XiaoMi-AI文件搜索系统
World File Search System电击穿
离子表面活性剂介导的数字微流体电去湿
使用电信号 1 来操纵基板上的液滴的能力（称为数字微流体）用于光学 2,3 、生物医学 4,5 、热 6 和电子 7 应用，并已导致商业上可用的液体透镜 8 和诊断套件 9,10 。这种电驱动主要通过电润湿实现，液滴在施加电压的作用下被吸引到导电基板上并在导电基板上扩散。为确保强大而实用的驱动，基板上覆盖有介电层和疏水性面漆，用于介电上电润湿 (EWOD) 11-13 ；这会增加驱动电压（至约 100 伏），并可能因介电击穿 14 、带电 15 和生物污垢 16 而损害可靠性。在这里，我们展示了液滴操控，它使用电信号诱导液体脱湿而不是润湿亲水性导电基底，而无需添加层。在这种与电润湿现象相反的电润湿机制中，液体-基底相互作用不是由电场直接控制的，而是由场诱导的离子表面活性剂与基底的附着和分离控制的。我们表明，这种驱动机制可以在空气中使用掺杂硅晶片上的水执行数字微流体的所有基本流体操作，仅需±2.5伏的驱动电压、几微安的电流和离子表面活性剂临界胶束浓度的约0.015倍。该系统还可以处理常见的缓冲液和有机溶剂，有望成为一种简单可靠的微流体平台，适用于广泛的应用。由于疏水表面是液体吸引机制良好运作的必要条件，我们认识到亲水表面对于液体排斥机制来说是首选。由于大多数材料都是亲水性的，如果发现脱湿驱动有效，则可以像 EWOD 一样实现数字微流体，但不需要疏水涂层。虽然大多数电诱导脱湿现象对常见微流体无效，因为它们基于不可逆过程 17,18 或特殊条件 19 ，但涉及表面活性剂的研究表明可逆性是可能的。例如，已经使用氧化还原活性表面活性剂 20 证明了衍生化金电极上水膜的电引发脱湿。此外，有机液滴已在水性电解质 23 中的共轭聚合物电极上移动。最近，通过使用离子表面活性剂，润滑摩擦系数已在固体-液体-固体配置中切换 21 ，沸腾气泡成核已在液体-蒸汽-固体系统中得到调节 22 。然而，这些方法并没有导致微流体平台技术，这需要可逆、可重复、强大且易于应用于液体-流体-固体系统的电驱动 24 。事实上，我们无法在裸露的金属电极 21,22 或介电涂层电极上用含有离子表面活性剂的水滴获得有效驱动。相反，我们发现裸露的硅晶片可以有效地工作，因为它的天然氧化物具有足够的亲水性，可以轻松脱湿，但又足够薄
2023 年 IEEE 国际可靠性物理研讨会 (IRPS)
TuT1（教程）- 可靠性物理与工程简介，Joe McPherson，McPherson Reliability Consulting LLC 所有材料和设备都会随着时间的推移而退化。因此，可靠性物理具有重要的理论和实践意义。可靠性调查通常从测量材料/设备在应力下的退化率开始，然后对失效时间与施加应力的关系进行建模。这里使用的术语“应力”非常笼统：应力指任何外部因素（电气、机械、化学、热、电化学等）能够产生材料/设备退化的因素。当退化量达到某个临界阈值水平时，就会发生失效时间。由于设备通常需要不同程度的退化才能引发故障，因此故障时间本质上是统计性的，并讨论了两种常见的故障分布：威布尔和对数正态分布。故障时间 (TF) 建模通常假设幂律或指数应力依赖性，具有 Arrhenius 或 Eyring 类活化能。从这些 TF 模型中，可以推导出加速因子，这些因子往往作为加速测试的基础。在本演讲中，将回顾几种半导体故障机制：电迁移 (EM)、应力迁移 (SM)、时间相关电介质击穿 (TDDB)、热载流子注入 (HCI)、负偏置温度不稳定性 (NBTI)、等离子体诱导损伤 (PID)、单粒子翻转 (SEU)、表面反转、热循环疲劳和腐蚀。本教程应为参会者提供坚实的基础，以便更好地理解 IRPS 上发表的论文。TuT2（教程） - 集成电路和半导体器件可靠性分析的机器学习，伊利诺伊大学厄巴纳-香槟分校 Elyse Rosenbaum 本教程适用于对机器学习（“ML”）如何在其学科中应用感兴趣的可靠性物理专家。它将使用机器学习的广泛定义，将 ML 等同于数据驱动建模，并将其与基于物理知识（即机械模型）的模型和预测进行对比。神经网络是一种流行的数据驱动建模模型结构，因为它具有灵活性；它通常被称为通用近似器。本教程将介绍神经网络训练的基础知识。本文将介绍将 ML 应用于可靠性分析各个方面的研究成果。TuT3（教程）- BEOL 和 MOL 可靠性，Shinji Yokogawa，电气通信大学 BEOL 可靠性在半导体技术中发挥着至关重要的作用，从开发到质量保证。典型的磨损机制包括电迁移 (EM)、应力迁移/应力诱导空洞 (SM/SIV)、热机械稳定性、低介电击穿 (TDDB) 和芯片/封装相互作用 (CPI)。最近，围绕栅极/接触或 MOL 可靠性的可靠性问题已被添加到列表中。由金属和电介质界面中的缺陷及其产生引起的互连、通孔和接触可靠性挑战被认为是重要问题，即使代数、结构和材料发生变化。了解它们以及如何抑制它们是实现高可靠性的关键。了解每个集成电路的寿命分布行为对于确定由许多部分组成的集成电路的可靠性也至关重要。本教程将介绍物理和统计
2023 IEEE 国际可靠性物理研讨会 (IRPS)
TuT1（教程）- 可靠性物理与工程简介，Joe McPherson，McPherson Reliability Consulting LLC 所有材料和设备都会随着时间的推移而退化。因此，可靠性物理具有重要的理论和实践意义。可靠性调查通常从测量材料/设备在应力下的退化率开始，然后对失效时间与施加应力的关系进行建模。这里使用的术语“应力”非常笼统：应力指任何外部因素（电气、机械、化学、热、电化学等）能够产生材料/设备退化的因素。当退化量达到某个临界阈值水平时，就会发生失效时间。由于设备通常需要不同程度的退化才能引发故障，因此故障时间本质上是统计性的，并讨论了两种常见的故障分布：威布尔和对数正态分布。故障时间 (TF) 建模通常假设幂律或指数应力依赖性，具有 Arrhenius 或 Eyring 类活化能。从这些 TF 模型中，可以推导出加速因子，这些因子往往作为加速测试的基础。在本演讲中，将回顾几种半导体故障机制：电迁移 (EM)、应力迁移 (SM)、时间相关电介质击穿 (TDDB)、热载流子注入 (HCI)、负偏置温度不稳定性 (NBTI)、等离子体诱导损伤 (PID)、单粒子翻转 (SEU)、表面反转、热循环疲劳和腐蚀。本教程应为参会者提供坚实的基础，以便更好地理解 IRPS 上发表的论文。TuT2（教程） - 集成电路和半导体器件可靠性分析的机器学习，伊利诺伊大学厄巴纳-香槟分校 Elyse Rosenbaum 本教程适用于对机器学习（“ML”）如何在其学科中应用感兴趣的可靠性物理专家。它将使用机器学习的广泛定义，将 ML 等同于数据驱动建模，并将其与基于物理知识（即机械模型）的模型和预测进行对比。神经网络是一种流行的数据驱动建模模型结构，因为它具有灵活性；它通常被称为通用近似器。本教程将介绍神经网络训练的基础知识。本文将介绍将 ML 应用于可靠性分析各个方面的研究成果。TuT3（教程）- BEOL 和 MOL 可靠性，Shinji Yokogawa，电气通信大学 BEOL 可靠性在半导体技术中发挥着至关重要的作用，从开发到质量保证。典型的磨损机制包括电迁移 (EM)、应力迁移/应力诱导空洞 (SM/SIV)、热机械稳定性、低介电击穿 (TDDB) 和芯片/封装相互作用 (CPI)。最近，围绕栅极/接触或 MOL 可靠性的可靠性问题已被添加到列表中。由金属和电介质界面中的缺陷及其产生引起的互连、通孔和接触可靠性挑战被认为是重要问题，即使代数、结构和材料发生变化。了解它们以及如何抑制它们是实现高可靠性的关键。了解每个集成电路的寿命分布行为对于确定由许多部分组成的集成电路的可靠性也至关重要。本教程将介绍物理和统计