Elektrische Bauteile, beispielsweise Halbleiter, werden dank technischer Fortschritte immer kleiner. Durch diese Verkleinerung reagieren sie allerdings wesentlich empfindlicher auf äussere Einflüsse wie elektrostatische Entladungen oder elektromagnetische Emissionen anderer elektronischer Komponenten. Das erhöht nicht nur den Ausschuss in der Produktion, sondern es kann auch zu Fehlfunktionen oder sogar Ausfällen innerhalb eines Gesamtsystems führen, etwa einem Elektroantrieb. Im jüngst eröffneten und vom Bundesministerium für Arbeit und Wirtschaft geförderten "Christian Doppler Labor für Elektromagnetisch verträgliche robuste elektronische Systeme" forscht ein Team um Laborleiter Jan Hansen vom Institut für Elektronik der TU Graz mittels Modellierung auf Basis von Machine Learning daran, diese Problemquellen für Bauteile und Systeme zu beseitigen und die erarbeiteten Lösungen in die praktische Umsetzung zu bringen.
Anwendungsorientierte Grundlagenforschung
Arbeits- und Wirtschaftsminister Martin Kocher: "Hohe Zuverlässigkeit und störungsfreie Funktion sind wesentliche Qualitätsmerkmale von elektronischen Erzeugnissen. Das ist lebenswichtig etwa in der Medizin oder auch der Automobiltechnik. Es gibt bereits einen reichen Erfahrungsschatz, wie verhindert werden kann, wie die mittlerweile zahlreich vorhandenen elektronischen Systeme einander in der Funktion stören können. Das neue CD-Labor wird auch mit Hilfe von KI dazu beitragen, diesen Erfahrungsschatz digital zu erfassen, zu analysieren und die jeweils beste Lösung für ein Systemdesign zugänglich zu machen."
Gemeinsam mit den Unternehmenspartnern BMW Motoren GmbH, Infineon Technologies Austria AG und Infineon Technologies AG widmen sich Jan Hansen und sein Team zwei Bereichen: den Einflüssen auf elektronische Bauteile während des Design- und Fertigungsprozesses sowie deren Optimierung als Teil eines grösseren Systems. "In der Produktion durchläuft ein Halbleiter eine mehrere Meter lange Fertigungsstrasse mit vielen Arbeitsschritten und Abschnitten, wo er sich statisch aufladen kann. Wenn er am Ende der Fertigung defekt ist, lässt sich häufig nur schwer feststellen, woran es gelegen hat. Dabei stellt uns insbesondere die weitere Miniaturisierung der Halbleiter vor neue Herausforderungen. Hier entwickeln wir neue physikalische Modelle, um die verschiedenen Effekte in diesem Prozess zu beschreiben und die Fehlerquellen aufzudecken", erklärt Jan Hansen.
Weniger Fertigungsfehler und optimaler Antrieb
Im alltäglichen Betrieb spielen auch Umgebungsbedingungen, wie etwa die Luftfeuchtigkeit, eine Rolle. Viele solcher Parameter lassen sich allerdings nicht konkret bestimmen. Aus diesem Grund müssen Modelle in Abhängigkeit der Unsicherheit der unbekannten Parameter studiert werden. Mit normalen Berechnungen war das bisher nur schwer zu bewerkstelligen, weil tausende bis hin zu Millionen Einzelrechnungen durchgeführt werden müssen. Durch den Machine-Learning-Ansatz lässt sich dieser Vorgang stark beschleunigen. Zur Erstellung eines Machine-Learning-Modells genügt eine nur zwei- bis dreistellige Zahl an Trainingsdaten und ist es einmal berechnet, ist die Auswertung des Modells innerhalb von Millisekunden möglich. Das beschleunigt die Analyse der unterschiedlichen Ergebnisverteilungen um mehrere Grössenordnungen. "Ein Machine-Learning-Modell rechnet so schnell, dass wir es im Grunde als einen Container fertig vorliegender Rechenergebnisse betrachten können, wie eine Datenbank", sagt Jan Hansen.
Dieser Zugang für die Beseitigung von Fehlerquellen in der Fertigung lässt sich auch für die Optimierung von elektronischen Fahrzeugantrieben nutzen. Dort treffen ebenfalls zahlreiche Parameter und Eigenschaften aufeinander: mechanische Teile verschiedener Grösse, Halbleiter mit verschiedenen Eigenschaften, hohe Ströme, elektromagnetische Emissionen und vieles mehr. Mit Machine Learning und dem Container an Parametern können die Forschenden auf der Suche nach der bestmöglichen Konfiguration des Systems völlig neue Wege gehen. "So etwas ging bislang nicht. Die elektromagnetischen Modelle sind so sperrig, dass die modellbasierte Optimierung eines Fahrzeugantriebs über ein grosses Kennfeld an Parametern unmöglich war. Die Berechnung einzelner Baugruppen war kein Problem, aber der gesamte Antrieb liess sich so nicht hinreichend genau modellieren. Jetzt geht es und wir erwarten, dass wir diese Methode zur Optimierung von elektronischen Systemen in unterschiedlichsten Umgebungen nutzen können, auch über einzelne Antriebstränge hinaus", sagt Jan Hansen.
Dieses Forschungsprojekt ist im Field of Expertise „Advanced Materials Science“ verankert, einem von fünf strategischen Schwerpunktfeldern der TU Graz.