Прогнозирование деградации электрических параметров полупроводниковых изделий тема диссертации и автореферата по ВАК РФ 05.27.01, кандидат технических наук Арсентьев, Алексей Владимирович

• Арсентьев, Алексей Владимирович
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Арсентьев, Алексей Владимирович

ВВЕДЕНИЕ

ГЛАВА 1. МЕТОДИКИ ПРОГНОЗИРОВАНИЯ ПРОЦЕССОВ ДЕГРАДАЦИИ ПО ИЗМЕНЕНИЮ ЭЛЕКТРИЧЕСКИХ ПАРАМЕТРОВ ППИ г

1.1. Использование вероятностно-статистических методов теории надёжности для прогнозирования электрических параметров ППИ ю

1.2. Использование корреляционной и автокорреляционной функций при прогнозировании деградации электрических параметров ППИ

1.3. Прогнозирование процесса деградации электрических параметров ППИ методами теории временных рядов

1.3.1. Регрессионные методы анализа и прогнозирования

1.4. Методы Бокса-Дженкинса (АРПСС-модели)

1.4.1. Авторегрессионные модели временных рядов (АР-модели)

1.4.2. Модели временных рядов со скользящим средним (СС-модели)

1.4.3. Модели временных рядов с авторегрессией и скользящим средним (АРСС-модели)

1.4.4. Преимущества и недостатки моделей АРПСС

1.5. Использование НС для прогнозирования деградации электрических параметров ППИ

Выводы к главе

ГЛАВА 2. ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ДЕГРАДАЦИИ ЭЛЕКТРИЧЕСКИХ ПАРАМЕТРОВ ППИ ПО РЕЗУЛЬТАТАМ ИСПЫТАНИЙ НА ДОЛГОВЕЧНОСТЬ

2.1. Представление экспериментальных данных

2.2. Прогнозирование процесса деградации электрических параметров выборки партии транзисторов типа 2Т652А нейронной сетью архитектуры

2.3. Прогнозирование процесса деградации электрических параметров выборки партии транзисторов типа 2Т652А нейронной сетью архитектуры пе\\тЬе

2.4. Прогнозирование процесса деградации электрических параметров выборки партии транзисторов типа 2Т652А нейронной сетью архитектуры пе,у^гпп

Выводы к главе

Глава 3. ПРОГНОЗИРОВАНИЕ ПРОЦЕССА ДЕГРАДАЦИИ ЭЛЕКТРИЧЕСКИХ ПАРАМЕТРОВ ПОЛУПРОВОДНИКОВЫХ ИЗДЕЛИЙ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ И МЕТОДОВ ТЕОРИИ РАСПОЗНАВАНИЯ ОБРАЗОВ

3.1. Понятие о методе окон

3.2. Построения прогноза нейронной сетью пе\у£Г с использованием метода окон для нормы по границе электрических параметров выборки партии транзисторов типа 2Т652А

3.3. Построения прогноза нейронной сетью с использованием метода окон для нормы по границе электрических параметров ИС типа 1533ТМ2 и 500РУ

3.4. Построения прогноза нейронной сетью педугЬе и пе\

§гпп с использованием метода окон для нормы по границе электрических параметров выборки партии транзисторов 2Т652А по результатам испытаний на долговечность

3.5. Отбраковка партий полупроводниковых изделий по траектории деградации электрических параметров на примере выборок партий транзисторов типа 2Т652А ^

Выводы к главе

Заключение диссертации по теме «Твердотельная электроника, радиоэлектронные компоненты, микро- и нано- электроника на квантовых эффектах», Арсентьев, Алексей Владимирович

Выводы к главе 1

В главе описаны три подхода к прогнозированию деградации технических характеристик ИС: классическая теория параметрической надежности, анализ и прогноз с помощью временных рядов, а также заявлена возможность нейронных сетей строить прогнозы. Классическая теория надежности, основанная на математической статистике, не полностью соответствует текущим задачам оценки надежности приборов, поскольку современные приборы обладают очень маленькой интенсивностью отказов А,=10"9, что соответствует как минимум сотне лет эксплуатации приборов. Тем не менее, параметрическая теория надежности остается удобным инструментом для оценки надежности приборов, которой не следует пренебрегать при анализе деградации электрических параметров приборов.

Анализ и прогноз с помощью временных рядов - чисто математические методы, которые позволяют работать с любыми абстрактными математическими рядами данных без привязки к реальным физическим процессам. Однако данные методы (в особенности в своей самой сложной форме АРПСС-моделей) позволяют строить достоверные модели деградации ППИ. К недостаткам методов необходимо отнести быстрое снижение достоверности прогноза с глубиной прогноза, т.е. эти методы дают краткосрочные прогнозы на глубину до 1/3 исходного временного ряда, а также требование длинного экспериментального (исходного) ряда (более 40 значений), что не всегда возможно выполнить. В целом прогноз с помощью временных рядов - удобный инструмент, хорошо дополняющий теорию параметрической надежности.

Прогнозирование с помощью нейронных сетей сравнительно новый метод, получивший более или менее широкое распространение вместе с распространением и доступностью компьютерной техники, поскольку не предполагает ручных расчетов. В данной работе ставится задача исследовать возможности НС при прогнозировании деградации электрических параметров партии ППИ и по результатам моделирования сформулировать алгоритм методики прогнозирования. Главным достоинством нейронных сетей следует считать возможность строить прогнозы по малой длине экспериментального ряда, хотя для достижения наилучших результатов все равно требуется длинный ряд (около 30 элементов).

ГЛАВА 2.

ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ДЕГРАДАЦИИ ЭЛЕКТРИЧЕСКИХ ПАРАМЕТРОВ ППИ ПО РЕЗУЛЬТАТАМ ИСПЫТАНИЙ НА ДОЛГОВЕЧНОСТЬ

2.1. Представление экспериментальных данных

В работе применяются экспериментально полученные данные испытаний на долговечность трех партий маломощных транзисторов типа 2Т652А выпуска 1983, 1986 и 2003 гг.; ИС типа 1533ТМ2, представляющей собой два Б-триггера (функциональный зарубежный аналог ИС типа 8Ы54АЬ874); ИС типа 500РУ415, представляющей собой статическое ОЗУ (функциональный зарубежный аналог ИС типа Р10415). Все приборы выполнены по биполярной технологии ТТЛ. Партии транзисторов 2Т652А (выборка по 25 приборов) выпуска 1983 года проходили испытания на долговечность согласно ГОСТ В 22468-77, ЧТУаАо339.304.ТУ в течение 79 тыс. ч; выпуска 2003 года - ГОСТ В 28146, ГОСТ 20.57.404, ЧТУаАо339.304ТУ в течение 20 тыс. ч; выпуска 1986 года -ОСТ В 11.336.018-82, ТУ аАо339.285.ТУ в течение 50 тыс. ч.

Методы прогнозирования деградации электрических параметров полупроводниковых приборов и ИС (ППИ) условно можно разделить на три большие группы: физические методы, основанные на ускоренных испытаниях; математические методы, основанные на обработке статистической информации по параметрам приборов; кибернетические методы, такие как обработка временных рядов деградации нейронными сетями и вейвлет-преобразование [22]. К достоинствам кибернетических методов прогнозирования следует отнести способность обнаруживать неявные (скрытые) закономерности во временных рядах деградации параметров ИС, которые не получается выявить с помощью первых двух групп методов.

При прогнозировании деградации электрических параметров с помощью нейронных сетей можно выделить два возможных подхода. Первый подход основан на способности сети аппроксимировать неизвестную функцию, например, с некоторой точностью подобрать зависимость деградации электрического параметра ИС. Используя подобранную зависимость, можно экстраполировать ряд на неизвестные значения и получить прогноз. Второй подход основан на способности сети распознавать образы. В данном случае под "образом" подразумевается траектория деградации электрической характеристики ИС. Метод прогнозирования с помощью НС, основанный на распознавании образов, называется "метод окон".

Нейронную сеть можно представить как черный ящик (рис. 2.1), выполняющий преобразование функции И(х). Суть метода состоит в использовании способности нейронных сетей обучаться на тестовых выборках путем подбора внутренних параметров (весов и смещений) НС, после чего сеть приобретает способность моделировать неизвестную функцию (в неявной форме). Если в качестве обучающей выборки использовать значения рядов деградации технических характеристик 111Ш, то НС приобретет способность к моделированию неизвестной зависимости в рядах деградации. Подавая на вход сети значение времени за пределами экспериментально полученных замеров, будем получать прогноз сети. нейронная вход выход вектор Р ¡в» сеть вектор Т

Т=/(Р)

Рис. 2.1. Условное изображение аппроксимирующей нейронной сети

Прогнозирование процесса деградации электрических параметров ППИ с помощью НС состоит из двух этапов: первый - это обучение сети на известных обучающих выборках; второй - предъявление на вход сети новой выборки, таким образом, данные, полученные с выхода НС, будем считать прогнозом. При этом возможно обучать нейронную сеть различными способами. Целевым вектором могут выступать как отдельные электрические параметры, например 10ь Іон, Цэь Ион - статические характеристики ТТЛ цифровых ИС, так и группа электрических параметров, представленных в какой-либо форме, например, в виде евклидовой нормы.

Прогноз деградации электрических параметров будет строиться для биполярного маломощного транзистора типа 2Т652А, ТТЛ ИС средней степени интеграции типа 1533ТМ2 (2 синхронных Б-триггера, тактируемых фронтом синхросигнала) и биполярной ОЗУ типа 500РУ415. Приборы с различными конструктивно-технологическими особенностями и функциональным назначением выбраны из предположения о различном характере процесса деградации характеристик полупроводниковых изделий.

Для транзистора типа 2Т652А осуществим прогноз по трем контролируемым согласно ТУ параметрам (табл. 2.1): обратный ток коллектор-база (1кбо), обратный ток эмиттер-база (1эбо) и статический коэффициент передачи тока (Ь21э). Для ИС типа 1533ТМ2 строится прогноз для выходного напряжения низкого уровня (и^/), выходного напряжения высокого уровня (Цад), выходного тока (10), а для ИС типа 500РУ415 только для выходного напряжения низкого уровня (Щ) и выходного напряжения высокого уровня (и0А). Данные параметры выбраны из-за того, что для соответствующих приборов значения указанных параметров лежат в непосредственной близости к границе предельно допустимых значений. Данные для прогнозирования предоставлены Минским заводом "Транзистор" и представляют собой результаты испытаний на долговечность. В табл. 2.1-2.3 представлены наибольшие (наихудшие) значения параметров по результатам испытаний на долговечность, в которых указаны границы параметрических отказов. Полные таблицы результатов моделирования аппроксимирующей нейронной сети приведены в приложении.