НОРМЫ ИСПЫТАНИЙ НА СТОЙКОСТЬ К ВОЗДЕЙСТВИЮ ОТДЕЛЬНЫХ ЧАСТИЦ: БАЙЕСОВСКИЙ ПОДХОД

Армен В. Согоян, Анатолий А. Смолин, Анастасия В. Уланова, Александр И. Чумаков, Андрей В. Яненко, Дмитрий В. Бойченко

Аннотация


Ключевым аспектом безопасного функционирования вычислительных систем в условиях воздействия отдельных частиц (ионов, протонов и нейтронов) является обеспечение сбое- и отказоустойчивости их электронных компонентов. Статистически достоверное определение вероятности безотказной работы (ВБР) интегральных схем (ИС) по результатам испытаний на практике сталкивается с рядом принципиальных трудностей. В случае отсутствия наблюдаемых отказов в ходе эксперимента однозначная интерпретация результатов испытаний оказывается невозможна без использования априорной информации об изделии и характере проявления одиночных радиационных эффектов (ОРЭ). Обоснованное уменьшение норм испытаний при сохранении заданной достоверности оценки соответствия может быть достигнуто за счет использования априорной количественной информации о проявлении ОРЭ в изделиях рассматриваемого класса. В работе предложен метод определения норм испытаний, основанный на байесовской методологии. В рамках данного подхода параметры радиационной чувствительности изделий (по ОРЭ) рассматриваются как векторная случайная величина, а априорная плотность распределения этой величины строится на основании имеющихся эмпирических данных. Рассмотрены параметрические и непараметрические способы построения априорного распределения по эмпирической информации. Анализ показывает, что неопределенность расчета нормы практически полностью определяется априорной информацией и способом ее представления, а учет разброса характеристик образцов и погрешностиопределения флюенса частиц приводит к незначительному увеличению нормы испытаний. В рамках предложенного подхода проанализирована достоверность оценки соответствия изделия требованиям на основании априорной информации без проведения испытаний.

Ключевые слова


норма испытаний, радиационная стойкость, априорная информация, вероятность безотказной работы, байесовская вероятность.

Полный текст:

PDF

Литература


1. Согоян Армен В. и др. Нормы испытаний на стойкость к воздействию отдельных частиц: минимаксный подход. Безопасность информационных технологий, [S.l.], т. 31, № 4, p. 153–164, 2024. ISSN 2074-7136.
DOI: http://dx.doi.org/10.26583/bit.2024.4.11.

2. Модель космоса: Научно-информационное издание: В 2 т. Под ред. М.И. Панасюка, Л.С. Новикова. Т.2: Воздействие космической среды на материалы и оборудование космических аппаратов. М.: КДУ,
2007. – 1143 с. ISBN 978-5-98227-420-5.

3. Согоян Армен В.; Смолин Анатолий А.; Чумаков Александр И. Оценка соответствия интегральных схем требованиям по стойкости к воздействию тяжелых заряженных частиц. Безопасность информационных технологий, [S.l.], т. 27, № 1,
p. 68–82, 2020. ISSN 2074-7136.
DOI: http://dx.doi.org/10.26583/bit.2020.1.06.

4. Sogoyan, A.V., Chumakov, A.I., and Smolin, A.A. SEE rate estimation based on diffusion approximation of charge collection. Nuclear Instruments and Methods in Physics Research B, v. 418, p. 87–93, 2018.
DOI: 10.1016/j.nimb.2018.01.001.

5. Кузнецов Н.В., Малышкин Ю.М., Николаева Н.И. и др. Программный комплекс COSRAD для прогнозирования радиационных условий на борту космических аппаратов. Вопросы атомной науки и техники. Серия: физика радиационного воздействия на радиоэлектронную аппаратуру. 2011, № 2,
c. 72–78. – EDN: NVXNBX.

6. Wasserman L. All of Statistics. A Concise Course in Statistical Inference (2004). ISBN 978-0387402727.

7. Закс Ш. Теория статистических выводов. М.: Мир, 1975. – 776 c.

8. Savchuk V.P. and Martz H.F. Bayes reliability estimation using multiple sources of prior information: binomial sampling, IEEE Transactions on Reliability. V. 43, no. 1, p. 138–144, 1994.
DOI: 10.1109/24.285128.

9. Jeffreys Harold. 1946. An invariant form for the prior probability in estimation problems Proc. R. Soc. Lond.
A 186: 453–461. DOI: https://doi.org/10.1098/rspa.1946.0056.

10. De Santis F., Mortera J., Nardi A. Jeffreys priors for survival models with censored data, Journal of Statistical Planning and Inference, V. 99, Issue 2, 2001, p 193–209.
DOI: https://doi.org/10.1016/S0378-3758(01)00080-5.

11. Fortuin Vincent (2022). Priors in Bayesian Deep Learning: A Review. International Statistical Review. 90 (3): 563–591.
DOI: 10.1111/insr.12502.

12. Royston P. (1992), Estimation, reference ranges and goodness of fit for the three-parameter log-normal distribution. Statist. Med., 11: 897–912. DOI: https://doi.org/10.1002/sim.4780110707.

13. Епанечников В.А. Непараметрическая оценка многомерной плотности вероятности. Теория вероятн. и ее примен., 14:1 (1969), c. 156–161. URL: https://www.mathnet.ru/rus/tvp1130 (дата обращения: 20.09.2024).

14. Reyes Camilo & Ossandó Sebastián & Barrientos, Mauricio. (2022). On the Riesz estimation of multivariate probability density functions. Mathematical Methods in the Applied Sciences.
DOI: 45.10.1002/mma.8302.

15. Duong, T.; Hazelton, M.L. (2003). Plug-in bandwidth matrices for bivariate kernel density estimation. Journal of Nonparametric Statistics. 15: 17–30. DOI:10.1080/10485250306039.

16. Duong T.; Hazelton M.L. (2005). Cross validation bandwidth matrices for multivariate kernel density estimation. Scandinavian Journal of Statistics. 32 (3): 485–506.
DOI: https://doi.org/10.1111/j.1467-9469.2005.00445.x.

17. Jose E. Chacon and Tarn Duong. Multivariate Kernel Smoothing and Its Applications. Boca Raton, FL: Chapman & Hall/CRC Press, 2018. – 226 p.

18. Delaigle A., Gijbels I. Practical bandwidth selection in deconvolution kernel density estimation, Computational Statistics & Data Analysis. V. 45, Issue 2, 2004, p. 249–267.
DOI: https://doi.org/10.1016/S0167-9473(02)00329-8.

19. Согоян А.В. Статистический подход к определению нормы испытаний. Вопросы атомной науки и техники. Серия: Физика радиационного воздействия на радиоэлектронную аппаратуру. 2020, т. 4,
с. 5–16. – EDN: NLQZNR.




DOI: http://dx.doi.org/10.26583/bit.2025.1.01

Ссылки

  • На текущий момент ссылки отсутствуют.


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