論文の概要: SREL: Severity Rating Ensemble Learning for Non-Destructive Fault
Diagnosis of Cu Interconnects using S-parameter Patterns
- arxiv url: http://arxiv.org/abs/2304.10207v1
- Date: Thu, 20 Apr 2023 10:51:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-21 13:51:14.123729
- Title: SREL: Severity Rating Ensemble Learning for Non-Destructive Fault
Diagnosis of Cu Interconnects using S-parameter Patterns
- Title(参考訳): SREL:Sパラメータパターンを用いたCu配線の非破壊的故障診断のための重度レーティングアンサンブル学習
- Authors: Tae Yeob Kang, Haebom Lee, Sungho Suh
- Abstract要約: 本稿では,診断精度とノイズロバスト性を高めるために,SREL(Severity rating ensemble Learning)アプローチを提案する。
我々の手法は、99.3%の精度で、ノイズレベルの増加に伴い、従来の機械学習やマルチクラス畳み込みニューラルネットワーク(CNN)よりも優れています。
- 参考スコア(独自算出の注目度): 1.4502611532302039
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 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.
- Abstract(参考訳): プロセッサの動作周波数とクロック速度が年々増加するにつれて、相互接続は電子システム全体の信頼性と性能の両方に影響を及ぼす。
配線の故障検出と診断は、電子の予後と健康管理(PHM)に不可欠である。
しかし、電気信号を予後因子として利用する既存の研究は、欠陥の根本原因を識別できないこと、さらに破壊的な評価を必要とすること、誤報をもたらす騒音に対する脆弱性など、限界がある。
そこで我々は,Cu配線の欠陥の非破壊検出と診断を実現し,早期検出,高い診断精度,耐雑音性を実現した。
我々の知る限り、この研究はまず、電気信号パターンを用いて根本原因と重症度を同時に分析する。
本稿では,sパラメータパターンが故障診断能力を有し,学習アルゴリズムに有効な入力データであることを実験的に示す。
さらに,診断精度とノイズロバスト性を高めるために,新しい重度評価アンサンブル学習(SREL)手法を提案する。
提案手法は,最大99.3%の精度で従来の機械学習やマルチクラス畳み込みニューラルネットワーク(cnn)を上回り,ノイズレベルが増加する。
関連論文リスト
- TDANet: A Novel Temporal Denoise Convolutional Neural Network With Attention for Fault Diagnosis [0.5277756703318045]
本稿では,音環境における故障診断性能を向上させるため,TDANet(Tunal Denoise Convolutional Neural Network With Attention)を提案する。
TDANetモデルは、その周期特性に基づいて1次元信号を2次元テンソルに変換し、マルチスケールの2次元畳み込みカーネルを用いて周期内および周期間の信号情報を抽出する。
CWRU (single sensor) とReal Aircraft Sensor Fault (multiple sensor) の2つのデータセットに対する評価は、TDANetモデルがノイズの多い環境下での診断精度において既存のディープラーニングアプローチを大幅に上回っていることを示している。
論文 参考訳(メタデータ) (2024-03-29T02:54:41Z) - In situ Fault Diagnosis of Indium Tin Oxide Electrodes by Processing
S-Parameter Patterns [2.1178416840822027]
酸化インジウム(ITO)電極は、ディスプレイ、センサー、太陽電池などの光エレクトロニクスにおいて重要な役割を担っている。
従来の視覚検査は透明ITO電極では困難である。
次に、多層パーセプトロン(MLP)、畳み込みニューラルネットワーク(CNN)、トランスフォーマーなどのディープラーニングアプローチを使用して、欠陥の原因と重症度を同時に解析する。
論文 参考訳(メタデータ) (2023-08-16T08:33:50Z) - Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。
具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。
アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
論文 参考訳(メタデータ) (2023-08-06T05:58:45Z) - Multi-resolution Spatiotemporal Enhanced Transformer Denoising with
Functional Diffusive GANs for Constructing Brain Effective Connectivity in
MCI analysis [46.04319515616324]
効果的な接続性は、脳領域間の因果パターンを記述することができる。
これらのパターンは、病態のメカニズムを明らかにし、早期診断と認知疾患に対する効果的な薬物開発を促進する可能性がある。
本稿では,機能的磁気共鳴画像(fMRI)を軽度認知障害(MCI)解析に有効な接続性に変換するために,新しいマルチレゾリューションStemporal Enhanced Transformer Denoising Networkを提案する。
論文 参考訳(メタデータ) (2023-05-18T06:54:56Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳(メタデータ) (2023-01-19T21:39:38Z) - Deep Scattering Spectrum germaneness to Fault Detection and Diagnosis
for Component-level Prognostics and Health Management (PHM) [0.0]
本研究は,産業用ロボットの機械的構成要素に対するDES(Deep Scattering Spectrum)の故障検出とデイグナシスとの関連性について考察する。
複数の産業用ロボットと異なる機械的欠陥を使って、障害を分類するアプローチを構築しました。
提案手法は, 実用試験台に実装され, 故障検出および診断において良好な性能を示した。
論文 参考訳(メタデータ) (2022-10-18T13:25:02Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳(メタデータ) (2022-09-05T16:38:13Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳(メタデータ) (2021-06-10T04:21:20Z) - Heart Sound Classification Considering Additive Noise and Convolutional
Distortion [2.63046959939306]
異常検出のための心臓音の自動解析は、加算雑音とセンサ依存劣化の課題に直面している。
本研究の目的は, 心音に両種類の歪みが存在する場合に, 心的異常検出問題に対処する手法を開発することである。
提案手法は, 安価な聴診器を用いて, ノイズの多い環境下で, コンピュータ支援型心臓聴診システムを開発するための道を開くものである。
論文 参考訳(メタデータ) (2021-06-03T14:09:04Z) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳(メタデータ) (2021-01-27T13:16:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。