Суть исследования отражает решение одной из ключевых задач, которая возникла в процессе машинного обучения.
Растущие затраты на освоение новых нефтегазовых месторождений заставляет недропользователя разрабатывать и внедрять новые эффективные технологии, снижающие себестоимость добычи. Удаленность месторождений, ввод в эксплуатацию новых объектов, а также суровые климатические условия осложняют управление нефтегазовыми активами. Одной из современных тенденций, способных облегчить процесс добычи, является переход на машинное обучение в создании «умного» месторождения. Стоит отметить, что ранее у исследователей САЕ «Эконефть» совместно с ПАО «Татнефть» уже была реализована первая пробная фаза разработки, в рамках которой ученым удалось продемонстрировать перспективу использования нейросетей при оптимизации процессов в нефтедобыче. Промышленный интернет вещей и связанные с ним возможности только усиливают необходимость в так называемом цифровом «переходе».
Напомним, математики КФУ также ведут многочисленные исследования различных моделей, визуализации, накопления данных, прогнозирования, открывая возможность моментально реагировать на происходящие события – всё это и не только способно обеспечить повышение эффективности работы по добыче углеводородов. Однако даже самые простые из задач представляют собой набор как элементарных, так и очень сложных операций. Нейронная сеть — это ничто иное, как система, обрабатывающая числа в соответствии с правилами, заложенными ее создателями. Какова вероятность, что ни одна из микросхем не даст сбой и не подвергнет риску качество получаемой и обрабатываемой информации? Разработчики аппаратных решений должны гарантировать качество работы и надежность используемой микроэлектронной элементной базы. Отвечая на возникшую проблему, ученые Казанского федерального университета предложили использовать метод, основанный на учете различия влияния каждой конкретной неисправности на выходную характеристику схемы. Результаты исследования были опубликованы в Researchgate .
«Цифровизация строится на данных, которые мы получаем либо из математической модели, либо на основе реальных измерений в ходе натурных экспериментов. Однако, надо учитывать, что ни одна математическая модель стопроцентного соответствия не обеспечивает, ведь у каждой есть своя погрешность. В рамках работы был рассмотрен общий подход к использованию машинного обучения и искусственных нейронных сетей для решения задач диагностики неисправностей в аналого-цифровых интегральных схемах», — отметил директор Института математики и информационных технологий КФУ Сергей Мосин.
В качестве примера рассмотрим буровые платформы, этакие «Гулливеры», в сравнении с которыми даже крупные суда кажутся лилипутами. Представьте себе конструкцию весом более полумиллиона тонн, способную бурить скважины до 10−13 км. Для того, чтобы нефтедобытчики могли собирать реальную информацию, трудно будет обойтись без систем измерения – датчиков, сенсоров и всего того, что подразумевает микроэлектронное исполнение. Не обойтись и без системы конкретных электромеханических и гидромеханических устройств, которые занимаются непосредственно добычей ископаемых. Соответственно, подобные изделия должны работать в течение всего гарантированного срока, обеспечивать адекватность съёма информации, её обработки и выдачи. Тестирование, диагностика неисправностей и тестопригодное проектирование, исследуемые учеными КФУ, направлены именно на то, чтобы обеспечить такое качество.
«Любая микросхема – это некий ящик с входами и выходами — устройство, реализующее заданный набор функции. Внутри находится множество взаимодействующих электронных компонентов, топологически представляющие трехмерную многослойную структуру, состоящую из проводников, так называемые слои металлизации, из диэлектриков – это формируемые оксиды, окислы, которые препятствуют движению электронов между изолированными слоями, и, соответственно, полупроводниковые структуры. На основе имеющихся сущностей мы можем построить схему, которая выполняет определенные преобразования электрических сигналов», — поясняет смысл проблемы учёный.
Как отмечают исследователи, всегда присутствует вероятность, что один из компонентов был не правильно сформирован. В этом случае схема может быть внешне неотличимой от исправной, но, тем не менее, будет некорректно выполнять преобразования. Задача ученых состоит в том, чтобы уже на этапе производства определять подобные дефекты. Вторая задача – приблизить количество годных микросхем на этапе производства к максимальному показателю.
Особый интерес для современного производства представляет задача диагностики неисправностей. Современные микросхемы состоят из сотен миллионов, даже миллиарда компонентов. В условиях высокой степени интеграции решение задачи диагностики неисправностей связано с обработкой больших данных. Здесь не только дефект и, как следствие, неисправность, но и допуски на параметры внутренних компонентов формируют вариативность поведения устройства.
«В исправном состоянии схема должна формировать определенный уровень сигнала. Каждая неисправность может приводить к изменению ожидаемого уровня. вместо желаемого даёт единицу. Но как выяснить, какая именно неисправность приводит к нарушению функционирования устройства? Ответ на этот вопрос помогает получить нейронная сеть, обученная для классификации выходных сигналов схемы, полученных для исправного и неисправных состояний.» , — отметил Сергей Мосин.
В конечном счете, ученым КФУ удалось найти способ минимизации входного обучающего набора и обеспечить различимость между влиянием различных неисправностей на выходные сигналы устройства. Для этого разработчики использовали теорию информации и оценку энтропии, которая обеспечила формирование удобных для обучения входных наборов. Формируемая в результате обучения нейронная сеть обеспечивает высокие показатели диагностики неисправностей. Результаты работы имеют большую актуальность для современных разработчиков микроэлектронных систем. Специалистам важно исключить использование неисправных микросхем при разработке микроэлектронной аппаратуры. Решение поставленной задачи непосредственно влияет на снижение себестоимости готовой продукции. Каждый производитель заинтересован, чтобы сумма производственных затрат понижалась, а процент выхода годных изделий приближался к полноценной сотне.