米乐m6官方网站 开发了人工智能技术，可根据制造工艺信息高精度预测氮化硅陶瓷的导热率

米乐m6官方网站（以下简称“AIST”）多材料研究部 首席研究员 古岛良一 中岛由纪 首席研究员福岛学 研究组组长 Shuyu 首席研究员 Tatsuki Daishi 特邀研究员 Kiyoshi Hirao 来访的研究人员将使用制造过程信息，例如所用原材料的类型、成型方法和烧结条件氮化硅陶瓷烧结体导热系数具有高精度。这种材料是下一代高效功率转换和控制电源模块绝缘散热板用于绝缘散热基板的氮化硅陶瓷要求具有高导热性，其生产需要极其复杂和先进的工艺，甚至考虑到原材料中含有极少量的杂质（001％或更少）。由于制造条件的复杂性，预测所制造的氮化硅陶瓷的导热率极其困难。这次，通过让AI学习制造氮化硅陶瓷时使用的原料粉末和添加剂粉末的种类和比例、烧结助剂的种类和用量、氮化条件、烧结条件等信息，并结合AIST中部中心长年积累的相同材料的导热率研究成果，我们开发了一种根据制造过程信息高精度预测导热率的AI技术。该技术的部分内容将于 2023 年 12 月 19 日发布。国际陶瓷》杂志。

功率模块用于执行电气控制，例如汽车和火车的电机驱动控制、太阳能发电等中将直流电转换为交流电以及控制电机转速。电气控制是通过内置于功率模块中的半导体来执行的，但由于半导体在通电时会发热，因此在外部安装了散热器来散热。氮化硅是一种陶瓷材料，作为导热而不导电的绝缘散热器材料而受到关注，以防止半导体和散热器之间的短路。然而，要将氮化硅用作功率模块的绝缘散热基板，还需要进一步提高其导热性能。为了提高氮化硅的导热系数，(1)在氮化硅颗粒之间形成熔体烧结助剂通过高温烘烤和硬化来增加密度，(2)增加烧结助剂熔体的粒径，促进氮化硅颗粒的溶解和再沉淀，(3)降低导热率声子散射为了获得高导热率，需要选择同时实现这些的最佳烧结条件和烧结助剂。然而，氮化硅的热导率在30至180W(mK)之间变化，这取决于成型条件，包括烧结助剂的类型和量、它们的组合以及烧结条件(例如烧结温度、压力和时间)。^-1范围内变化很大为此，除了根据专家多年的经验选择烧结助剂和烧结条件外，目前正在进行全面的样机制作和物理性能评价。在此背景下，为了应对最近对绝缘散热基板的氮化硅需求的增加，我们开发了一种技术，可以从无数的制造条件中快速选择最佳的制造工艺条件。机器学习等AI技术将用于加速材料开发。然而，影响氮化硅导热系数的制造工艺因素多种多样，很难统一处理。流程信息学病例。

陶瓷材料中，导热性能优异的氮化铝和机械性能优异的氮化硅常被用作绝缘散热基板。其中，AIST是断裂韧性对绝缘散热基板的寿命影响很大，一直致力于提高氮化硅的导热性能，使其具有更好的机械性能。 2011年，我们开发出氮化硅陶瓷，其断裂韧性是氮化铝的三倍以上，同时还具有当时世界上最高的导热率。2011 年 9 月 6 日 AIST 新闻稿）。还有，同样的陶瓷介电击穿强度并在全球首次证明即使是微米级的超薄基板也可以在下一代电动汽车的工作电压下使用（2021 年 11 月 25 日 AIST 新闻稿）。此外，我们在世界上首次发现了一种利用人工智能从组织图像中准确预测氮化硅陶瓷断裂韧性的技术（2022 年 9 月 30 日 AIST 新闻稿）。在这项研究中，我们的目标是利用 AIST 的先进技术和长期知识，创建能够根据制造过程信息准确预测导热率的 AI 技术。这减少了制作氮化硅烧结体原型和测量导热率所需的劳动力和时间，从而可以加快材料开发速度。

氮化硅的导热系数受孔隙、晶界玻璃相、细小颗粒、长大的柱状颗粒等复杂微观结构以及颗粒内部杂质含量的影响很大。另外，显微组织和杂质含量受制造工艺的影响很大，其组合有无数种，如1）作为主要原料的氮化硅或硅粉的种类和用量，2）与1混合的多种烧结助剂的种类及其混合比例，3）混合和成型条件，4）氮化和烧结条件。使用人工智能很难预测氮化硅的热导率，因为这些制造工艺的微小差异可能会导致氮化硅的热导率发生很大变化。此次开发的方法很难通过简单量化原材料和烧结助剂的种类来准确预测导热系数。解释变量利用氮化硅陶瓷热导率的研究知识并让人工智能学习与热导率相关的特殊数值。

首先，根据总计174个氮化硅烧结体（包括AIST制造的63个和在各种论文中报道的111个）的制造工艺数据以及所得氮化硅烧结体的热导率（44至156W（mK））对原料粉末条件、烧结助剂条件、氮化条件和烧结条件进行量化^-1) 的数据集。使用 174 个数据集的部分数据，通过机器学习建立了热导率的预测模型，并使用其余数据验证了模型的预测准确性。因此，如果我们使用不包含AIST培育的烧结助剂知识的预测模型，决定系数(R²)小于07，无法进行高精度预测（图1（a）），而当使用结合了烧结助剂知识的预测模型时，R²超过08，提高了预测精度（图1（b））。通常，需要数百到数千个样本才能达到这种水平的预测精度，但通过结合 AIST 专家的知识，我们能够开发出一种人工智能，可以用比平常少得多的样本来预测导热率。

我们还分析了用于预测导热系数的每个解释变量对提高导热预测的预测精度的贡献程度（重要性）。因此，在包含烧结助剂知识的预测模型中，烧结时间是最重要的制造工艺因素，但烧结助剂和氮化时间的影响是第二重要的因素，烧结助剂的影响处于同一水平（图2）。这表明，虽然在确定氮化硅陶瓷的导热率时，烧结条件是最重要的考虑因素，但烧结助剂的选择也极其重要。

通过将工艺条件输入到新开发的AI中，可以在极短的时间（几秒）内计算出特征值，而无需在各种工艺条件下进行实验。此外，由于这种人工智能技术结合了与目标材料相关的研究成果，因此获得创建预测模型所需的数据所需的实验数量比以前少得多。通过应用该技术，可以在短时间内从输入的制造工艺条件中寻找最佳条件，而无需传统的假设检验型开发，这种开发需要花费数月的大量时间，有望加速陶瓷材料的开发。

基于我们开发的新AI技术，接下来的挑战将是将其扩展到可以处理更广泛工艺条件的热传导预测AI，开发同时预测强度、断裂韧性和介电强度等多种性能的多性能预测AI，并将其应用于自动提取制造工艺条件以获得所需物理性能的逆分析。我们还计划将开发的人工智能技术应用于氮化硅以外的陶瓷材料。我们将进一步发展这项人工智能技术，实现对制造工艺的快速有效的探索，为材料开发的创新做出贡献。

已出版的杂志：国际陶瓷
论文标题：使用基于工艺条件的机器学习方法预测烧结反应粘结氮化硅陶瓷的导热率
作者：Ryoichi Furushima*、Yuki Nakashima、You Zhou、Kiyoshi Hirao、Tatsuki Ohji、Manabu Fukushima
DOI：https://doiorg/101016/jceramint202312231

氮化硅陶瓷

氮化硅 (Si₃N₄) 通过烧结粉末获得的陶瓷材料。它具有很高的断裂韧性，即使受到突然的温度变化也不会破裂。由于氮和硅由强共价键组成，键很难断裂或重新结合，因此被称为难烧结材料，由于质量运动而难以增加密度。[返回来源]

导热率

它是表示热量传递难易程度的指标。该值越大，散热越好，反之，该值越小，隔热性越好。[返回来源]

电源模块

使用半导体器件将直流电转换为交流电、交流电转换为直流电、频率、电压等的模块。最近，它作为电动汽车（EV）和混合动力汽车（HV）的电机驱动模块变得越来越重要。[返回来源]

绝缘散热板

它是电源模块的组件。为了有效地散发半导体元件产生的热量，需要高导热性、高电绝缘性和高机械强度。[返回来源]

烧结助剂

指烧结氮化硅等难烧结材料时使用的添加剂。氮化硅烧结助剂在高温下在颗粒之间形成熔体，有利于材料扩散并加速烧结。[返回来源]

声子散射

这是代表晶格振动模式的粒子（声子）与其他粒子或缺陷相互作用的现象。当携带热量的声子与其他粒子或缺陷相互作用时，传热会受到抑制。[返回来源]

机器学习

这是一种根据任意给定变量（解释变量）预测所需特征（目标变量）的方法。为了做到这一点，需要让人工智能将解释变量和目标变量作为数据集来学习。[返回来源]

过程信息学

它是指基于过去的实验数据和模拟数据，使用搜索算法来优化目标材料的制造过程的方法。[返回来源]

断裂韧性

这是当机械能作用于裂纹材料时抵抗断裂的力。断裂韧性越高，抗断裂的能力越强，是一种难以断裂的材料。[返回来源]

电介质击穿

这是一种现象，当施加到绝缘体上的电压超过一定限度时，绝缘体会击穿并失去绝缘性能，从而允许电流流动。[返回来源]

介电击穿强度

它是引起介电击穿的电压除以材料的厚度。[返回参考源]

解释变量

用于预测您想要预测的数据（目标变量）的数据。[返回来源]

决定系数(R²)

它是统计和机器学习中评估预测模型性能的指标之一，是一个数值，表明预测模型与实际数据的拟合程度。决定系数 (R²) 取 0 到 1 范围内的值，并且R²越接近 1，预测模型越符合实际数据。另一方面，R²接近于0，表明预测模型与真实数据的拟合较差。[返回来源]