Para mejorar la tensión de ruptura (BV), se propuso un transistor de alta movilidad electrónica basado en GaN con una barrera posterior híbrida de AlGaN (HBB-HEMT). La barrera posterior híbrida de AlGaN fue construida utilizando la región Al.Ga.N y la región Al.G.9N, cada una con una composición de Al distinta. Los resultados de la simulación del HBB-HEMT demostraron una tensión de ruptura (1640 V) que era un 212% más alta que la del HEMT convencional (Conv-HEMT) y una baja resistencia de encendido (0.4 mOhm·cm). En última instancia, el dispositivo logró un alto factor de mérito de Baliga (7.3 GW/cm) entre los dispositivos informados de tamaño similar. Se entrenó un modelo de predicción basado en una red neuronal de retropropagación (BP) para predecir BV para una mayor eficiencia en trabajos posteriores. El modelo fue entrenado y calibrado, logrando un coeficiente de correlación (R) de 0.99 y una precisión de predicción del 95% en el conjunto de pruebas. Los resultados indicaron que el modelo de red neuronal BP utilizando el algoritmo de Levenberg-Marquardt predijo con precisión la tensión de ruptura directa del HBB-HEMT, subrayando la viabilidad y la importancia de los modelos de redes neuronales en el diseño de dispositivos de potencia de GaN.