追踪双极结型晶体管中辐射引起的退化：一种新型的基于数据的预测框架

《Journal of Computational Electronics》：Tracing radiation-induced degradation in bipolar junction transistors: a novel predictive data-driven framework

辐射硬化电子器件中总电离剂量诱导退化预测研究，采用POA优化的集成机器学习模型实现高精度（R2=0.9827）可解释的退化评估，验证了TID的主导影响，为空间和核应用提供实时监测工具。

　　

摘要

在抗辐射电子器件、核仪器和航天系统中，双极结型晶体管（BJTs）的可靠性受到总电离剂量（TID）引起的退化的影响，这严重阻碍了这些设备的寿命和功能。主动维护和高效的可靠性评估依赖于对这种退化的准确预测。本研究通过构建一个全面的数据驱动框架来解决这一问题，该框架使用了先进的监督式机器学习（ML）模型，如Light Gradient Boosting Machine、Extreme Gradient Boosting和Categorical Boosting（CatBoost），以及Stacking和Voting Regressors等集成技术。为了确保模型的鲁棒性，采用了80/20的训练-测试分割和严格的五折交叉验证方法，并使用了来自不同类型BJTs的565个数据点的精心挑选的实验数据集。元启发式算法Pufferfish Optimization（POA）被用来系统地进行超参数调优，显著提高了预测性能。POA-Voting模型的测试R2值为0.9827，RMSE为0.0926，MAE为0.0628，在准确性方面优于其他模型。这些模型能够提供准确可靠的退化预测，平均绝对百分比误差（MAPE）始终保持在2.1%以下。比较研究显示，POA在超参数优化方面优于遗传算法，而SHAP分析验证了总电离剂量对退化的主导影响。通过这种机器学习流程，实现了关键辐射暴露应用中的实时监控、预测和设备设计改进，为预测辐射引起的晶体管退化提供了一个可解释且精确的工具。