في عالم التكنولوجيا المتقدم، يظهر التعلم الآلي كأداة فعالة في تعزيز تصميم الأجهزة المتطورة. في دراسة حديثة، تم الكشف عن فعالية** التعلم النشط المدفوع بالفيزياء (Physics-Informed Active Learning)** في تصميم أجهزة GaN tri-gate FinFET، التي تُستخدم في أنظمة الطاقة الرأسية. وبدلاً من الطرق التقليدية المعتمدة على TCAD التي تتسم بتعقيدها الحوسبي، يستخدم هذا الإطار الحديث تقنيات ذكية لتوجيه محاكاة التصميم، مما يُسرع من الوصول إلى النتائج النهائية الدقيقة.

يعتمد هذا النهج المبتكر على اكتشاف التكوينات المثالية من خلال استكشاف العوامل الهيكلية الأساسية، حيث يتصدر نسبة سمك GaN إلى AlGaN الجدل في تصميم الأجهزة. ومن خلال التحليل المنهجي لهذه المعلمات، تم تحديد جهازين محسنين بأبعاد غلاف مصغرة بين البوابة والمصرف. تكشف المحاكاة للدائرة الفردية متعددة القنوات أن الجهاز D2، الذي يمتلك قناة GaN أرق نسبياً بالنسبة للحاجز AlGaN، يحقق تيار قيادة أعلى. ومع ذلك، في تكوين مكون من 300 ريشة، يتفوق الجهاز D1 على الجهاز D2 بتوفير 3.3 أ دورة عند 0.49 أوم من المقاومة، مما يجعله أفضل تقريباً بمعدل 2 مرة رغم وجود بعض الميزات الإضافية.

علاوة على ذلك، يمُكن هذه الأجهزة من العمل تحت وضعية الإيقاف الطبيعي، حيث يحقق الجهاز D1 قيمة متميزة تبلغ 5 pC·أوم، مُظهرًا كفاءة تبديل تتجاوز الجهاز D2 بمعدل 2 مرة، بينما يتفوق كلا التصميمين على المعايير التقليدية المستخدمة في الصناعة من زوايا أداء متعددة.

يُعبر هذا الابتكار عن توجه جديد في استخدام الذكاء الاصطناعي لتحسين تصميم الأجهزة، مما يجعله خطوة مهمة في مجال التكنولوجيا الحديثة. ما رأيكم في هذا التطور المثير؟ شاركونا في التعليقات!