基于忆阻器神经网络的集成电路辐射效应诊断系统设计

摘要

航天事业一直是我国倾力发展的重要事业，航天器作为执行航天任务的主体，其可靠性至关重要。航天器在轨工作时其内部的集成电路极易受到辐射而出现故障，设计一种基于神经网络的集成电路辐射效应诊断系统在当下万物智能的环境下是有必要的。随着集成电路性能的提升和人工智能的发展，神经网络在图像分类、时序信号处理、故障诊断领域崭露头角，但使用传统的集成电路实现神经网络会耗费大量硬件资源，忆阻器是一种可与传统集成电路集成的新型器件，通过忆阻器来实现神经网络节省资源且运算速度快。本文尝试实现一种基于忆阻器卷积神经网络的集成电路辐射故障诊断系统，并对集成电路电学故障和辐射故障的综合诊断系统进行研究。　　首先，对器件的建模技术及器件的辐射效应进行了研究。通过SentaurusTCAD建立了NMOS器件的模型并进行工艺校准，分析了栅氧化层厚度、掺杂浓度、掺杂深度等工艺参数对器件特性的影响。通过TCAD对器件单粒子效应和总剂量效应的机理进行仿真分析，对器件在不同辐射条件下的内部结构及电学参数变化进行分析。研究发现，在器件处于单粒子效应或总剂量效应时，器件由于辐射的影响在结构上会产生变化，结构变化导致器件内的载流子数量改变，最终对器件的漏极电流产生不同程度的影响。　　其次，对集成电路的辐射故障诊断系统进行设计。对电路级辐射效应的模型进行建立，针对集成电路的辐射故障诊断设计了一种用于连续信号分类的一维卷积神经网络，根据当前时段的电源电流数据对电路所处状态进行判断。构建数据集验证了一维卷积神经网络的学习能力，通过采集的集成电路辐射故障数据和正常工作数据共9000组作为训练集训练神经网络，使用测试集对神经网络的预测准确度进行测试。根据忆阻器的特性通过VerilogA语言编写忆阻器的模型，通过Python编写程序对一维卷积神经网络的激活函数进行线性拟合以便使用放大器实现。将软件训练完成的神经网络参数移植到搭建好的忆阻器神经网络电路中。将SRAM电源电流数据经预处理后输入一维卷积神经网络电路中进行验证。训练完成后的神经网络完全实现了对辐射故障数据和正常工作数据的分类诊断，且准确度高达99%以上。　　最后，研究SRAM的电学故障和辐射故障的综合诊断系统。通过增加神经网络卷积层的卷积核数量和全连接层的层数，优化设计了一种用于诊断多种类型集成电路故障的一维卷积神经网络。通过Adam算法和随机梯度下降结合动量的训练方法的比较，针对不同学习率、动量下故障综合诊断神经网络的训练速度变化进行分析。将不同状态下的SRAM电源电流作为故障的数据集，通过Pytorch对SRAM故障综合诊断神经网络进行训练。在故障综合诊断神经网络训练时，采用随机梯度下降结合动量的方法训练的结果优于Adam算法的训练结果，且在动量较大时神经网络的训练损失下降效果较好，在训练完成后，SRAM故障综合诊断系统的诊断准确度达到97%以上。

目录