日前，中国科大郭光灿院士团队固态量子计算研究组郭国平教授与微电子学院iGaN实验室孙海定教授合作，开发并优化了一套人工神经网络算法并应用于射频功率器件及其电路的设计与实验验证，并在超宽温域范围获得器件级和电路级的高精度建模。团队提出了基于人工神经网络（Artificial Neural Network, ANN）算法的氮化镓（GaN）基高电子迁移率晶体管（HEMT）器件在宽温域（极低温4.2K至室温300 K）的建模方法，实现了对GaN基HEMT直流和射频特性的快速、高精度建模，并实现了对器件关键性能指标超99%精度的预测。基于该紧凑型器件和模型，团队进一步设计和制备了GaN基单片微波集成电路（MMIC），验证了该模型在电路级的泛化能力和鲁棒性。这项研究成果以“Accurate Modelingof GaNHEMTs and MMICs for Cryogenic Electronics Applications Utilizing Artificial Neural Network”为题，发表于功率电子学领域重要期刊《IEEE电力电子新兴和精选主题杂志》（IEEE Journal of Emerging and Selected Topics in Power Electronics）。

近年来，人工神经网络（ANN）算法在基础理论研究和工业应用中大放异彩，并在智能驾驶、大数据语言模型、人脸识别等领域已经得到了广泛的应用，深刻地影响和改变着我们的日常生活。最近，两位科学家因其“基于人工神经网络实现机器学习的基础性发现和发明”而荣获2024年诺贝尔物理学奖。在半导体芯片制造、测试和分析领域，复杂的工艺流程及高昂的流片、测试费用是芯片产业发展面临的长期困扰。若能在芯片大规模生产制备之前，利用ANN算法针对前期获得的大量实验数据进行训练和建模，对器件和电路进行精确、快速的建模和仿真，有望大大降低人力和时间成本，并提升芯片技术研发效率，实现高性能半导体器件和电路的应用。

以GaN基HEMT器件为例，作为具有性能优异的电力电子功率和射频器件的典型代表，GaN基HEMT是射频基站、数据中心和电力转换系统等尖端应用领域中的关键元件之一。并且作为基于宽禁带半导体材料的电力电子器件，GaN基HEMT天然地适合工作于具有极端环境温度的条件下。为了更好地推动GaN HEMT在极端环境电子系统中的应用，我们需要能够精确描述器件特性的高低温紧凑模型，并基于此设计相应的电路系统。在本工作中，研究团队基于前馈神经网络（feed forward neural network, FFNN）和反向传播算法，首次完成了GaN HEMT器件在4.2 K至300 K温度范围内，针对不同工作温度、不同器件尺寸、不同偏置条件、不同工作频段下的器件特性和电路特性的精确建模（图1）。

实验结果表明，基于ANN算法的低温紧凑模型在4.2 K至300 K的温度范围内可以对GaN基HEMT器件的直流特性（以输出特性为例，图2a）和射频特性（以小信号史密斯圆图为例，图2b）实现准确建模和预测，在保证模型预测精度大于99%的同时，将建模时间缩短至几小时，大幅降低建模成本；更进一步，研究团队成功将该低温GaN基HEMT器件模型应用于一款单片微波集成电路(monolithic microwave integrated circuit, MMIC)的设计和流片，实现了对GaN基MMIC常温和低温性能的高精度描述，电路的关键性能指标误差在常温和低温环境下均小于4%（图2c），验证了ANN模型的泛化能力和鲁棒性。

同时，该工作所设计的ANN模型具有自适应的网络结构调整方法，可以根据不同的数据集规模和器件工作场景，自动调整网络隐藏层数和神经元数量，使该模型可以便捷地扩展至不同的器件制程和应用场景，满足其对器件和电路级的精确建模需求。特别地，在量子计算蓬勃发展的今天，基于GaN基HEMT的低温器件和电路系统有着极大的应用潜力，而对于这一新型的低温电子系统而言，精确的ANN基紧凑型模型能够高效地应对来自后摩尔时代近阈值建模、量子效应、极端条件和异构集成等方面的建模挑战，实现设计工艺协同优化（Design Technology Co-optimization,DTCO）流程，同时实现高精度和快速度的建模流程。该工作为探索极低温GaN基器件与电路在固态量子计算中的应用提供了新思路。

中国科学院量子信息重点实验室博士研究生向梓琨和中国科学技术大学微电子学院博士研究生张昊宸为论文共同第一作者，我校特任副研究员雒超和特任教授孙海定为论文共同通讯作者，本项目还得到了郭国平教授，金西教授、裴轶博士的大力支持和指导。此外，该工作得到了科技创新2030重大项目、国家重点研发计划、国家自然科学基金委的资助。本项目的器件制备和MMIC流片获得了苏州能讯半导体公司的大力支持和协助。