鸿海科技集团今日宣布，其研究院的半导体研究所和人工智能研究所成功将AI学习模型与强化学习技术融合，显著加速了碳化硅功率半导体的研发进程。

在此次研究中，鸿海研究院采用了强化学习中的策略优化方法，通过Proximal Policy Optimization（PPO）算法和Actor-Critic（A2C）架构，探索并优化了碳化硅材料的制程参数与器件设计。这一技术不仅能够模拟和调整复杂的工艺参数，还能显著缩短器件开发时间并降低研发成本。

与传统基于多个参数值进行预测的手法不同，该研究应用AI进行反向预测。在设定目标值后，直接找出相应的设计参数，从而在实际应用中减少设计人员的反复试验次数，提升效率。例如，在针对高压高功率碳化硅器件保护环的研究中，研究团队对保护环的关键参数进行了工艺模拟和器件特性模拟，并将结果输入AI模型，成功建立了保护环的AI模型。

该模型能够根据所需的器件特性进行参数反馈，利用数据分析与预测进一步提升碳化硅器件的性能与工艺效率，最终通过实际工艺进行验证。这项研究成果不仅可用于“设计优化”，未来还可扩展至“工艺改进”和“故障诊断”，扩大应用范围。

碳化硅功率半导体因其超宽能隙、耐高温和高压特性，已成为新能源电动车、智能电网以及航天电子系统等高功率应用中的关键材料。鸿海研究院的这一技术突破，将为这些领域带来更高效、更可靠的解决方案。