基于SSA-LSTM融合架构的集成电路可靠性的智能预测

科学领域:

• 电气工程 电气工程
• 材料科学 材料科学 材料科学
• 计算机科学 计算机科学

背景情况:

• 集成电路 (IC) 的缩放加剧了可靠性问题,例如负偏差温度不稳定性 (NBTI).
• NBTI导致金属氧化物半导体场效应晶体管 (MOSFET) 的值电压变化,影响数字电路性能.
• 准确的预后对于IC寿命预测至关重要,但传统模型在降解非线性方面扎.

研究的目的:

• 为数字IC开发一个高精度,数据驱动的预测模型.
• 解决传统模型在捕捉非线性降解模式方面的局限性.
• 为了提高预测MOSFET由于NBTI而降解的准确性和效率.

主要方法:

• 一个新的融合架构,结合了Sparrow搜索算法 (SSA) 和长短期内存 (LSTM) 网络 (SSA-LSTM).
• 使用SSA.自动优化LSTM超参数 (隐藏单位,学习率,代数) 使用SSA.
• 经验模式分解 (EMD) 用于预处理和消除时间降解数据.

主要成果:

• SSA-LSTM模型显著降低了门电压 ([公式:见文本]) 预测中的平均绝对误差.
• 该模型的表现优于粒子群优化 (PSO) 和EMD-PSO等基准模型.
• 证明了非线性降解轨迹的准确捕获,以及用于早期异常检测的高灵敏度.

结论:

• 拟议的SSA-LSTM模型为数字IC可靠性评估和预测提供了一个强大的解决方案.
• 这种数据驱动的方法提高了在NBTI压力下预测电路寿命的能力.
• SSA,LSTM和EMD的协同组合在预后建模中提供了卓越的性能.