基于增强电应力特征的机器学习 COTS 器件批次识别与总电离剂量退化预测

《IEEE Transactions on Neural Networks and Learning Systems》：Machine Learning-Based COTS Device Lot Identification and Total Ionizing Dose Degradation Prediction via Enhanced Electrical Stress Features

　　

摘要：

商用现成品（COTS）器件在航天电子系统中被广泛使用，但其工艺设计无法满足太空辐射环境的应用需求，导致因总电离剂量（TID）效应而产生的性能退化风险。然而，传统的辐射加固（RH）评估方法成本高且耗时，且无法有效应对商用现成品器件辐射加固一致性中的批间和批内波动问题。本文提出了一种基于物理特征增强的机器学习模型。通过对来自多个制造商和批次的器件进行辐照实验，构建了高质量数据集。通过引入多种电应力条件下的电参数响应作为增强特征参数，该模型实现了对器件制造商和批次的无损识别以及总剂量辐射退化的预测。结果表明，该模型对器件制造商的识别准确率约为0.965，对批次的识别准确率为0.836；在四个特定剂量点，辐射退化预测的决定系数 (R2) 均高于0.833，优于均值基线模型。将多种电应力条件下的电参数响应纳入模型，提高了模型在制造商和批次识别以及TID辐射退化预测方面的性能。本研究揭示了器件辐照前初始电参数差异与其辐射加固特性之间存在隐含相关性。与单一测试条件相比，器件参数对多种电应力的响应包含更丰富的辐射加固特征信息。

一、引言

商用现成品（COTS）器件在航天电子系统中被越来越广泛地使用。此类器件具有高性能、低成本、开发周期短、可批量生产以及易于集成新材料和新技术等优势 [1]、[2]、[3]。