論文の概要: Adaptive Sequential Test Planning for Multi-Mechanism Reliability Qualification via Bayesian Monte Carlo Tree Search

• arxiv url: http://arxiv.org/abs/2608.09622v1
• Date: Mon, 10 Aug 2026 14:04:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.295689
• Title: Adaptive Sequential Test Planning for Multi-Mechanism Reliability Qualification via Bayesian Monte Carlo Tree Search
• Title（参考訳）: ベイジアンモンテカルロ木探索によるマルチメカニズム信頼性評価のための適応シーケンステスト計画
• Abstract要約: 本稿では,信頼度を部分的に観測可能な逐次決定問題として定式化するクローズドループ適応型テスト計画フレームワークを提案する。 これは、木探索に基づく適応テスト計画の新しい適用方法として、マルチメカニズムの信頼性向上に有効であると考えている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliability qualification of advanced semiconductor devices requires sequential stress decisions that balance characterization objectives against multiple competing failure mechanisms. Current practice relies on static test plans derived from population-level acceleration models, which cannot adapt to per-unit variability or real-time degradation observations. This paper presents a closed-loop adaptive test planning framework that formulates reliability qualification as a partially observable sequential decision problem and solves it using Monte Carlo tree search for seed-action simulators (MCTS-SA) coupled with extended Kalman filter (EKF) belief-state estimation. The framework models stochastic, per-device variability in bias temperature instability (BTI), electromigration (EM), and time-dependent dielectric breakdown (TDDB), and treats stress selection as a constrained sequential optimization, i.e., to maximize the probability of successful degradation characterization while respecting catastrophic failure constraints. Under the experimental assumptions used here (discrete stress actions, proxy damage observability, and cumulative degradation without recovery), we believe this to be a novel application of tree-search-based adaptive test planning to multi-mechanism reliability qualification. Across 5,000 planning iterations, the characterization yield (CY) improves from 20% in the first 500 iterations to over 54% in the final 500, with 39% cumulative success, while the best successful test sequence terminates with EM and TDDB damage fractions DEM=0.564 and DTDDB=0.537, well within safety margins. These results demonstrate that sequential Bayesian planning can synthesize damage-aware test policies that significantly outperform non-adaptive strategies for reliability qualification under competing failure modes.
• Abstract（参考訳）: 先進半導体デバイスの信頼性保証には、複数の競合する障害機構に対する特性評価のバランスをとるためのシーケンシャルなストレス決定が必要である。 現在の実践は、単位単位ごとの変動やリアルタイム劣化観測に適応できない人口レベルの加速モデルに由来する静的なテスト計画に依存している。 本稿では,モンテカルロ木を用いたシードアクションシミュレータ (MCTS-SA) の探索と,拡張カルマンフィルタ (EKF) の信念状態推定を併用して,信頼度を部分的に観測可能な逐次決定問題として定式化するクローズドループ適応型テスト計画手法を提案する。 このフレームワークは、バイアス温度不安定性(BTI)、エレクトロマイグレーション(EM)、時間依存性誘電体破壊(TDDB)の確率的、デバイスごとの変動をモデル化し、ストレス選択を制約付き逐次最適化として扱う。 ここで用いられる実験的な仮定(離散的ストレス行動、プロキシ損傷の観測可能性、回復しない累積的劣化)の下では、木探索に基づく適応テスト計画の新手法がマルチメカリズムの信頼性向上に有効であると考えている。 5000回の計画イテレーションで、キャラクタリゼーションの収率(CY)は、最初の500回のイテレーションで20%から最終500回の54%以上に改善され、39%が累積的な成功であり、最も成功したテストシーケンスはEMとTDDBの損傷率DEM=0.564とDTDDB=0.537で終了する。 これらの結果から, 逐次ベイズ計画が, 競合する故障モード下での信頼性保証のための非適応的戦略を著しく上回る損傷対応テストポリシーを合成できることが示唆された。

関連論文リスト

• Bifurcated Remaining Useful Life Prediction: A Hybrid Approach for Realistic Uncertainty Characterization [1.679937788852769]
  この枠組みは、エンジンの運用寿命を「健康」と「劣化」の体制に二分する国家認識戦略を採用している。 この枠組みの最大の強みは、物理的に一貫した不確実帯の生成であり、寿命の終わり近くで高信頼な予測をもたらす。
  論文  参考訳（メタデータ） (2026-05-29T12:42:07Z)
• Robust and Reliable AI for Predictive Quality in Semiconductor Materials Manufacturing with MLOps and Uncertainty Quantification [3.881861135428263]
  本研究は,5年間の実生産データを用いて,機械学習操作(MLOps)のトレーニング戦略をベンチマークする。 製造意思決定における不確実性定量化の重要課題に対処するため,同型予測を実装した。
  論文  参考訳（メタデータ） (2026-05-08T13:57:21Z)
• Distributional Process Reward Models: Calibrated Prediction of Future Rewards via Conditional Optimal Transport [6.379494871147752]
  インタイムスケーリング手法はプロセス・リワード・モデル(PRM)に依存している。 本研究では, PRMの校正, 条件OT(CondOT)マップ学習 citebunne2022 の修正, 単調条件量子関数の推定における条件最適輸送の最初の利用を提案する。 これにより、構造的に有効な量子的推定が得られ、任意のレベルでの信頼境界の効率的な抽出が可能となる。
  論文  参考訳（メタデータ） (2026-05-07T18:00:04Z)
• TEMPO: Scaling Test-time Training for Large Reasoning Models [87.61789183311856]
  テストタイムトレーニング(TTT)は、推論時間中にラベルのないテストインスタンスにモデルパラメータを適用する。 TTTフレームワークであるTEMPOを提案する。これは、ラベル付きデータセット上で定期的な批評家の再検討を行い、ラベル付き質問に対するポリシー修正をインターリーブする。
  論文  参考訳（メタデータ） (2026-04-21T10:01:04Z)
• d-TreeRPO: Towards More Reliable Policy Optimization for Diffusion Language Models [45.27333046908981]
  emphd-TreeRPOは、dLLMのための信頼できる強化学習フレームワークである。 我々は,emphd-TreeRPOが複数の推論ベンチマークで大きく向上していることを示す。
  論文  参考訳（メタデータ） (2025-12-10T14:20:07Z)
• Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
  高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。 しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。 我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-15T08:41:36Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• COME: Test-time adaption by Conservatively Minimizing Entropy [45.689829178140634]
  保守的に最小化されるエントロピー (COME) は従来のエントロピー (EM) の代替品である COMEはモデル予測よりもディリクレ事前分布を特徴付けることによって、不確実性を明示的にモデル化する。 我々はCOMEが一般的なベンチマークで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-10-12T09:20:06Z)
• Uncertainty-Calibrated Test-Time Model Adaptation without Forgetting [65.21599711087538]
  テスト時間適応(TTA)は、与えられたモデルw.r.t.を任意のテストサンプルに適用することにより、トレーニングデータとテストデータの間の潜在的な分散シフトに取り組むことを目指している。 事前の手法は各テストサンプルに対してバックプロパゲーションを実行するため、多くのアプリケーションに対して許容できない最適化コストがかかる。 本稿では, 有効サンプル選択基準を策定し, 信頼性および非冗長なサンプルを同定する, 効率的なアンチフォッティングテスト時間適応法を提案する。
  論文  参考訳（メタデータ） (2024-03-18T05:49:45Z)
• Near-Optimal Non-Parametric Sequential Tests and Confidence Sequences with Possibly Dependent Observations [44.71254888821376]
  我々は、一般的な非データ生成プロセスの下で、最初のタイプIエラーと予測リジェクション時間保証を提供する。 本研究では, 平均処理効果など, 方程式を推定することによって定義されるパラメータの推測に, 結果を適用する方法を示す。
  論文  参考訳（メタデータ） (2022-12-29T18:37:08Z)
• REAK: Reliability analysis through Error rate-based Adaptive Kriging [2.066555810789929]
  本稿では、誤り率に基づく適応クリギング(REAK)による信頼性解析を提案する。 ここではリンデベルク条件に基づく中央極限定理の拡張を用いて、間違った符号推定を持つ設計サンプルの分布を導出する。 その結果,REAKは最先端手法と比較して計算要求を最大50%削減できることがわかった。
  論文  参考訳（メタデータ） (2020-02-04T03:47:20Z)

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。