基于安全主动学习的Ga$_2$O$_3$基氢气和温度传感器的自主可靠性资格
应用物理
2026-05-06 v2 材料科学
机器学习
系统与控制
系统与控制
摘要
我们提出了一种安全主动学习（SAL）框架，用于GaO基氢气和温度传感器的自主可靠性表征。SAL将整流性质视为基于器件物理的安全可观测量，并使用高斯过程代理模型描述其随时间、温度和H浓度的演变。为处理条件依赖且不确定的实验持续时间，方法结合自适应完成时间窗口、时间窗口下置信界安全检查、基于先前验证安全条件的信任区域，以及两种相位策略：从保守的安全探索过渡到逐步放宽的整流目标，以适应器件退化。我们首先在仿真中评估SAL，在其中安全地扩展探索区域的同时学习演变的整流曲面。随后，我们在使用Pt/CrO:Mg/-GaO器件的自动化高温探针台平台上实施SAL。在报告的营销期间，阶段1仅发生一次与伪造电压-电流扫描相关的不安全测量，而阶段2有意探索较低整流区域。最后，我们使用精选的SAL数据集对器件响应进行离线长期预测，使用具有条件依赖Kohlrausch--Williams--Watts均值和残差协方差核的结构化高斯过程模型。该模型捕捉到长时间、饱和退化趋势于一个辅助验证数据集，说明安全感知的自主实验既可实现保守表征，又可用于后续退化建模。虽然本文针对整流GaO器件演示，但SAL适用于其他可定义可测量现场安全可观测量的系统。
引用
@article{arxiv.2605.00868,
title = {Autonomous Reliability Qualification of Ga$_2$O$_3$-based Hydrogen and Temperature Sensors via Safe Active Learning},
author = {Davi Febba and William A. Callahan and Anna Sacchi and Andriy Zakutayev},
journal= {arXiv preprint arXiv:2605.00868},
year = {2026}
}