ВОЗМОЖНОСТЬ ПРИМЕНЕНИЯ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ КАЧЕСТВА ЭКБ И РЭА

Анна С. Колосова, Анна С. Каменева, Георгий В. Чуков, Александр Ю. Никифоров

Аннотация


Рассмотрены основные алгоритмы и методы машинного обучения и проведен анализ возможности их применения для оценки качества как основного элемента обеспечения доверенности выпускаемой электронной компонентной базы (ЭКБ) и радиоэлектронной аппаратуры (РЭА). Приводятся примеры успешного применения данных алгоритмов для улучшения таких показателей качества ЭКБ как надежность, стойкость к внешним воздействующим факторам и др. При проведении исследований стойкости ЭКБ к внешним воздействующим факторам, необходимой является процедура идентификации образцов ЭКБ методом рентгеноскопии, для выявления возможной неоднородности в конструкции образцов, принадлежащих к одной партии. Неоднородность партии может влиять на показатели надежности и стойкости к внешним воздействующим факторам, в связи с чем актуальной задачей является построение надежной системы идентификации. В статье предложен подход к решению задачи поиска неоднородности партии при идентификации образцов ЭКБ с помощью рентгеноскопии, в том числе как метода обеспечения доверенности, с помощью сверточной нейронной сети и алгоритмов кластеризации.

Ключевые слова


РЭА, машинное обучение, показатели качества ЭКБ, идентификация.

Полный текст:

PDF

Литература


1. Джон Келлехер, Брендан Тирни. Наука о данных: Базовый курс. Пер. с англ. М.: Альпина Паблишер, ISBN 978-5-9614-3170-4. 2020. – 224 с.

2. Rosenblatt F. The perceptron: a probabilistic model for information storage and organization in the brain. Psychological Review. 1958, 65(6), p. 386–408.
DOI: http://dx.doi.org/10.1037/h0042519.

3. Барцев С.И., Охонин В.А. Адаптивные сети обработки информации. Красноярск: Ин-т физики СО АН СССР. Препринт № 59Б. 1986. – 19 с.

4. Shim S., Choi S. and Shin Y. Machine learning (ML)-based lithography optimizations. IEEE Asia Pacific Conference on Circuits and Systems (APCCAS), Jeju, Korea (South). 2016, p. 530–533.
DOI: http://dx.doi.org/10.1109/APCCAS.2016.7804021.

5. Cho J., Cho G.and Shin Y. Optimization of Machine Learning Guided Optical Proximity Correction. IEEE 61st International Midwest Symposium on Circuits and Systems (MWSCAS), Windsor, ON, Canada. 2018,
p. 921–924. DOI: http://dx.doi.org/10.1109/MWSCAS.2018.8623985.
6. Yonghwi Kwon, Youngsoo Song, Youngsoo Shin. Optical proximity correction using bidirectional recurrent neural network (BRNN). SPIE Advanced Lithography, 2019, San Jose, California, United States.
DOI: http://dx.doi.org/10.1117/12.2515159.

7. Loveless T.D., Reising D.R., Cancelleri J.C., McMorrow D., Massengill L.W. Analysis of Single-Event Transients (SETs) Using Machine Learning (ML) and Ionizing Radiation Effects Spectroscopy (IRES). IEEE Transactions On Nuclear Science. 2021, vol. 68, no. 8, p. 1600–1606.
DOI: http://dx.doi.org/10.1109/TNS.2021.3050879.

8. Adrien Dorise, Corinne Alonso, Audine Subias, Louise Travé-Massuyès, Leny Baczkowski, François Vacher. Machine learning as an alternative to thresholding for space radiation high current event detection. 21th European Conference on Radiation and Its Effects on Components and Systems (RADECS), Vienna, Austria. 2021, p. 1–7.
DOI: http://dx.doi.org/10.1109/RADECS53308.2021.9954582.

9. Eduardo Weber Wächter, Server Kasap, Şefki Kolozali, Xiaojun Zhai, Shoaib Ehsan, Klaus D. McDonald-Maier. Using machine learning for anomaly detection on a system-on-chip under gamma radiation, Nuclear Engineering and Technology. 2022, vol. 54, no. 11, p. 3985–3995.
DOI: https://doi.org/10.1016/j.net.2022.06.028.

10. Амелин С.А., Амелина M.А., Киселёв К.О., Фролков О.А. Применение методов машинного обучения для автоматизированного построения SPICE-моделей силовых МОП-приборов. Международный научно-исследовательский журнал, 2017, № 11(65). Часть 4, с. 11–16.
DOI: https://doi.org/10.23670/IRJ.2017.65.025. – EDN: ZXKKVP.

11. Ожегин Ю.А., Ожегин Т.Ю. Алгоритм идентификации образцов ЭКБ по результатам анализа рентгенографического изображения В сб.: Тез. докл. 17-й Всеросс. научно-техн. конф. по радиационной стойкости электронных систем «Стойкость-2014», г. Лыткарино, 3–4 июня 2014 г., с. 93–94.

12. Пыхтина А.С., Колосова А.С. Система рентгеновского визуального контроля интегральных схем Научная сессия НИЯУ МИФИ-2010. Аннотации докладов. В 3 т. Т. 1. Ядерная физика и энергетика.
М.: НИЯУ МИФИ, 2010. – 156. с.

13. Ожегин Ю.А., Ожегин Т.Ю. Применение методики обработки рентгеновских изображений изделий электронной техники при входном контроле в целях испытаний на радиационную стойкость Научная сессия НИЯУ МИФИ-2013. Аннотации докладов. В 3 т. Т. 1. Инновационные ядерные технологии. Высокие технологии в медицине. М.: НИЯУ МИФИ, 2013, с. 110.

14. Пыхтина А.С., Колосова А.С., Зимин А.В. Процедура контроля однородности партий ИС при испытаниях на СВВ. В сб.: Радиационная стойкость электронных систем «Стойкость-2010».
М.: НИЯУ МИФИ. 2010, вып. 13, с. 165–166.

15. Артамонов А.С., Пыхтина А.С., Сангалов А.А., Колосова А.С. Применение системы рентгеновского визуального контроля кристаллов при подготовке испытаний на СВВ В сб.: Радиационная стойкость электронных систем «Стойкость-2009». М.: МИФИ. 2009, вып. 12, с. 143–144.




DOI: http://dx.doi.org/10.26583/bit.2023.1.09

Ссылки

  • На текущий момент ссылки отсутствуют.


Лицензия Creative Commons
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.