鸿海科技集团今日通过新闻稿宣布，鸿海研究院半导体研究所、人工智能研究所成功将 AI 学习模型与强化学习技术融合，大幅加速碳化硅功率半导体的研发进程。
在此次研究中，鸿海研究院采用强化学习中的策略优化方法，通过策略梯度技术中的 Proximal Policy Optimization（PPO）算法和结合策略与价值函数的 Actor-Critic（A2C）架构，探索并优化碳化硅材料的制程参数与器件设计，以提升性能表现。
据AI在线了解，不同于传统基于多个参数值进行预测的手法，该研究应用 AI 进行反向预测。在设定目标值后，直接找出相应的设计参数，从而在实际应用中减少设计人员的反复试验次数，提升效率。
这一技术不仅能够模拟和调整复杂的工艺参数，还能显著缩短器件开发时间并降低研发成本。例如在针对高压高功率碳化硅器件保护环的研究中，研究团队对保护环的关键参数进行了工艺模拟和器件特性模拟，并将结果输入 AI 模型，成功建立了保护环的 AI 模型。
该模型能够根据所需的器件特性进行参数反馈，利用数据分析与预测进一步提升碳化硅器件的性能与工艺效率，最终通过实际工艺进行验证。这项研究成果不仅可用于“设计优化”，未来还可扩展至“工艺改进”和“故障诊断”，扩大应用范围（下图为优化后保护环的结构剖面图）。
碳化硅功率半导体因其超宽能隙、耐高温和高压特性，已成为新能源电动车、智能电网以及航天电子系统等高功率应用中的关键材料。
