polski

PL Wytwarzanie półprzewodników jest jednym z najbardziej skomplikowanych i najdroższych procesów produkcyjnych. Niestety, wiele z nich wyprodukowanych w efekcie działania tego skomplikowanego i czasochłonnego procesu, a także w efekcie niemożności uwzględnienia wszystkich czynników na etapie prototypowania układów nie przechodzi końcowego testu jakości. Dodatkowo wydłużenie okresu potrzebnego na uregulowanie procesu produkcji może w znaczący sposób pomniejszyć wartość wytwarzanego produktu, narażając powodzenie inwestycji. Dlatego też duży nacisk kładzie się na metody analizy i optymalizacji tolerancji parametrów układów elektronicznych. Jest to obszerna dziedzina obejmująca takie zagadnienia jak: analizę rozrzutów funkcji układowych metodami mało- i wielko- przyrostowymi, metodami deterministycznymi (w tym deterministycznymi (w tym na najgorszy przypadek) i statystycznymi, szacowanie uzysku produkcyjnego i jego optymalizację, optymalny dobór tolerancji elementów minimalizujący koszt układu itp. Coraz częściej systemy służące do analizy i optymalizacji tolerancji parametrów układów elektronicznych zawierają moduły sztucznej inteligencji. Sztuczne sieci neuronowe wykorzystywane są przez autora rozprawy do projektowania parametrów nominalnych i ich tolerancji. W ramach niniejszej rozprawy doktorskiej przeanalizowano jak wybrane rodzaje sztucznych sieci neuronowych jednokierunkowych i rekurencyjnych wspierają projektowanie układów elektronicznych z korektą punktu nominalnego parametrów oraz jak „radzą sobie” z optymalnym (jednoczesnym) doborem tolerancji i punktu nominalnego układów elektronicznych. Celem rozprawy m. in. było zbudowanie optymalizatorów neuronowych służących do uzyskiwania takich wartości parametrów konstrukcyjnych badanego układu, które minimalizują wariancję wybranych wartości wyjściowych, czyli minimalizują zależności parametrów projektowych od rozrzutu wartości parametrów technologicznych różnymi metodami. Dla każdego z rozpatrywanych rodzajów sieci zastosowano odpowiednią strategię uczenia. Zaprezentowano kilka najefektywniejszych rozwiązań optymalizatorów neuronowych dla dedykowanego zadania projektowego i porównano ich jakość. Na wejściu sieci wykorzystano wektory parametrów układu losowane z przedziału wartości dopuszczalnych i tolerancji względnych (procentowych) tych parametrów, jak również wykorzystano metodę statystyczną (Monte Carlo) do doboru danych uczących. Natomiast parametrami wyjściowymi projektowanego układu są wektory, których współrzędnymi są parametry nominalne badanego układu. Przedstawiono także przykłady wykorzystania sieci neuronowej dynamicznej do minimalizacji określonej funkcji energetycznej stowarzyszonej z rozważanym problemem optymalizacyjnym (sieć Hopfielda). Wskazano również na korzyści wynikające z zastosowania sztucznych sieci neuronowych w tym przypadku w stosunku do innych metod optymalizacji.

161

DrOIN 1076

to200851361

brak uprawnień do pobrania pliku

archiwum

Marek Kurzyński

Wrocław, Polska

20.07.2008

polski

brak uprawnień do pobrania pliku

archiwum

Konrad Skowronek

Poznań, Polska

25.08.2008

polski

brak uprawnień do pobrania pliku

archiwum

rozprawa doktorska

Poznań, Polska

25.09.2008