实测有效！中国团队在芯片顶级盛会上发布“神器”：功率器件仿真效率提升5000倍！

在全球功率半导体领域向宽禁带材料（如碳化硅、氮化镓）快速进军的浪潮中，一个长期困扰工程师和科学家的“拦路虎”却始终横亘在前：如何高效、精准地预测并管理这些高性能器件在极端工况下的电热行为？传统有限元仿真方法虽然精度尚可，但其庞大的计算量和缓慢的求解速度，已成为制约先进功率器件设计与优化的瓶颈。近日，在被誉为电子器件领域“奥林匹克盛会”的IEEE国际电子器件会议（IEDM 2025）上，来自中国科学院上海微系统与信息技术研究所的一支研究团队，发布了一项足以颠覆行业设计流程的突破性成果。由程新红研究员、郑理研究员领衔的课题组，创新性地提出了一种 “基于物理信息图神经网络的统一电热建模框架” 。该方案成功地将人工智能的“快脑”与经典物理方程的“准绳”深度融合，实现了对宽禁带半导体功率器件电热特性的超高速、高精度预测，其仿真速度相较传统方法实现了超过5000倍的惊人提升。这一进展不仅标志着功率器件仿真技术迈入了智能化新时代，更直接为新能源汽车、工业控制等关键领域的下一代高效、高可靠功率芯片研发，提供了一把前所未有的“加速密钥”。

功率半导体器件，特别是以碳化硅（SiC）和氮化镓（GaN）为代表的宽禁带器件，正凭借其高开关频率、低导通损耗和优异的高温工作能力，成为电力电子系统的“心脏”。然而，其卓越性能的背后是极高的功率密度，这导致了严重的自热效应和复杂的电热耦合问题。微小的温度波动就可能引发性能退化甚至失效，因此，在设计阶段精准预测“电”与“热”的相互影响至关重要。传统的电热联合仿真依赖于求解复杂的偏微分方程组，计算耗时漫长，一次完整的仿真可能需要数小时甚至数天，严重拖慢了“设计-仿真-验证”的迭代循环。上海微系统所团队的核心突破，就在于巧妙地绕开了这一传统路径，转而构建了一个 “编码-处理-解码” 核心架构的物理信息图神经网络模型。

这项技术的精妙之处在于“物理信息”的嵌入。与常见的“黑箱”式深度学习模型不同，研究团队将描述器件内部电荷输运和热传导行为的偏微分方程物理定律，作为硬约束直接嵌入到图神经网络的学习框架中。模型通过学习，本质上是在物理定律允许的“规则空间”内，快速找到一个能完美匹配实际器件行为的解。这种“用物理规律指导AI学习”的方法，确保了模型即使在训练数据未完全覆盖的极端工况或新型结构下，也能做出符合物理直觉的合理预测，具备了出色的泛化能力。其工作原理可以理解为：将器件的复杂几何结构离散化为一个“图”，节点代表空间位置，边代表物理连接；网络则在这个图上快速传播电学和热学信息，从而在毫秒级别内完成对整个器件在多尺度、多结构、多偏压条件下电热分布的精准预测。

这种革命性的建模能力带来了三大直接的应用价值。首先，最直观的效益是仿真效率的跃升。研究数据显示，该模型在保持与传统有限元方法相当的高精度前提下，计算速度提升了超过5000倍。这意味着，过去需要一整天才能完成的仿真分析，现在仅需十几秒即可得到结果，为工程师提供了近乎实时的设计反馈。其次，该框架实现了 “器件结构自动优化” 。以设计一个击穿电压高达2000V的高压GaN器件为例，传统方法依赖工程师的经验和反复试错。而在此框架下，模型可以自动迭代调整场限环等关键结构参数，如同一位不知疲倦的“AI设计师”，快速寻找到满足所有电气和热学指标的最优结构，极大提升了设计效率和性能上限。最后，该方案成功应用于 “SPICE模型参数全局提取” 。SPICE模型是电路仿真的基础，但其参数提取过程复杂且困难。新框架能够从器件的实测数据或详细仿真数据中，高效、准确地一次性提取出完整且物理意义明确的SPICE参数，并且展现了优异的全局收敛性和对温度变化的适应性，为电路级系统设计提供了更可靠的基石。

这项由上海微系统所博士生张程为第一作者、郑理与程新红研究员为通讯作者的研究工作，其意义远不止于一篇顶会论文。它标志着功率半导体领域“设计-仿真-建模”全流程智能化迈出了坚实一步。通过将人工智能深度融合到物理建模与工程设计中，该方案有望从根本上缩短新型功率器件的研发周期，降低设计成本，并提升最终产品的可靠性与性能。面对全球在新能源汽车、可再生能源、工业4.0等领域对高效功率芯片日益增长的迫切需求，此类底层研发工具的突破，正是中国科研力量在前沿基础研究与产业应用结合点上的关键贡献。它不仅为国内功率半导体产业的自主创新提供了强有力的工具支撑，更在全球顶级学术舞台上，展示了中国在智能芯片设计方法学领域的领先思考与创新能力。当仿真速度提升五千倍，创新的边界也随之被极大地拓宽了。