< Terug naar vorige pagina

Project

Mogelijkheden van machinaal leren voor betrouwbaarheidsonderzoek

De laatste jaren heeft de kunstmatige intelligentie (AI) indrukwekkende vooruitgang geboekt en vele toepassingen dringen door tot het dagelijks leven van iedereen. Naar verwachting is dit nog maar het begin van een heel nieuw tijdperk waarin fascinerende nieuwe toepassingen zullen ontstaan in gebieden als geneeskunde, zelfrijdende auto's, geneesmiddelenontwerp, robotica, kunst, enz. Ook in een onderzoeksomgeving worden machine learning (ML) technieken ingezet als veelzijdige hulpmiddelen om meer informatie te halen uit experimentele data en uit simulatiemodellen. In dit werk worden de opportuniteiten verkend die machineleertechnieken bieden voor het onderzoek naar de betrouwbaarheid van halfgeleiders. Er wordt gebruik gemaakt van een top-down benadering die uitgaat van bestaande machine learning algoritmen en zich richt op mogelijkheden om deze toe te passen om het inzicht in de degradatiefysica te vergroten of de studie ervan te vergemakkelijken.

Mogelijke opportuniteiten zijn ondermeer (niet-exhaustieve lijst):

-gebruik van ML om simulatieresultaten van complexe fysische situaties te modelleren. Dit zou interpolatie in een multidimensionale parameterruimte mogelijk kunnen maken zonder dat tijdrovende extra simulaties moeten worden uitgevoerd.

-ML-modellen voor het classificeren en herkennen van degradatieregimes bij complexe werkbelastingen.

-ML-modellen voor het begrijpen van device-to-device variaties, zoals bijvoorbeeld het modelleren van de ruis in elektrische signalen die wordt opgewekt door onderliggende configuraties van halfgeleiderdopantfluctuaties of diëlektrische defecten.

Bovendien is het nodig ML-modellen aan te passen of te (her)ontwerpen om efficiënte leersystemen te verkrijgen. Deze aanpassingen omvatten voorbeelden zoals het vormgeven van de structuur van het model op basis van fysische structurele kennis en eigenschappen, het selecteren van fysisch betekenisvolle eigenschappen, het vinden van hoofdcomponenten in gegevens, het reduceren van het aantal parameters en dimensies tot een minimum om overfitting te vermijden, enz. Het algemene doel van dit werk is een realistisch beeld te geven van de voordelen en beperkingen van technieken voor machinaal leren in het betrouwbaarheidsonderzoek.

Datum:23 dec 2021 →  Heden
Trefwoorden:Reliability Physics, Machine Learning, Semiconductor Devices, Semiconductor Materials
Disciplines:Semiconductor toepassingen, nanoelektronica en technologie, Machine learning en besluitvorming
Project type:PhD project