Autonomous Reliability Qualification of Ga$_2$O$_3$-based Hydrogen and Temperature Sensors via Safe Active Learning

Dit artikel presenteert een Veilig Actief Leren-kader dat autonoom de betrouwbaarheid van op Ga$_2$O$_3$ gebaseerde waterstof- en temperatuursensoren onder gekoppelde thermische en waterstofbelasting karakteriseert door veiligheidsbeperkingen dynamisch in evenwicht te brengen met experimentele exploratie om degradatie van het apparaat in kaart te brengen en langetermijnvoorspelling mogelijk te maken.

De kern

Stel je voor dat je een zeer delicate, high-tech sensor hebt gemaakt van een speciaal materiaal genaamd Galliumoxide ($\text{Ga}_2\text{O}_3$). Deze sensor is ontworpen om warmte en waterstofgas te detecteren, maar is breekbaar. Als je hem te hard duwt met te veel warmte of te veel gas, kan hij permanent kapot gaan.

Traditioneel testen wetenschappers deze sensoren door een lange, vooraf geplande lijst met experimenten af te werken: "Probeer 300°C, dan 310°C, dan 320°C..." Het probleem is dat dit traag, verspillend en gevaarlijk is. Als de sensor bij stap 50 kapot gaat, heb je 49 stappen verspild en de sensor kwijtgeraakt.

Dit artikel introduceert een slimmere manier om deze sensoren te testen met behulp van een robotbrein genaamd Veilig Actief Leren (Safe Active Learning, SAL). Hieronder wordt uitgelegd hoe dit werkt, met eenvoudige analogieën:

1. De "Veiligheidsbewaker" (De Rectificatieratio)

Stel je de gezondheid van de sensor voor als een verkeerslicht.

• Groen licht (Hoge rectificatie): De sensor werkt perfect, blokkeert stroom in de ene richting en laat het in de andere richting stromen.
• Rood licht (Lage rectificatie): De sensor is beschadigd of degradeert. Het lekt stroom die het niet zou moeten lekken.

De belangrijkste taak van de robot is om de sensor in het "groene" gebied te houden. Het gebruikt een wiskundig model (een Gaussisch Proces, wat vergelijkbaar is met een superintelligente weerkaart) om te voorspellen waar het "groene" gebied ligt en waar het "rode" gebied is.

2. De "Tweefasige Verkenning"

De robot raadt niet zomaar willekeurig. Het speelt een spelletje in twee rondes:

• Fase 1: De Voorzichtige Verkenner.
  Stel je een wandelaar voor die een mistige berg verkent. De wandelaar zet alleen stappen waar hij 99% zeker is dat de grond stevig is (veilig). De robot begint met het testen van de sensor onder milde omstandigheden. Het leert de kaart van het "veilige" gebied. Als de robot voorspelt dat een plek gevaarlijk zou kunnen zijn, gaat hij er gewoon niet naartoe. Het bouwt een "Vertrouwensgebied" op – een veilig cirkeltje rondom de plekken die het al bewezen heeft dat ze veilig zijn.
• Fase 2: De Gecontroleerde Afdaling.
  Zodra de robot de veilige grenzen kent, begint het de sensor voorzichtig naar zijn limieten te duwen. Het verlaagt langzaam de "veiligheidsbar". Het is alsof een trainer langzaam het gewicht verhoogt voor een gewichtheffer. De robot test opzettelijk omstandigheden die bijna te hard zijn om precies te zien wanneer en hoe de sensor begint te degraderen. Dit leert de robot hoe de sensor in de loop van de tijd faalt.

3. Het "Tijds-Onzekerheid" Probleem

In een normale computersimulatie weet je precies hoe lang een test duurt. In de echte wereld is dat anders.

• De Analogie: Stel je voor dat je een pizza bestelt. Je weet dat het ongeveer 30 minuten duurt, maar soms zorgt verkeer ervoor dat het 45 minuten duurt, en soms is het 25 minuten.
• De Oplossing: De robot plant niet alleen voor "30 minuten". Het plant een tijdsvenster (bijvoorbeeld 25 tot 45 minuten). Het vraagt zich af: "Als ik deze test nu start, zal de sensor dan op elk punt tijdens dat hele venster veilig zijn?" Dit voorkomt dat de robot per ongeluk een gevaarlijke test start vlak voordat de sensor oververhit raakt.

4. Het "Robotlab"

De onderzoekers bouwden een geautomatiseerd labstation (een robotarm met een sonde) dat de daadwerkelijke tests uitvoert.

• De robot verandert de temperatuur en gasniveaus.
• Het wacht tot de sensor tot rust is gekomen (evenwicht).
• Het voert een snelle elektrische test uit.
• Het berekent de "Verkeerslicht"-score.
• Het beslist waar als volgende getest moet worden, allemaal zonder dat een mens op een knop drukt.

5. De "Kristallen Bol" (Offline Voorspelling)

Nadat de robot zijn campagne heeft afgerond, heeft het een enorme, hoogwaardige dataset van het gedrag van de sensor. De onderzoekers gebruikten deze gegevens vervolgens om een langetermijnvoorspellingsmodel te bouwen.

• De Analogie: Denk hieraan als het bekijken van een plant gedurende een paar weken en vervolgens die gegevens gebruiken om te voorspellen hoe groot hij over een jaar zal zijn.
• Het model dat ze bouwden (met behulp van een specifieke wiskundige vorm genaamd KWW) is zeer goed in het voorspellen van de "langzame vervaagging" van de prestaties van de sensor. Het vat het feit samen dat sensoren eerst snel degraderen en dan vertragen, in plaats van gewoon plotseling kapot te gaan.

De Conclusie

Het artikel beweert dat dit Veilig Actief Leren-systeem succesvol:

1. De sensor veilig hield: Het liet de sensor slechts één keer kapot gaan (door een rare glitch, niet door de fout van het algoritme) tijdens de eerste fase.
2. De kaart leerde: Het kwam er veel snachter dan een mens op uit hoe warmte en waterstof de sensor beïnvloeden.
3. De toekomst voorspelde: Het gebruikte de verzamelde gegevens om nauwkeurig te voorspellen hoe de sensor over een lange periode zou degraderen, zelfs voor omstandigheden die het nog niet had getest.

Kortom, ze leerden een robot om een voorzichtig, nieuwsgierig wetenschapper te zijn die leert hoe je dingen veilig kapot maakt, zodat we ze beter kunnen begrijpen.

Technische samenvatting

1. Probleemstelling

Het artikel behandelt de uitdaging om de betrouwbaarheid van op $\beta$-Ga$_2$O$_3$ gebaseerde gelijkrichtende apparaten te karakteriseren onder gekoppelde thermische en waterstofbelasting.

• Context: $\beta$-Ga$_2$O$_3$ is een veelbelovend materiaal met een grote bandkloof voor vermogenselektronica, maar de langetermijnstabiliteit wordt bedreigd door degradatiemechanismen (bijv. barrièredegradatie, contactmodificatie) onder hoge temperaturen en blootstelling aan waterstof.
• Uitdaging: Traditionele betrouwbaarheidstests behelzen het uitvoeren van een vooraf bepaald matrix van spanningscondities. Dit is inefficiënt voor multidimensionale, tijdafhankelijke werkruimten. Bovendien prioriteren standaard Actief Leren (AL) of Bayesiaanse Optimalisatie (BO) strategieën onzekerheidsreductie, wat onbedoeld apparaten kan drijven naar destructieve werkregimes (catastrofaal falen) voordat het model de veiligheidsgrenzen leert kennen.
• Specifieke Moeilijkheid: Experimentduur is tijds-onzeker; de tijd die een apparaat nodig heeft om te stabiliseren na het veranderen van temperatuur of gasconcentratie is a priori onbekend en varieert per conditie. Standaard BO gaat uit van vaste evaluatietijden, waardoor het ongeschikt is voor asynchrone, langdurige experimenten.

2. Methodologie: Veilig Actief Leren (SAL)

De auteurs stellen een Veilig Actief Leren (SAL) raamwerk voor dat is ontworpen om autonoom de werkruimte van het apparaat te verkennen terwijl strikt veiligheidsbeperkingen worden afgedwongen.

Kerncomponenten:

1. Veiligheidswaarnemingsvariabele (Gelijkrichtverhouding):

   • In plaats van prestaties te optimaliseren, gebruikt het algoritme de gelijkrichtverhouding ($R$) als proxy voor de gezondheid van het apparaat.
   • $R$ wordt berekend via een intra-band vergelijking van voorwaartse en terugwaartse stromen rond een doelspanning ($V_0$).
   • Een minimumdrempel ($h$) wordt gedefinieerd; dalen onder deze drempel wijst op irreversibele degradatie of onveilige werking.

2. Surrogaatmodellering (Gaussische Processen):

   • De gelijkrichtoppervlakte $R(t, T, G)$ wordt gemodelleerd met behulp van een Gaussisch Proces (GP) in log-ruimte ($\log R$).
   • De kernel is een additieve combinatie van een term met Afgeklokte Exponentiële (RBF) vorm met Automatische Relevantie Bepaling (ARD) en een lineaire term om globale trends vast te leggen.

3. Omgaan met Tijds-Onzekerheid:

   • Adaptief Voltooiingstijdvenster: Omdat de experimentduur onbekend is, onderhoudt SAL een geschiedenis van waargenomen duur om een probabilistisch venster te construeren voor wanneer de volgende meting zal voltooien.
   • Tijdvenster-Veiligheid: Veiligheidscontroles worden niet uitgevoerd op één nominaal tijdstip, maar over het volledige voltooiingstijdvenster. Het algoritme zorgt ervoor dat de Onderste Vertrouwensgrens (LCB) van de gelijkrichtverhouding gedurende ten minste 95% van de plausibele voltooiingstijden boven de veiligheidsdrempel blijft.

4. Tweefasige Steekproefstrategie:

   • Fase 1 (Conservatieve Verkenning): Het algoritme verkent het gebied waar $R \ge h$. Het gebruikt een vertrouwensgebied dat is verankerd aan eerder geverifieerde veilige condities om agressieve extrapolatie te voorkomen. De acquisitiefunctie balanceert onzekerheidsreductie, diversiteit (het verkennen van nieuwe $T, G$) en periodieke herbezoeken om drift bij te houden.
   • Fase 2 (Gereguleerde Ontspanning): Naarmate het apparaat natuurlijk degradeert, wordt de veiligheidsdrempel progressief ontspannen (exponentieel afgenomen) van $h$ tot $\approx 1$ (weerstandachtig gedrag). Dit stelt het systeem in staat de degradatietrajectorie intentioneel in kaart te brengen zonder risico op catastrofaal falen in de vroege stadia.

5. Reddingsmechanisme: Als de veilige set leeg wordt (door modelpessimisme of daadwerkelijke degradatie), voert een reddingsroutine een opnieuw meting uit van de meest recente veilige conditie om de situatie te classificeren (modelartifact versus randgedrag versus falen).

3. Belangrijkste Bijdragen

• Nieuwe SAL-algoritme: Introductie van een variant van Veilige BO die specifiek is toegesneden op tijdvariërende, asynchrone experimenten met onzekere duur.
• Experimentele Validatie: Succesvolle inzet op een geautomatiseerde hoogtemperatuursondestation met een Pt/Cr$_2$O$_3$:Mg/$\beta$-Ga$_2$O$_3$ apparaat. Het systeem genereerde autonoom een gecurateerde, tijdopgeloste IV-dataset.
• Offline Langetermijnvoorspelling: Ontwikkeling van een gestructureerd GP-model voor post-experimentanalyse. Dit model gebruikt een Kohlrausch–Williams–Watts (KWW) gemiddelde functie (gerekt exponentieel) om verzadigende degradatietrends vast te leggen, gecombineerd met een residu-GP-kernel voor flexibiliteit.
• Veiligheid als Eerste Autonomie: Aangetoond dat autonoom experimenteren de manuele last kan verminderen terwijl de integriteit van het apparaat wordt behouden, waarbij alleen intentioneel wordt doorgedrukt naar risicovolle regimes zodra de degradatietrajectorie is begrepen.

4. Resultaten

• Simulatie: In gesimuleerde omgevingen slaagde SAL erin het verkende gebied uit te breiden terwijl strikte veiligheidsconformiteit werd gehandhaafd. De GP-surrogaat reconstrueerde de gelijkrichtoppervlakte nauwkeurig, zelfs in schaars bemonsterde gebieden, en behandelde toegevoegde meetruis robuust.
• Experimentele Campagne:
  • Fase 1: Het algoritme werkte conservatief, met slechts één onveilige meting (veroorzaakt door spuriële IV-sweeps, niet door algoritmisch falen). Geen enkele apparaatconditie werd verbannen vanwege veiligheidschendingen.
  • Fase 2: Het algoritme onderzocht intentioneel regimens met lagere gelijkrichting naarmate het apparaat degradeerde, en slaagde erin de overgang van gelijkrichtend naar weerstandachtig gedrag in kaart te brengen.
  • Datakwaliteit: De campagne produceerde een hoogwaardige, tijdopgeloste dataset die geschikt is voor offline modellering.
• Offline Modellering: Het op KWW gebaseerde GP-model, getraind op de eerste ~133 uur aan SAL-data, voorspelde succesvol het stroomgedrag van het apparaat over lange horizonnen (extrapolatie) op een onafhankelijke validatiedataset. Het legde nauwkeurig de verzadigende degradatietrends en de systematische ordening van reacties door waterstofconcentratie vast, met onzekerheidsbanden die zich op passende wijze verbreedden naarmate de voorspellingshorizon uitdijde.

5. Betekenis

• Paradigmaverschuiving: Verplaatst de karakterisering van halfgeleiderbetrouwbaarheid van statische, vooraf gedefinieerde spanningsmatrices naar adaptieve, gesloten-lus experimentatie.
• Efficiëntie: Vermindert drastisch de tijd en middelen die nodig zijn om apparaatdegradatie te karakteriseren door metingen te focussen op informatieve gebieden en redundante of destructieve tests te vermijden.
• Veiligheidsborging: Biedt een rigoureus raamwerk voor autonome systemen om te opereren in hoogrisicomilieu's (hoge temperatuur, reactieve gassen) zonder menselijke tussenkomst, waarbij wordt gegarandeerd dat "veiligheid" wiskundig wordt gewaarborgd via probabilistische grenzen.
• Generaliseerbaarheid: Hoewel gedemonstreerd op Ga$_2$O$_3$, is het SAL-raamwerk toepasbaar op elke apparaatklasse waarbij een meetbare, door de fysica gemotiveerde veiligheidswaarnemingsvariabele kan worden gedefinieerd (bijv. batterijen, andere sensoren of materialen onder belasting).

Concluderend stelt dit werk een robuust proces vast voor veilige, autonome betrouwbaarheidskwalificatie, en bewijst dat door machine learning gedreven experimentatie niet alleen dataverzameling kan versnellen, maar ook de hoogtrouwheidsdatasets kan genereren die nodig zijn voor accurate langetermijnvoorspelling van degradatie.