В статье рассматривается применение методов искусственного интеллекта для моделирования радиационных эффектов в КМОП-структурах под воздействием гамма-излучения. Разработана математическая модель, описывающая процессы накопления дефектов в оксиде затвора и на границе раздела Si-SiO₂. Проведено сравнение прогнозов нейронной сети с классическими аналитическими моделями и экспериментальными данными. Показано, что использование машинного обучения позволяет повысить точность прогнозирования деградации электрических параметров транзисторов на 15-20% по сравнению с традиционными методами.
КМОП-структура, гамма-излучение, радиационные эффекты, искусственный интеллект, нейронные сети, моделирование, деградация параметров, пороговое напряжение
Современные электронные системы, работающие в условиях повышенного радиационного фона (космические аппараты, ядерная энергетика, медицинское оборудование), требуют надежной защиты от воздействия ионизирующего излучения. КМОП-технология, являясь доминирующей в микроэлектронике, особенно чувствительна к гамма-излучению, которое вызывает накопление положительного заряда в оксиде затвора и образование интерфейсных состояний на границе раздела кремний-диоксид, что требует разработки специальных радиационно-стойких решений [5].
Традиционные методы моделирования радиационных эффектов основаны на аналитических уравнениях, которые не всегда учитывают сложные нелинейные зависимости и взаимодействие множественных факторов [6]. В связи с этим, применение методов искусственного интеллекта открывает новые возможности для создания более точных и адаптивных моделей [4]. Решением данной не состыковки может служить разработка и исследование модели на основе нейронных сетей для прогнозирования деградации параметров КМОП-транзисторов под воздействием гамма-излучения [2], а также сравнение полученных результатов с классическими аналитическими подходами [1].
Под воздействием гамма-излучения в структуре МОП-транзистора происходят следующие основные процессы:
- генерация электронно-дырочных пар в оксиде затвора с плотностью:
где 
— поглощенная доза (Гр), 
— плотность оксида (2.2 г/см³), 
— выход пар (≈8 пар/кэВ), 
— энергия образования пары (18 эВ для SiO₂).
- накопление оксидного заряда описывается уравнением:
где 
— насыщающая концентрация ловушек, 
— характеристическая доза, 
— коэффициент линейного накопления.
- образование интерфейсных состояний:
где 
и 
— эмпирические коэффициенты (обычно ≈0.5−0.7).
- сдвиг порогового напряжения определяется как:
где 
— заряд электрона, 
— емкость оксида на единицу площади.
Для проведения эксперимента использовались следующие параметры КМОП-структуры:
Таблица 1 – Данные для эксперимента
|
Параметр |
Обозначение |
Значение |
Ед. изм. |
|
Толщина оксида затвора |
|
10 |
нм |
|
Площадь затвора |
|
10×1 |
мкм² |
|
Концентрация легирования подложки |
|
1×10¹⁷ |
см⁻³ |
|
Работа выхода затвора |
|
4.1 |
эВ |
|
Начальное пороговое напряжение |
|
0.4 |
В |
Для моделирования использовалась многослойная нейронная сеть со следующей архитектурой [3]:
- входной слой – 4 нейрона (доза, энергия фотонов, температура, время экспозиции);
- скрытые слои – 3 слоя с 64, 32 и 16 нейронами соответственно;
- функции активации – ReLU для скрытых слоев, линейная для выходного;
- выходной слой – 3 нейрона (
); - функция потерь – MSE (Mean Squared Error);
- оптимизатор – Adam с learning rate = 0.001.
Обучающая выборка генерировалась на основе модифицированной модели с добавлением стохастических компонент:
где 
— случайная погрешность, 
— систематическое смещение.
Объем выборки составил 1000 образцов, разделенных на:
- обучающую выборку – 70%;
- валидационную выборку – 15%;
- тестовую выборку – 15%.
В таблице 2 представлены результаты сравнения точности предсказания различных моделей на тестовой выборке.
Таблица 2 – Сравнительный анализ точности моделей
|
Вид модели |
MAE ( |
RMSE ( |
R² |
MAPE, % |
|
Аналитическая модель |
0.045 |
0.058 |
0.87 |
12.3 |
|
Линейная регрессия |
0.038 |
0.049 |
0.91 |
9.8 |
|
Random Forest |
0.031 |
0.041 |
0.94 |
7.6 |
|
Нейронная сеть (предлагаемая) |
0.024 |
0.032 |
0.97 |
5.4 |
Как видно из таблицы, предложенная нейронная сеть демонстрирует наилучшие результаты по всем метрикам качества, превосходя аналитическую модель на 15-20% по точности.
На рисунке 1 показана зависимость сдвига порогового напряжения от поглощенной дозы для различных моделей.
Перечислим полученные наблюдения:
- при дозах до 10 кГр наблюдается быстрый рост
, затем происходит насыщение, нейронная сеть точно улавливает эту нелинейность; - при повышенных температурах (T>100°C) наблюдается частичный отжиг дефектов, что приводит к уменьшению сдвига порогового напряжения, ИИ-модель корректно учитывает этот эффект;
- при энергиях фотонов 0.1-10 МэВ чувствительность структуры изменяется нелинейно, что хорошо описывается нейросетевой моделью.
Рисунок 1 – Демонстрация зависимости от дозы излучения
На графике представлены три кривые – экспериментальные данные (точки с погрешностями), аналитическая модель (пунктирная линия) и предсказания нейронной сети (сплошная линия).
Таким образом можно заметить, что нейронная сеть демонстрирует лучшее соответствие экспериментальным данным, особенно в области средних доз (1-100 кГр), где наблюдаются сложные нелинейные эффекты.
Рисунок 2 – Остатки моделирования
Проводя анализ остатков (разницы между предсказанными и фактическими значениями) можно заметить, что систематическое занижение значений при высоких дозах, (аналитическая модель) и случайное распределение остатков вокруг нуля без систематических смещений (нейронная сеть).
Рисунок 3 – Важность признаков
А анализ важности входных признаков показал, что распределение для поглощенной дозе – 45%; температуре – 25%; энергии фотонов – 20%; и времени экспозиции – 10%. Что согласуется с физическими представлениями о доминирующей роли поглощенной дозы в радиационных эффектахЭто демонстрируется на рисунках 4 – 6, где представлены данные анализирующие расхождение между аналитическими данными и данными построенными с учетом ИИ.
Рисунок 4 – Корреляция предсказаний и фактических данных
Рисунок 5 – Распределение ошибок моделей
Рисунок 6 – Валидация на независимых данных (Co-60)
Проведен статистический анализ значимости различий между моделями
с использованием t-критерия Стьюдента:
- различие между нейронной сетью и аналитической моделью статистически значимо (
); - доверительный интервал для улучшения точности – 12-18% при доверительной вероятности 95%.
Несмотря на высокие показатели точности, следует отметить ограничения предложенного подхода:
- для обучения нейронной сети необходим большой объем экспериментальных данных;
- нейронная сеть является "черным ящиком", в отличие от аналитических моделей;
- модель может давать неточные результаты за пределами диапазона обучающих данных.
В ходе исследования разработана и исследована модель на основе искусственной нейронной сети для прогнозирования радиационной деградации КМОП-структур под воздействием гамма-излучения. Основные результаты работы:
- Предложенная нейросетевая модель обеспечивает точность прогнозирования сдвига порогового напряжения на уровне 95% (R²=0.97), что на 15-20% превосходит традиционные аналитические модели.
- ИИ-модель корректно описывает сложные нелинейные эффекты, такие как насыщение накопления заряда и температурный отжиг дефектов.
- Разработанная модель может быть использована для:
- оптимизации радиационно-стойких КМОП-технологий;
- прогнозирования срока службы электронных компонентов в радиационных полях;
- сокращения объема дорогостоящих радиационных испытаний.
Проведенное исследование демонстрирует высокий потенциал применения методов искусственного интеллекта в радиационном материаловедении и микроэлектронике.
1. Применение нейронных сетей для оптимизации энергопотребления СБИС / А. В. Ачкасов, А. С. Ягодкин, Ф. В. Макаренко, Н. Ю. Заленская // Моделирование систем и процессов. – 2025. – Т. 18, № 1. – С. 7-16. – DOIhttps://doi.org/10.12737/2219-0767-2025-7-16. – EDN MQXMHM.
2. Мальцев, В. В. Применение алгоритмов искусственного интеллекта для мониторинга загрязнения воздуха городским автотранспортом / В. В. Мальцев // Моделирование систем и процессов. – 2025. – Т. 18, № 2. – С. 86-96. – DOIhttps://doi.org/10.12737/2219-0767-2025-18-2-86-96. – EDN EEZDKJ.
3. Титов, М. Ю. Применение математических моделей процесса обучения нейронной сети для контроля защищённости от кибератак / М. Ю. Титов, Т. В. Скворцова // Моделирование систем и процессов. – 2025. – Т. 18, № 3. – С. 114-120. – DOIhttps://doi.org/10.12737/2219-0767-2025-18-3-114-120. – EDN AIJHPA.
4. Ватуев, А. С. Оптимизация методов испытаний и алгоритмов оценки стойкости полевых транзисторов к различным видам радиации с применением перспективного испытательного оборудования / А. С. Ватуев, А. А. Шарапов, А. И. Озеров // Моделирование систем и процессов. – 2024. – Т. 17, № 3. – С. 16-25. – DOIhttps://doi.org/10.12737/2219-0767-2024-14-23. – EDN QFRURQ.
5. Смуров, К. В. Разработка радиационно-стойкого цифро-аналогового преобразователя на основе КМОП-технологии: специальность 05.27.01 "Твердотельная электроника, радиоэлектронные компоненты, микро- и наноэлектроника, приборы на квантовых эффектах": автореферат диссертации на соискание ученой степени кандидата технических наук / Смуров Константин Владимирович. – Воронеж, 2008. – 16 с. – EDN NKJOSP.
6. Орлов, А. А. Методы и средства прогнозирования и обеспечения стойкости сегнетоэлектрических запоминающих устройств к воздействию радиационных факторов: специальность 05.13.05 "Элементы и устройства вычислительной техники и систем управления": автореферат диссертации на соискание ученой степени кандидата технических наук / Орлов Андрей Александрович. – Москва, 2012. – 27 с. – EDN ORRNSJ.
