如何使用在线监测和片外机器学习来提高可靠性和可预测性。
可靠性物理历来关注的失效模式,但这方法是达到了极限。这些模型通常是使用收集的数据从非常简单的测试结构,可以强调失败。今天,随着电子玩这样一个重要的角色在我们的日常生活中,失败不再是一种选择。底层ICs实施要求mega-functionality,纳米制造工艺,先进的包装和最终,不断的使用。制造商必须快速有效地达到批量生产,坚持严格的要求,特别是在应用程序需求高可靠性领域,如汽车、数据中心和电信。一种范式以数据为中心的转型是需要在一个更广泛的范围上。
那么将是下一个大步在确保突然芯片失败永远不会发生?这是一个至关重要的问题,必须回答关键电子生长在复杂性和规模,并采取阶段几乎在我们生活的方方面面。
关键不只是识别失败,但在电子能够预测失败。这都是关于失败的物理学,估计剩下的失效到达时间提前和创建警报。第二范式转变在可靠性保证性能退化监测和分析失败的前兆。
多个物理机制(HCI、发言哦,SM,等等)很好地证明了连续退化的失败。相对较小的监控电路策略性地放置和连接在很多地方的芯片可用于forwarn片电路退化和向用户发送提醒即将到来的失败。
一个这样的方法利用IC的结合嵌入式电路(proteanTecs调用这些代理),和片外机器学习算法,推断出的数字读数电路在整个运营的一生中。ICs的边缘退化,以及其他重要参数的集成电路及其环境压力不断监控、预测和预防潜在的失败发生之前,并指向失败的物理-提供一个估计的失效到达时间。
有几种类型的代理:
在整个产品的生命周期和一套嵌入式代理、软件平台使用他们的输出作为输入到机器学习算法相结合。关联读数的特定产品的全部人口进一步提供了非常可靠的预测维护自主车,超大型数据中心、医疗仪器等领域的可靠性至关重要。
本文最初发表于2019年IEEE国际可靠性物理研讨会(irp)和可用10.1109 / IRPS.2019.8720527。
|
|
|
|
|
|
|
|
|
|
留下一个回复