一种机器学习方法来预测微电子元件中的辐射效应
Fernando Morilla1, Jesús Vega2, Sebastián Dormido-Canto1
1Departamento de Informática y Automática, UNED, Juan del Rosal 16, 28040 Madrid, Spain.
Sensors (Basel, Switzerland)
|July 13, 2024
概括
本研究介绍了一种使用机器学习的先进电气参数预测器 (APEP),用于预测电子元件因辐射而降解的情况. 该APEP方法准确地预测了基于辐射剂量的组件性能变化,适用于各种电子部件.
科学领域:
- 材料科学 材料科学 材料科学
- 电气工程 电气工程
- 计算机科学 计算机科学
背景情况:
- 电子元件在暴露于辐射时容易降解.
- 了解和预测这种退化对于辐射环境中的可靠性至关重要.
- 现有的方法可能无法完全捕捉辐射剂量的复杂参数变化.
研究的目的:
- 引入一种基于机器学习的新技术,用于预测电子元件因辐射而降解的情况.
- 为了证明电气参数先进预测器 (APEP) 对双极晶体管的适用性.
- 建立一个可通用的方法来预测各种电子元件的辐射诱导退化.
主要方法:
- 电气参数高级预测器 (APEP) 技术采用机器学习算法.
- 它涉及两个关键步骤:识别数据库中的降解模式,并预测新的,未经辐射的样本的降解.
- 可以使用"纯数据驱动"或"基于模型"的方法来实施APEP.
主要成果:
- APEP技术成功地预测了双极晶体管在辐射下电气参数的降解.
- 该方法有效地模拟了电气参数如何随着辐射剂量的增加而变化.
- 预测准确度证明了机器学习方法的可行性.
结论:
- 电气参数先进预测器 (APEP) 提供了一种创新且有效的方法,用于预测电子元件的辐射诱导退化.
- 该方法是可适应的,可以应用超越双极晶体管到其他电子元件.
- 这种技术提高了在暴露于辐射的应用中对电子产品的可靠性评估.
