نمذجة سلوك الأجهزة الإلكترونية ذات القدرة GaN

يتم تقديم نهج قائم على التعلم الآلي (ML)، وذلك من خلال نمذجة سلوك الأجهزة الإلكترونية ذات القدرة الغاليوم نيتريد (GaN)، وفي هذه الدراسة؛ فإنه يتم التنبؤ بدقة بجهد التبديل الكهربائي وأشكال الموجة الحالية لهذه الأجهزة الجديدة باستخدام خوارزمية (ML) الخاضعة للإشراف.

تحليل ونمذجة سلوك الأجهزة الإلكترونية ذات القدرة GaN

تتمتع الأجهزة القائمة على الجاليوم بأداء وخصائص مواد فائقة مقارنة بتلك المصنوعة من (Si)، ومع ذلك قبل اعتماد صناعة إلكترونيات القدرة على نطاق واسع؛ فإنه يجب فهم سلوك أجهزة (GaN) بشكل كامل، بحيث يمثل منحنى التعلم الحاد الذي ينطوي عليه الأمر بمثابة عقبة أمام اعتماد الصناعة لهذه الأجهزة، ولحل هذه المشكلة؛ فإنه يلزم فهم متعمق لأداء التحويل لأنواع مختلفة من أجهزة (GaN).

كذلك تُشتق طرق النمذجة التقليدية من فيزياء أشباه الموصلات، وهي خاصية المواد وهيكل الجهاز، والتي لا تتوفر عادةً لمستخدمي الجهاز، مما يؤدي إلى صعوبات في نمذجة الجهاز، كما استكشف الباحثون الاستخراج الطفيلي القائم على الترددات الراديوية لتطوير نموذج سلوكي، ولكن لوحظ أن هذه الطريقة ليست دقيقة للغاية، حيث أن هذا لأنه يعتمد على دقة دارة القياس.

بالإضافة إلى ذلك، تم تطوير نموذج الترددات الراديوية، كما تم تجاهل تأثير بعض العناصر الطفيلية، ونظراً لتعقيد بنية الجهاز والوقت المتضمن في الاستخراج الطفيلي والإجراءات التحليلية المتضمنة؛ فإن هذا النموذج غير مناسب للتحقق من صحة جميع التطبيقات، وبالتالي لا يمكن أن يكون بمثابة نموذج عالمي لـ (GaN)، ولحل هذه المشكلة تم تصميم نماذج محاكاة (GaN) وهي نسخة طبق الأصل دقيقة للجهاز الفعلي.

التطبيقات على الأجهزة الالكترونية ذات القدرة (GaN)

تم استخدام أجهزة (RF) القائمة على (GaN) على نطاق واسع لتطبيقات الميكروويف، كما وتستخدم تقنيات النمذجة القائمة على (CAD) بشكل عام لنمذجة هذه الأجهزة، ولإجراء (CAD) الإحصائي باستخدام الأساليب الحالية غير ممكن، حيث قد يتطلب التحليل الفردي للمكون عدة ساعات أو أيام ومئات التحليلات مطلوبة.

وذلك لأن هذه التقنيات تستفيد من أجهزة محاكاة الموجة الكاملة الكهرومغناطيسية التي تستخدم الكمبيوتر بشكل مكثف، ومن ناحية أخرى تستخدم خوارزميات نمذجة (ML) مقارباً غير خطي متعدد الأبعاد، والذي يرسم معطيات الإدخال إلى تلك المخرجات، ومن ثم يبدو أن الشبكات العصبية (NN) هي المرشح المثالي لأداء هذه العملية.

التطور الحاصل على الأجهزة الالكترونية ذات القدرة (GaN)

أدى مجال التطور السريع للنمذجة القائمة على (NN)، خاصة في الميكروويف (CAD) والتحسين إلى العديد من النتائج، ومع زيادة انتشار الذكاء الاصطناعي؛ فقد بدأ الباحثون في التحقيق في النمذجة القائمة على (NN) لترانزستورات الميكروويف، بحيث يمكن تطوير نماذج الترانزستور (RF) القائمة على (NN) من خلال عملية تدريب محوسبة، كما ويمكن تطوير النماذج حتى إذا كانت معادلات نظرية الجهاز المعقدة غير متوفرة.

كذلك هناك عدد قليل من الأوراق في هذا الصدد لنموذج أجهزة (HEMT) القائمة على الميكروويف، ولكن لا يوجد تقدم كبير في تطوير نماذج (NN) التي يمكنها إعادة إنتاج خصائصها الديناميكية، بينما حققت نماذج (NN) تقدماً في مجالات الاتصالات اللاسلكية؛ إلا أن نماذج (NN) للأداء الثابت والديناميكي لأجهزة الطاقة لا تزال في مراحلها الأولى من البحث.

فيما بعد بدأت تقنيات التعلم الآلي، وخاصة الشبكات العصبية، ومؤخراً في إحداث تأثير على أنظمة الطاقة و المحركات الكهربائية، بحيث تم تطبيق تقنيات الذكاء الاصطناعي الأساسية مثل المنطق الضبابي والخوارزميات الجينية لتطبيقات الطاقة الأولية الإلكترونية.

المشاكل التي تواجه النمذجة السلوكية لـ GaN HEMT

يستخدم هذا العمل كلاً من الشبكات العصبية المفردة والمتكررة (RNNs) لتسريع عملية تصميم دوائر وأجهزة (GaN)، بحيث يتم ذلك باستخدام التدريب الخاضع للإشراف للتنبؤ بأشكال موجة تبديل الجهد الكهربائي، وبالتالي تم تطوير نموذج (GaN) المستند إلى (NN) باستخدام تقنيات (ML)، بحيث تمت مقارنة هذا النموذج مع نماذج (LT-Spice) السلوكية التقليدية الأخرى لمقارنة الدقة والتقارب.

كذلك يمكن نمذجة الجهد بين الصرف والمصدر وجهاز التيار الكهربائي في كل من حالات التوصيل والتبديل باستخدام عملية (ML)، كما يتم ذلك باستخدام بيانات قياس هذه المتغيرات جنباً إلى جنب مع جهد البوابة المقابل، بحيث يتم الحصول على البيانات المطلوبة من خلال تسجيل عدد كبير من أحداث التبديل التي يتم استخدامها بعد ذلك كبيانات للتدريب والاختبار.

على فرض أن (x) يمثل متجهاً (Mx)، بحيث يحتوي على الخصائص الديناميكية لجهاز (GaN) الذي تم الحصول عليه من دائرة اختبار النبضة المزدوجة (DPT)، مثل جهد الدخل وجهد البوابة، وذلك إشارة التحكم الرقمية وتيار البوابة، كذلك لنفترض أن (y) يمثل متجهاً يحتوي على ناتج سلوك تبديل الجهاز قيد الدراسة مثل جهد تبديل الجهاز وتيار تبديل الجهاز.

أيضاَ يمكن تمثيل العلاقة الفيزيائية – الرياضية بين (y ، x) بالصيغة [y = f (x)ٍ]، حيث أن هذه العلاقة لجهاز (GaN) هي علاقة غير خطية ومتعددة الأبعاد، كما يعتبر (GaN) جهازاً مثالياً تقريباً، كما وتتأثر هذه العلاقة بالطفيلي للدائرة الكهربائية، وعلى عكس نظرائه من (Si)، حيث يمكن إهمال هذه التأثيرات، كما من الصعب قياس تأثير هذه على سلوك الجهاز.

تطوير نموذج الشبكة العصبية لدمجها مع أجهزة (GaN)

يهدف هذا البحث إلى تطوير نموذج شبكة عصبية عامة سريع ودقيق من أجل (GaN)، بحيث يتم ذلك عن طريق تدريب شبكة عصبية لتعلم مشكلة دائرة التبديل القائمة على (GaN) من خلال مجموعة من مجموعة عينات البيانات المقاسة والمحاكاة تسمى بيانات التدريب كانت [(Xs، Ds) s ∈ Tr]، حيث تمثل (Ds) القيمة المقاسة أو إخراج المحاكاة (y) لمدخلات (Xs) و (Tr)، كما يمثل المجموعة الكلية لبيانات التدريب.

أما الآن؛ فإنه يمكن تعريف نموذج الشبكة العصبية على أنه [y = y (x ، w)]، حيث يمثل (w) المعطيات داخل الشبكة العصبية التي يطلق عليها عموماً متجه الوزن، وفي هذا النمذجة وللتأكد من أن الشبكة العصبية تقدم تنبؤات قريبة من القيمة الفعلية لجهود الإخراج؛ فإن دالة الخسارة تعني الخطأ المطلق (MAE) التي ستكون قادرة على تقليل المسافة بين القيم المتوقعة والحقيقية وفي تأثير زيادة الدقة المستخدمة.

وأخيراً؛ فإن الهدف من تدريب الشبكة العصبية هو العثور على (w) بحيث يتم تصغير [E (w)ٍ]، أنه يتم تعريف  بنية (NN) من خلال تعريف (w)، وهي المنهجية التي يتم من خلالها حساب (yj) من خلال (x ،w)، ونظراً لأن أشكال موجة التبديل هي وظيفة مستمرة؛ فإنه يمكن التنبؤ بها بدقة معقولة باستخدام (ML)، وهي عملية نمذجة (GaN) المستندة إلى (ML) المكونة من (6) خطوات هي كما يلي:

• تعريف المشكلة: بناء نموذج دقيق للصندوق الأسود (600) فولت لجهاز (GaN) باستخدام (ML).

• تحليل البيانات: يتم استخدام جهد البوابة والجهد الداخل كمدخلات، وهي تيار الجهاز وتبديل الجهد المستخدم كمخرجات للتدريب، بحيث يتم جمع بيانات الاختبار من قياسات ومحاكاة اختبار النبضة المزدوجة.

• تحضير البيانات: تتم التطبيع لتحويل البيانات لتدريب الشبكات العصبية.

• اختيار النموذج: يتم استخدام نماذج التغذية إلى الأمام والنماذج المتكررة المستندة إلى الانحدار والعملية كما هو موضح في الشكل التالي.

• التدريب: تُستخدم بيانات التدريب لتحسين قدرة النموذج بشكل تدريجي على التنبؤ بأشكال موجة التحويل الخاصة بـ (GaN).