А.Г. Гудков1, Н.А. Ветрова2, С.В. Чижиков3

1,2 МГТУ им. Н.Э. Баумана (национальный исследовательский университет) (Москва, Россия)
2 Инженерная академия РУДН (Москва, Россия)
1, 3 ООО «НПИ ФИРМА «ГИПЕРИОН» (Москва, Россия)
 

Постановка проблемы. Для широко используемых в настоящее время микроволновых монолитных интегральных схем (МИС) СВЧ на основе наноразмерных многослойных полупроводниковых гетероструктур в самых различных сферах актуальна проблема обеспечения качества ввиду чувствительности параметров гетероструктуры к процессам деградации при малости толщин слоев. Деградация гетероструктуры может быть вызвана как технологическими факторами, так и эксплуатационными факторами, вызывающими ускоренную диффузию элементов, составляющих гетероструктуру. Для обеспечения требуемого уровня параметров назначения таких приборов необходимо развитие практикоориентированных методов (разработка модели на основе искусственного интеллекта) комплексной технологической оптимизации (КТО) параметров МИС СВЧ. Проведение комплексной технологической оптимизации на основе интеллектуального подхода с современными достижениями машинного обучения позволит обеспечить высокие требования к параметрам изделия при минимальной себестоимости.

Цель. Разработать методологическую концепцию комплексной технологической оптимизации параметров гетероструктурных СВЧ-приборов, учитывающую специфику монолитного интегрального исполнения схем таких приборов и конструкторско-технологические сложности в обеспечении требуемых параметров назначения как при изготовлении, так и в процессе их эксплуатации в периоде назначенного срока службы.

Результаты. Разработана интеллектуальная модель КТО гетероструктурных СВЧ-приборов в монолитном интегральном исполнении на основе четырех базовых принципов КТО, включающая в себя методы бэггинга, бустинга, концепции байесовских инверсионных сетей, нейросетевых подходов с обучением методами supervised, unsupervised, deep learning. Разработан алгоритм статистического управления технологическим процессом изготовления СВЧ-приборов на основе гетероструктур.

Практическая значимость. Результаты исследования могут быть использованы при разработке, изготовлении и эксплуатационном сопровождении предприятием-изготовителем гетероструктурных СВЧ-приборов широкого спектра назначения, что позволит повысить эффективность производства, снизить затраты и улучшить качество продукции.

Гудков А.Г., Ветрова Н.А., Чижиков С.В. Методологические аспекты технологии приборостроения: методы машинного обучения и искусственный интеллект для разработки и производства гетероструктурных СВЧ-приборов // Нанотехнологии: разработка, применение – XXI век. 2023. Т. 15. № 3. С. 47–56. DOI: https://doi.org/10.18127/j22250980-202303-05

1. Гудков А.Г. Радиоаппаратура в условиях рынка. Комплексная технологическая оптимизация. М.: «САЙНС-ПРЕСС». 2008. 336 с.
2. Gudkov A.G. et al. The sensitivity research of multiparameter biosensors based on HEMT by the mathematic modeling method. Journal of Physics: Conference Series. 2017. V. 917, Art. № 042016 (Saint Petersburg OPEN 2017) DOI:10.1088/1742-6596/917/4/042016.2.
3. Tikhomirov V.G. et al. Optimization of the parameters of HEMT GaN/AlN/AlGaN heterostructures for microwave transistors using numerical simulation//Semiconductors. 2016. V. 50. № 2. Р. 244–248.
4. Сальников А.С. и др. Экспериментальное исследование и построение моделей пассивных компонентов СВЧ монолитных интегральных схем с учетом технологического разброса параметров // Доклады ТУСУРа. Часть 2 «Электроника измерительная техника, радиотехника и связь». 2012. №2 (26). С. 113–118.
5. Сальников А.С. и др. Программное обеспечение для хранения результатов измерений СВЧ МИС и статистического анализа в составе системы INDESYS-MS // Доклады ТУСУРа. Часть 2 «Информационные технологии». 2012. №2 (26). С. 218-223.
6. Гудков А.Г. Неопределенности технологической оптимизации // Наукоемкие технологии. 2003. Т. 4. № 6. С. 65–68.
7. Гудков А.Г. Процесс разработки нового высокотехнологичного наукоемкого товара // Наукоемкие технологии. 2003. Т. 4. № 6. С. 69–83.
8. Gudkov A.G. et al. A Termostating Device for Storage of Thrombocyte-Containing Media. Biomedical Engineering. 2012 V. 46 (3). P. 104–105.
9. Гудков А.Г. и др. Термостатируемое устройство для хранения тромбоцитсодержащих сред // Медицинская техника. 2012. № 3(273). С. 54.
10. Бушминский И.П. и др. Конструкторско-технологические основы проектирования полосковых микросхем / Под. ред. И.П. Бушминского. М.: Радио и связь. 1987. 272 с.
11. Агасиева С.В. и др. Повышение надежности и качества ГИС и МИС СВЧ. Книга 1 / Под ред. А.Г. Гудкова и В.В. Попова. М.: ООО «Автотест». 2012. 212 с.
12. Агасиева С.В. и др. Повышение надежности и качества ГИС и МИС СВЧ. Книга 2 / Под ред. А.Г. Гудкова и В.В. Попова. М.: ООО «Автотест». 2013. 214 с.
13. Агасиева С.В. и др. Повышение надежности и качества ГИС и МИС СВЧ. Книга 3 / Под ред. В.Н. Вьюгинова, А.Г. Гудкова и В.В. Попова. М.: ООО НТП «Вираж-Центр». 2016. 252 с.
14. Ветрова Н.А., Филяев А.А. Критерий оценки нейросетевой модели гетероструктурных наноэлектронных устройств для прогнозирования их электрических параметров // Вестник Российского университета дружбы народов. Сер.: Инженерные исследования. 2022. Т. 23. № 1. С. 7–14.
15. Pchelintsev K.P., Vetrova N.A., Shashurin V.D. Modeling of the degradation of resonsnt-tunneling diodes using artificial neural networks. Journal of Surface Investigation: X-Ray, Synchrotron and Neutron Techniques. 2022. Т. 16. № 1. С. 82–85.
16. Ветрова Н.А., Пчелинцев К.П., Шашурин В.Д., Гудков А.Г., Соловьев Ю.В. Нейросетевые методы для TCAD-сред моделирования гетероструктурных наноэлектронных приборов с поперечным токопереносом // Нанотехнологии: разработка, применение – XXI век. 2021. Т. 13. № 1. С. 5–11. DOI: https://doi.org/10.18127/j22250980-202101-01.
17. Ветрова Н.А., Пчелинцев К.П., Шашурин В.Д. Персептронная сеть прогнозирования электрических характеристик резонансно-туннельного диода // Нанотехнологии: разработка, применение – XXI век. 2021. Т. 13. № 4. С. 5–9 DOI: https://doi.org/10.18127/j22250980-202104-01.
18. Свидетельство о регистрации программы для ЭВМ 2021681910. Предиктор показателей безопасности донорской крови и ее компоннентов в условиях статистически управляемого технологического процесса / Н.А. Ветрова, А.А. Филяев, В.Ю. Леушин, А.Г. Гудков, В.Н. Лемонджава. 2021.
19. Pham H. (ed.). Springer handbook of engineering statistics. Springer Science & Business Media. 2006.
20. Аллен Дауни. Байесовские модели. Байесовская статистика на языке Python. ДМК-Пресс. 2018.
21. ГОСТ Р ИСО 22514-1-2015 Статистические методы. Управление процессами. Часть 1. Общие принципы. Введ. 2016. 01. 07. М.: Стандартинформ. 2016. 23 с.
22. ГОСТ Р ИСО 22514-2-2015 Статистические методы. Управление процессами. Часть 2. Оценка пригодности и воспроизводимости процесса на основе модели его изменения во времени. Введ. 2015. 20. 11. М.: Стандартинформ. 2016. 24 с.
23. ГОСТ Р ИСО 22514-3-2015 Статистические методы. Управление процессами. Часть 3. Анализ пригодности машин на основе данных измерений единиц продукции. Введ. 2015. 18. 11. М.: Стандартинформ. 2016. 27 с.
24. ГОСТ Р ИСО 7870-1-2011 Статистические методы. Контрольные карты. Часть 1. Общие принципы. Введ. 2011. 09. 11. М.: Стандартинформ. 2012. 16 с.
25. ГОСТ Р ИСО 7870-2-2015 Статистические методы. Контрольные карты. Часть 2. Контрольные карты Шухарта. Введ. 2015. 06. 10. М.: Стандартинформ. 2019. 42 с.
26. ГОСТ Р ИСО 7870-4-2013 Статистические методы. Контрольные карты. Часть 4. Карты кумулятивных сумм. Введ. 2013. 17. 12. М.: Стандартинформ. 2014. 52 с.