文献

J-GLOBAL ID：201802258028902688   整理番号：18A1679579

人工神経回路網を用いた電気的および物理的故障解析成功の予測【JST・京大機械翻訳】

Prediction of Electrical and Physical Failure Analysis Success Using Artificial Neural Networks

著者 (8件)： Zhao Lin (GLOBALFOUNDRIES, Technology Development, Product Test and Failure Analysis, Singapore) ,  Goh SH (GLOBALFOUNDRIES, Technology Development, Product Test and Failure Analysis, Singapore) ,  Chan YH (GLOBALFOUNDRIES, Technology Development, Product Test and Failure Analysis, Singapore) ,  Yeoh BL (GLOBALFOUNDRIES, Technology Development, Product Test and Failure Analysis, Singapore) ,  Hu Hao (GLOBALFOUNDRIES, Technology Development, Product Test and Failure Analysis, Singapore) ,  Thor MH (GLOBALFOUNDRIES, Technology Development, Product Test and Failure Analysis, Singapore) ,  Tan Alan (GLOBALFOUNDRIES, Technology Development, Product Test and Failure Analysis, Singapore) ,  Lam Jeffrey (GLOBALFOUNDRIES, Technology Development, Product Test and Failure Analysis, Singapore)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： IPFA  ページ： 1-5  発行年： 2018年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 明らかな静的電力供給漏れ電流を示す故障が欠陥を発見するより高い成功を有することはよく知られており,したがって,故障解析のためにより高い尤度が選択される。選択に直面すると,参照に類似した供給電流を持つ失敗型が省略される。価値ある欠陥学習は結果として失われる。本研究では,故障解析成功信頼水準を予測するタスクを実行するために,人工ニューラルネットワークを開発した。入力パラメータは多重電源から測定した動的電流であり,平均で80%の出力精度を達成した。金型選択プロセスを自動化することからの生産性の向上に加えて,より重要なことに,無視されていない失敗した金型を同定することができる。この最初の実証は,故障解析領域への機械学習の応用のための新しいmil石である。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 電流 ,  *故障解析 ,  電力供給 ,  機械学習 ,  多重化 ,  学習 ,  漏れ電流 ,  信頼度 ,  自動化 ,  *ニューラルネットワーク
準シソーラス用語： 入力パラメータ ,  尤度 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 人工神経回路網 ,  物理 ,  故障解析 ,  成功 ,  予測