پیش بینی قابلیت اطمینان مدارهای دیجیتال با استفاده از روش های یادگیری ماشین

قابلیت اطمینان، یکی از پارامترهای حیاتی در سیستم های مختلف از جمله مدارهای الکترونیکی دیجیتال است و آرایه های گیتی برنامه پذیر (FPGAs) ابزارهای قابل برنامه ریزی جهت پیاده سازی مدارهای دیجیتال هستند. بنابراین در این مقاله، دو مدل یادگیری عمیق برای پیش بینی قابلیت اطمینان مدارهای دیجیتال نگاشت شده در FPGAها ارائه شده است، دو شبکه عصبی یکی با چهار لایه میانی کاملا متصل و یکی با دو لایه میانی حافظه بلند کوتاه مدت (LSTM). در این مقاله از مجموعه داده حاصل از پژوهش گذشته خود برای پیش بینی قابلیت اطمینان مدارهای دیجیتال استفاده شده است. این مجموعه داده، شامل ۳۴۲ ردیف داده با هفت عامل موثر بر قابلیت اطمینان به عنوان ورودی شبکه (تشعشعات، گرد و غبار، لرزش، رطوبت، دما، برنامه نویس و تعداد بلوک های مدار) و قابلیت اطمینان مدار به عنوان خروجی است. نتایج پیش بینی روش های پیشنهادی با مدل های رگرسیون خطی و ماشین بردار پشتیبان با سه کرنل متفاوت مقایسه شده است. نتایج نشان می دهند مدل پیشنهادی مبتنی بر LSTM با ۹۹.۶% صحت، بهترین عملکرد را داشته، بعد از آن مدل پیشنهادی چهار لایه با ۹۸.۸% صحت، قرار گرفته است.

کلیدواژه ها:

پیش بینی قابلیت اطمینان ، مدارهای دیجیتال ، یادگیری ماشین ، یادگیری عمیق