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

چکیده مقاله

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

کلیدواژه‌ها

نویسندگان

سمیه بهرام نژاد

استادیار، دانشگاه صنعتی سیرجان، سیرجان

�هرام نژاد، سمیه،1404،پیش بینی قابلیت اطمینان مدارهای دیجیتال با استفاده از روش های یادگیری ماشین،پنجمین همایش ملی و نخستین همایش بین المللی محاسبات نرم علوم مهندسی در صنعت و جامعه،ایرانشهر

ارائه‌شده در

مجموعه مقالات دهمین کنگره ملی تازه های مهندسی برق و کامپیوتر ایران26 بهمن 1404 · ایرانشهر