Efeito de eventos únicos em transistores MOS: classificação dos eventos via redes neurais profundas

Carregando...
Imagem de Miniatura
Citações na Scopus
Tipo de produção
Dissertação
Data
2020
Autores
Oliveira, J. A.
Orientador
Giacomini, R.
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
OLIVEIRA, J. A. Efeito de eventos únicos em transistores MOS: classificação dos eventos via redes neurais profundas. 2020. 103 f. Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário FEI, São Bernardo do Campo, 2021. Disponível em: https://doi.org/10.31414/EE.2021.D.131242.
Palavras-chave
Transistor de efeito de campo de metal-óxido semicondutor,Deep learning
Resumo
Dispositivos eletrônicos são suscetíveis a defeitos causados por radiação ionizante, e o uso destes dispositivos é cada vez mais requisitado em aplicações embarcadas que operam em ambientes agressivos (presença de radiação) como o espaço, reatores nucleares e aceleradores de partículas. Entre os defeitos mais danosos estão os Single Event Effects (SEE). O efeito é causado por uma única partícula ionizada que, dependendo de diversos fatores, pode causar inversões lógicas em dispositivos eletrônicos digitais, ou até mesmo tornar o dispositivo inoperante. O estudo desses fenômenos é de grande importância na criação de tecnologia nacional, pois são requisitos básicos para gerar componentes resistentes à radiação. Através de experimentos inéditos no Brasil, envolvendo o Projeto CITAR (Circuitos Integrados Tolerantes à Radiação), criou-se o ambiente adequado para a realização destes estudos, pois para a reprodução destes fenômenos é necessário o uso de um acelerador de partículas que seja capaz de gerar feixes de íons pesados com baixo fluxo. Neste trabalho são avaliados os resultados obtidos do experimento de radiação de partículas ionizantes em um transistor MOSFET tipo P, incluindo a criação de uma representação simulada do dispositivo real, através da ferramenta SENTAURUS. Foram simuladas emissões de íons pesados no componente com as mesmas características dos feixes utilizados em laboratório, com a expectativa de obter-se a mesma reposta gerada pelo dispositivo real. Por fim, através de técnicas de aprendizado de máquina, foi criado um algoritmo capaz de classificar os diferentes eventos registrados durante os experimentos de campo, bem como avaliar sinais espúrios que compõe o dado obtido. Como resultado das simulações, aproximamos a simulação do dispositivo 3N163 as características elétricas apresentadas pelos dispositivos reais, e através do treinamento de uma rede neural profunda utilizando os dados medidos em campo capaz de classificação de 97% de acurácia
Electronic devices are susceptible to defects caused by ionizing radiation, and the use of these devices is increasingly required in embedded applications that operate in aggressive environments (presence of radiation) such as space, nuclear reactors and particle accelerators. Among the most damaging defects are Single Event Effects (SEE). The effect is caused by a single ionized particle that, depending on several factors, can cause logical inversions in digital electronic devices, or even render the device inoperative. The study of these phenomena is of great importance in the creation of national technology, as they are basic requirements for generating resistant components radiation. Through unprecedented experiments in Brazil, involving the CITAR Project (Integrated Circuits Tolerant to Radiation), the appropriate environment was created to carry out these studies, since for the reproduction of these phenomena it is necessary to use a particle accelerator that is capable of generate heavy ion beams with low flux. In this work, the results obtained from the ionizing particle radiation experiment in a MOSFET p-type transistor are evaluated, including the creation of a simulated representation of the real device, using the SENTAURUS tool. Emissions of heavy ions in the component were simulated with the same characteristics as the ion beams used in the laboratory, with the expectation of obtaining the same response generated by the real device. Finally, through machine learning techniques, an algorithm was created capable of classifying the different events recorded during field experiments, as well as evaluating spurious signals that make up the data obtained. As a result of the simulations, we approximate the simulation of the 3N163 device to the electrical characteristics presented by the real devices, and through the training of a deep neural network using the data measured in the field capable of classifying 97% of accuracy