物理情報組み込み型増分進化による半導体劣化におけるマルチフィジックス干渉の緩和
Mitigating Multiphysics Interference in Semiconductor Aging via Physics-Embedded Incremental Evolution
電力用半導体デバイス(IGBTなど)の残存寿命(RUL)予測は、劣化が非定常で電気・熱前駆物質が強く結合しているため困難である。本研究では、物理情報組み込み型増分学習フレームワーク(PIILF)を提案する。PIILFは、劣化を静的な軌跡フィッティングではなく、潜在的な増分状態進化プロセスとしてモデル化する。増分状態進化ネットワーク(ISEN)、タスク適応型パラメータ共有(TAPS)、物理情報組み込み型観測デコーダー(PIOD)を統合し、電気・熱結合関係を通じて観測可能量を再構築する。NASA IGBT加速劣化データセットにおいて、PIILFはTimesNet、TimeXer、DeepHPMよりも低いRMSEとMAEを達成し、MAPE、R2、パラメータ効率でも競争力のある結果を示した。訓練データを50%および25%に削減した場合でも、PIILFはベースラインよりもエラー増加が小さく、データ不足環境での堅牢性を示した。物理的整合性を増分表現学習に直接組み込むことが、堅牢な半導体RUL予測のための効果的かつ効率的な経路を提供することを示唆している。
- 物理情報組み込み型増分学習フレームワーク(PIILF)が、半導体デバイスの残存寿命予測において既存手法(TimesNet, TimeXer, DeepHPM)よりも低いRMSEとMAEを達成した
- 訓練データを50%および25%に削減した場合でも、PIILFはベースラインよりもエラー増加が小さく、データ不足環境での堅牢性を示した
本記事は半導体デバイス(IGBTなど)の残存寿命(RUL)予測精度を大幅に向上させる新しい機械学習フレームワークPIILFの研究成果を報告している。注目すべき点は、(1)物理情報(電気・熱結合関係)を直接モデルに組み込むことで、純粋なデータ駆動型よりも高精度かつ堅牢な予測を実現したこと、(2)少ない訓練データでもベースラインより優れた性能を発揮し、実運用でのデータ不足課題への対応可能性を示したことである。IGBTはEV・再生可能エネルギー・産業機器など広範なパワーエレクトロニクスに用いられる重要部品であり、その寿命予測精度向上は保守コスト削減やシステム信頼性向上に直結する。本技術の実用化が進めば、半導体テスタ事業者や状態監視(CBM)ソリューション企業にとって競争優位の源泉となる可能性がある。