应用于电动汽车、可再生能源和工业电机驱动。但它的设计优化很复杂：氧化层厚度、沟道长度、掺杂浓度等参数相互耦合，传统 TCAD 仿真虽然准确，但计算量大、耗时长，难以支撑大规模设计空间探索。

机器学习，尤其是人工神经网络，为快速器件建模提供了新路径。但 ANN 的“黑箱”特性让物理工程师难以接受——模型预测准，但不知道它“学到了什么”。如果 ANN 说“沟道长度影响最大”，工程师会问：这符合物理吗？还是数据里的偶然相关？

可解释 AI 方法，特别是 SHAP（SHapley Additive exPlanations），提供了量化每个输入特征对预测贡献的工具。SHAP 基于博弈论中的 Shapley 值，能给出每个特征对每个样本预测的贡献值，且具有可加性——所有特征贡献之和等于预测值与基线值之差。此前 XAI 在图像和时间序列领域已有应用，但在功率半导体器件建模中仍很少见。

本文要解决的问题很直接：能不能用 SHAP 解释 ANN 对 SiC MOSFET 的建模结果，并验证这些解释是否与器件物理一致？

作者如何研究：TCAD 生成数据 + ANN 建模 + SHAP 解释

关键参数设置

器件结构：平面 SiC MOSFET，p-body 接触、源漏 N+ 接触，N-漂移层厚度 11 μm，N+ 衬底厚度 350 μm。

数据生成：TCAD Sentaurus 仿真，采用 High-Field Saturation 迁移率模型、Lombardi Enormal 表面迁移率模型和 Incomplete Ionization 不完全电离模型。参数组合覆盖上述范围，生成 3000 条 ID-VG 曲线，其中 2400 条用于训练，600 条用于验证。

ANN 架构：输入层 6 个参数（5 个工艺参数 + 栅压 VG），隐藏层 5 层，ReLU 激活，输出层线性激活，输出漏电流 ID。训练采用反向传播 + Adam 优化器，损失函数为均方误差（MSE）。

SHAP 解释：训练完成后，用 SHAP 计算每个特征对每个预测的贡献值。全局可解释性分析特征在整个数据集上的平均影响，局部可解释性分析特定工艺条件下特征对归一化 ID 的影响。

核心发现与逐图解读

发现一：器件结构与掺杂分布

图 1（原文 Fig. 1）：

以下依据图注和正文描述。图 1(a) 是 TCAD 仿真的掺杂浓度分布，标注了 Body、Source、Gate、Drain 和 N+ 接触。图 1(b) 是横向 SiC MOSFET 的示意图，标出了 p-well、N-漂移和 N+ 衬底。图中还标注了各设计参数对应的变量编号：Variable 1 对应 p-well 浓度，Variable 2 对应 N+ 衬底浓度，Variable 3 对应 N-漂移浓度，Variable 4 对应氧化层厚度，Variable 5 对应沟道长度。

通俗地看：这张图告诉你器件长什么样，以及五个可调参数分别对应结构的哪个部分。

发现二：ANN 训练收敛与 Ion 预测精度

图 2（原文 Fig. 2）：

图 3（原文 Fig. 3）：

图 5（原文 Fig. 5）：

图 3 是 ANN 建模的输入-输出示意图：输入包括 N+ 衬底、N-漂移、p-well、沟道长度、氧化层厚度和栅压，输出为漏电流。ANN 建模与可解释 AI 的流程图，SHAP 作为解释接口。

图 5(a) 是训练损失随 epoch 的变化。损失值在 4000 epoch 后降至 2 × 10⁻⁶，从 4000 到 10000 epoch 变化很小，说明训练已收敛。图 5(b) 是 ANN 预测的 Ion（VG = 10 V 时的 ID）与 TCAD 仿真结果的对比，Pearson 相关系数 R² = 0.99，说明 ANN 对开态电流的预测精度很高。

通俗地看：图 5 证明 ANN 确实“学会了”从工艺参数到漏电流的映射，预测值与仿真值几乎落在对角线上。

发现三：全局可解释性——哪些参数真正重要？

图 6（原文 Fig. 6）：

以下依据图注和正文描述。图 5 是 SHAP 全局可解释性分析结果。横轴是 SHAP 值（影响大小和方向），纵轴是输入特征。每个点代表测试集中的一个样本，颜色从蓝到红表示特征值从低到高。

关键观察：

• Lch、Tox、Pconc 的 SHAP 值分布最宽，说明这三个参数对 ID 影响最大。Lch 和 Tox 增大时 SHAP 值为负（红色点集中在负值区），即漏电流减小；Lch 和 Tox 减小时 SHAP 值为正，漏电流增大。Pconc 的趋势相同。
• ndrift_conc 和 nsub_conc 的 SHAP 值集中在零附近，说明在 VG = 10 V 条件下，这两个参数对 ID 的影响可以忽略。

表 2（原文 Table 2）： SHAP 均值汇总

通俗地看：图 6 和表 2 告诉你，在开态条件下，漏电流主要由沟道长度、氧化层厚度和 p-well 浓度决定；漂移区和衬底的掺杂浓度主要影响阻断特性，对开态电流几乎没贡献。

发现四：局部可解释性——SHAP 值与归一化 ID 的一致性

图 7（原文 Fig. 6）

图 8（原文 Fig. 8）

以下依据图注和正文描述。图 7 是局部可解释性分析，展示了在特定工艺条件下（Tox = 0.01/0.03/0.05 μm，Lch = 2/4/6 μm，Pconc = 1/3/5 × 10¹⁶ cm⁻³，ndrift_conc = 2/5/8 × 10¹⁵ cm⁻³，nsub_conc = 1/3/5 × 10¹⁸ cm⁻³），归一化 ID 和 SHAP 值随各参数的变化。

• 图 7(a)：Lch 从 2 μm 增至 6 μm，归一化 ID 下降，SHAP 值同步下降。
• 图 7(c)：Tox 从 0.01 μm 增至 0.05 μm，归一化 ID 下降，SHAP 值同步下降。
• 图 7(e)：Pconc 从 1 × 10¹⁶ 增至 5 × 10¹⁶ cm⁻³，归一化 ID 下降，SHAP 值同步下降。
• 图 7(b) 和 (d)：ndrift_conc 和 nsub_conc 变化时，归一化 ID 和 SHAP 值都基本不变。

图 8 进一步展示了 SHAP 值与归一化 ID 的相关性。Lch、Pconc 和 Tox 的 R² 分别为 0.99、0.99 和 0.96，而 ndrift_conc 和 nsub_conc 的 SHAP 值与归一化 ID 无明显相关。

通俗地看：图 6 和 8 说明，SHAP 值不是随便给的——它随参数的变化方向与器件物理完全一致，该降的降，该不变的就不变。

机理、意义与局限

机理层面，SHAP 分析揭示的规律与 MOS 器件物理一致。沟道长度越长，沟道电阻越大，漏电流越小；氧化层越厚，栅极对沟道的控制越弱，相同栅压下的反型层电荷越少，漏电流越小；p-well 浓度越高，体区耗尽层越难扩展，阈值电压越高，相同栅压下的漏电流越小。而 N-漂移和 N+ 衬底浓度主要影响器件的阻断电压和导通电阻的漂移区分量，在开态、低漏压条件下对沟道电流影响很小。

意义层面，这项工作较早将 XAI 系统应用于 SiC MOSFET 的 ANN 建模，提供了一种透明、数据驱动的器件理解框架。它的价值不在于发现新物理，而在于验证了机器学习模型确实学到了正确的物理。这对于 ML 在半导体设计中的可信度至关重要。

解决的问题与价值：该成果攻克了 ML 器件建模中“黑箱不可信”的痛点，用 SHAP 量化了各设计参数对漏电流的贡献，并验证了与器件物理的一致性，为 ML 辅助的 SiC MOSFET 优化提供了可信的工具。

局限与待验证的问题：第一，所有数据来自 TCAD 仿真，没有实验验证。ANN 学的是 TCAD 的物理模型，不是真实器件。第二，器件结构是横向的，与实际功率器件常用的垂直结构不同，结论向实际器件推广需要谨慎。第三，只分析了 ID-VG 特性，未涉及击穿电压、开关特性、温度特性等。第四，SHAP 分析揭示的是相关性，不是因果性——虽然结果与物理一致，但不能仅凭 SHAP 推断因果。第五，3000 条曲线来自参数组合的笛卡尔积，样本量对 5 层 ANN 是否充分，需要更系统的收敛性分析。

写在后面：严格审稿人视角的四个问题

第一，这篇论文真正想解决的问题是什么？

它想解决的是：机器学习器件模型“预测准但说不清”的问题。具体来说，就是验证 ANN 对 SiC MOSFET 的建模是否学到了正确的物理，而不是数据中的偶然相关。

第二，它声称的贡献是什么？

• 首次将 XAI（SHAP）系统应用于 SiC MOSFET 的设计-性能关联分析；
• ANN 对 Ion 预测的 Pearson R² > 0.99；
• SHAP 分析揭示的规律与器件物理一致；
• 方法可扩展到其他半导体技术。

第三，最容易被 reviewer 攻击的地方在哪里？

• 数据全部来自 TCAD，没有实验验证。ANN 学的是仿真器的物理，不是真实器件。
• 器件结构是横向的，不是功率器件主流的垂直结构。
• 只看了 ID-VG，没看击穿、开关、温度。
• SHAP 是相关性分析，不是因果分析，不能仅凭 SHAP 推断物理因果。
• “首次”的说法需要谨慎，可能有人做过类似工作。
• 3000 条曲线对 5 层 ANN 是否足够，没有做系统的样本量收敛分析。

第四，如果我是同方向的科研工作者，哪两部分值得精读？

值得精读一：方法部分（Methodology）的 ANN 架构与 SHAP 实现细节。

重点：

• 输入层为何选这 6 个参数？是否涵盖了实际工艺中最重要的变量？
• 5 层隐藏层的选择依据是什么？是否做了网络深度/宽度的消融实验？
• ReLU + 线性输出层的组合在回归任务中的表现如何？
• SHAP 的基线参考值（中位数）如何选取？对结果有何影响？
• 训练/验证集的划分是否随机？是否考虑了参数空间的均匀覆盖？

值得精读二：结果部分（Results）的 SHAP 全局与局部可解释性分析。

重点：

• 图 5 的 SHAP 值分布是否合理？Lch、Tox、Pconc 的 SHAP 值范围是否与物理预期一致？
• 图 6 的局部可解释性中，归一化 ID 与 SHAP 值的同步变化是否在所有参数上都成立？
• 图 8 的 R² 分别为 0.99、0.99、0.96，这个精度是否足以支撑“与物理一致”的结论？
• ndrift_conc 和 nsub_conc 的 SHAP 值接近零，是否因为 VG = 10 V 条件下漂移区未耗尽？如果在更高漏压或更厚漂移层下，结论是否改变？

可以跳过：引言中关于 WBG 半导体的大段背景介绍，以及参考文献列表。

论文信息

• 标题：Interpreting artificial neural network-based modeling of 4H-SiC MOSFETs using explainable AI
• 期刊：Scientific Reports
• 年份：2026
• DOI：10.1038/s41598-026-35179-0

本文为学术传播与知识分享目的撰写，不用于商业用途。如本文任何内容（包括文字、图片位置标注或转述）无意中侵犯了您的版权，请联系我们将及时核实并删除相关内容。