SREL: Severity Rating Ensemble Learning for Non-Destructive Fault Diagnosis of Cu Interconnects using S-parameter Patterns

要約

タイトル：SREL: Sパラメータパターンを使用したCuインターコネクトの非破壊故障診断のための深刻度評価アンサンブル学習

要約：
– インターコネクトは、プロセッサの動作周波数やクロック速度が年々増加するにつれて、電子システム全体の信頼性と性能に影響を与えています。
– 電子機器の診断と健康管理（PHM）のために、インターコネクトの故障検出と診断は重要です。
– しかしながら、既存の研究では予測因子として電気信号を使用する限界があります。根本原因を区別することができず、最終的には追加の破壊的評価が必要になり、誤報が発生するノイズへの脆弱性があります。
– ここでは、Cuインターコネクトの欠陥の非破壊的検出と診断を実現し、早期発見、高い診断精度、ノイズ耐性を実現します。
– この研究は、同時に根本原因と深刻度を電気信号パターンで分析する最初のものであることを示しています。
– 本論文では、Sパラメータパターンが故障診断のために能力を持っていることを実験的に示し、学習アルゴリズムの効果的な入力データであることを提案します。
– さらに、診断精度とノイズ耐性を向上させるために、深刻度評価アンサンブル学習（SREL）アプローチを提案します。
– ノイズレベルが上昇するにつれて、最大精度99.3％を持つ当社の方法は、従来の機械学習と多クラス畳み込みニューラルネットワーク（CNN）を凌駕します。

要約(オリジナル)

As operating frequencies and clock speeds in processors have increased over the years, interconnects affect both the reliability and performance of entire electronic systems. Fault detection and diagnosis of the interconnects are crucial for prognostics and health management (PHM) of electronics. However, existing research works utilizing electrical signals as prognostic factors have limitations, such as the inability to distinguish the root cause of defects, which eventually requires additional destructive evaluation, and vulnerability to noise that results in a false alarm. Herein, we realize the non-destructive detection and diagnosis of defects in Cu interconnects, achieving early detection, high diagnostic accuracy, and noise robustness. To the best of our knowledge, this study first simultaneously analyzes the root cause and severity using electrical signal patterns. In this paper, we experimentally show that S-parameter patterns have the ability for fault diagnosis and they are effective input data for learning algorithms. Furthermore, we propose a novel severity rating ensemble learning (SREL) approach to enhance diagnostic accuracy and noise-robustness. Our method, with a maximum accuracy of 99.3%, outperforms conventional machine learning and multi-class convolutional neural networks (CNN) as additional noise levels increase.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI