Physics-Based Performance Mapping of Ultra-High-Voltage SiC IGBTs and MOSFETs With Machine-Learning Acceleration
本文提出了一种基于物理且由机器学习加速的电热框架，该框架高效地比较了超高压 SiC IGBT、SiC MOSFET 及其串联硅对应器件在硬开关和软开关条件下的性能，揭示了虽然 SiC IGBT 在中低频零电压开关下表现出色，但串联 SiC MOSFET 在硬开关条件下具有更优越的性能。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
高压功率电子设备是现代电网中沉默的功臣，负责将海量的电力从发电厂输送到我们的家庭和工厂。为了高效地完成这一任务，工程师们依赖于能够在每秒钟内开关数十亿次而不以热能形式浪费能量的开关。几十年来，硅一直是这些开关的首选材料，但随着对更高电压和更高效率的需求不断增长，科学家们正转向一种更坚硬、更具韧性的材料——碳化硅。在这种材料内部，两种主要的电子开关正在展开竞争：一种是速度快且结构简单的 MOSFET，另一种是旨在更轻松处理大电流的 IGBT。工程师面临的问题不仅是哪一个能工作，而是哪一个才是特定工作的最佳选择，这一决定取决于电压、温度以及开关翻转频率的复杂组合。
剑桥大学的研究人员通过创建一个详细的数字地图来解决这一问题，该地图可以预测在几乎任何条件下哪种开关的表现都最好。他们没有为每种可能的情况都制作物理原型（这既缓慢又昂贵），而是利用先进的计算机模拟来模拟这些器件的物理特性。他们专注于超高压应用，特别研究了能够处理 20,000 伏电压的器件，这一功率水平正挑战着当前技术的极限。团队将单个碳化硅开关与另外两种策略进行了对比：使用多个碳化硅开关串联，以及使用多个较旧的硅开关串联。为了理清这些模拟产生的海量数据，他们采用了机器学习工具（一种能从数据中学习模式的计算机程序）来加速寻找最优解的过程。
其工作的核心在于模拟这些器件在承受剧烈的电应力和热应力时的行为。他们在两种主要条件下测试了开关：“硬开关”模式，即在电压仍然存在时开启或关闭器件；以及“软开关”模式，即在开关瞬间电压为零，这种方式对组件更为温和。模拟结果显示，并没有唯一的胜者，最佳选择在很大程度上取决于运行环境。对于 20,000 伏级别的应用，当系统在低到中等速度下运行并使用较温和的软开关方法时，碳化硅 IGBT 被证明是最有力的竞争者。在这些场景下，IGBT 在过热前能处理近两倍于标准碳化硅 MOSFET 的电流。这种优势源于 IGBT 在高电流下更高效地导电的能力，而这一特性随着开关速度的增加而变得不再那么有用。
然而，当开关被迫进行更艰苦或更快速的工作时，情况发生了变化。当研究人员计入硬开关过程中产生的能量损耗时，IGBT 的优势显著缩小。在这些更严苛的条件下，特别是当 IGBT 内部材料的载流子寿命较短时，串联式碳化硅 MOSFET 配置脱颖而出，成为了更优的选择。这种配置通过将三个低电压 MOSFET 连接在一起来处理高电压，在较高频率下能更好地保持性能。研究还观察了将较旧的硅 IGBT 进行串联的情况，但模拟显示这种方法通常表现最差，在整个范围内都难以与碳化硅方案竞争。
为了在不耗费数年计算时间的情况下确保这些发现的可靠性，研究人员开发了一种结合了精确物理计算与机器学习的混合方法。他们首先运行了数千次详细的模拟以创建训练数据集，教会计算机不同开关的行为方式。然后，他们使用机器学习模型来预测大多数运行点的最佳器件，仅在计算机不确定或结果非常接近时，才运行缓慢且详细的物理检查。这种方法将性能图表的创建速度提高了两倍以上，使团队能够快速探索广泛的可能性。生成的地图展示了技术优劣切换的清晰边界，帮助工程师在无需猜测的情况下设计更高效的电力系统。
研究结论指出，虽然碳化硅 IGBT 在高电流、低频率应用中表现出色（特别是当系统设计为温和开关时），但它们并非万能解决方案。对于高频操作或必须快速切换的系统，串联式碳化硅 MOSFET 提供了更稳健的路径。这项研究并不声称已经解决了高压功率电子领域的所有挑战，但它提供了一个强大的、基于物理学的工具，用于在设计初期对技术进行筛选。通过绘制出每种设备各自擅长的领域，这项工作帮助工程师在投入昂贵的硬件制造之前做出明智的决策，从而确保下一代电网既高效又可靠。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。