Воспроизводимость и невоспроизводимость в микротехнологии реферат
Обновлено: 05.07.2024
Развитие науки и техники позволило перейти к освоению нанотехнологий. Появилась новая наука нанотехнология. Проблемы, возникающие в процессе создания и исследования наноразмерных элементов в различных областях техники и науки стали особенно интересовать ученых.
Развитие наноэлектроники и нанотехнологии привело к необходимости промышленного освоения нанометрового диапазона элементов.
Стоит задача разработки в будущем таких технологий, которые позволяли бы оперировать отдельно взятыми атомами или молекулами для осуществления принципов атомной или молекулярной сборки в промышленных масштабах.
Таким образом, возникает ряд проблем, имеющих технический, технологический и фундаментальный характер. Необычность этих проблем заключается в исторически сложившейся особенности нанотехнологии, которая заключается в том, что в рамках нанонауки происходит взаимодействие двух направлений, ранее мало пересекавшихся: химического направления и микротехнологии. Каждое из этих направлений имеет свои представления о приоритетах, свою терминологию, методику и амбиции.
Микротехнология
Рождение новых наук, которые активно развиваются на основе фундаментальных знаний, является характерной особенностью современного естествознания. Одной из таких наук является микроэлектроника, которая сформировалась на основе физики. В последнее время микроэлектроника постепенно перерастает в наноэлектронику.
Наноэлектроника и микроэлектроника имеют одно общее основание – электронику. Согласно определению, электроникой называется наука, изучающая взаимодействие электронов с электромагнитными полями и методов создания электронных приборов и устройств, которые применяются для обработки, хранения и передачи информации.
Электроника возникла в начале ХХ века. На ее основе были разработаны электровауумные приборы, в числе которых и электронные лампы.
Начиная с 50-х годов ХХ века, начинает активно развиваться твердотельная электроника, главным образом, полупроводниковая.
Готовые работы на аналогичную тему
В 60-х годах возникло новое направление электроники, являющееся наиболее перспективным – микроэлектроника. Ее возникновение связано с непрерывным усложнением функцией и расширением области применения электронной аппаратуры. Это потребовало изменения ее габаритов и массы, а также увеличения надежности и быстродействия.
В основе электронной базы микротехнологий лежат интегральные схемы, которые выполняют функции блоков и узлов электронной аппаратуры.
В последнее время ведутся разработки по созданию интегральных схем, размеры которых определяются нанометрами. То есть происходит постепенное трансформирование микротехнологий в нанотехнологии.
Таким образом, микротехнологией называется процесс изготовления таких структур, масштаб которых равен микрону и менее.
Микротехнология состоит из разных процессов, выполняемых в определенной последовательности. Некоторые приемы известны давно, например, травление и литография.
Технология полирования была позаимствована из производства оптических стекол.
В работах 19 века уже использовалась технология электрохимического осаждения и вакуумной техники.
В процессе изготовления микроустройства происходит чередование операций травления и нанесения тонких слоев. Устройство выглядит как стопка двухмерных структур из разных материалов. Применяются также различные операции по модификации поверхности, такие как окисление, легирование, отжиг и т.д.
В настоящее время происходит активное развитие молекулярно –инженерной технологии, а процесс перехода от микротехнологий к нанотехнологиям приближается к решению поставленной задачи.
Нанотехнологии
Нанотехнологией называется совокупность приемов и методов, которые обеспечивают возможность контролируемым образом создавать и изменять объекты, размер компонентов которых менее 100 нм, имеющие совершено новые свойства и позволяющие производить их интеграцию в полноценно работающие системы большего масштаба.
Нанотехнология подразумевает навыки работы с такими объектами и создания из них более крупных структур, которые имеют принципиально другую молекулярную организацию.
В связи с этим появились такие понятия, как нанонаука, наноинженерия, нанотехнология.
Датой основания нанотехнологий считается 29 декабря 1959 года. Тогда профессор Калифорнийского технологического института Ричард Фрейман в своем докладе высказал идею управления и контроля материалов на микроскопическом уровне. Он подчеркнул, что речь идет не только и миниатюризации, но и о возможностях размещения большого количества информации на устройстве, имеющем размер кончика булавки. По мнению профессора, этого можно достичь путем уменьшения обычных размеров в 25000 раз, не теряя при этом разрешение. Предполагалось, что использование таких технологий позволит уместить все мировое собрание книг в одну небольшую брошюру.
В настоящее время нанотехнологии используются для создания светопоглощающих и защитных покрытий, транзисторов, топливных элементов, лекарств, медицинских аппаратов и т.д. Уже сейчас в дизельное топливо добавляют нанопримеси на основе оксида церия, что повышает коэффициент полезного действия топлива на 4-5% и позволяет снизить степень загрязненности выхлопных газов.
Основными направлениями применения нанотехнологий являются:
- наноэлектроника и нанофотоника
- наноэнергетика
- наномедицина
- нанокосметика
- нанотехнологии обеспечения безопасности
- нанобиотехнологии
- нанотехнологии для пищевой промышленности
- нанотехнологии для сельского хозяйства
- нанотехнологии для легкой промышленности.
Главным напрвлением развития нанотехнологий является выращивание наноструктуры, наноматериалов и нанообъектов. К нанотехнологиям существуют два ключа:
Я мирно сидел на семинаре, слушал доклад студента о статье с прошлого CVPR и параллельно гуглил тему.
— К достоинствам статьи можно отнести наличие исходного кода….
Пришлось вмешаться:
— Наличие чего, простите?
— Э-э-э… Исходного кода…
— Вы его смотрели?
— Нет, но в статье указано… (мать-мать-мать… привычно отозвалось эхо)
ㅡ Вы ходили по ссылке?
Ищите и обрящете, стучите и откроется… Может быть… А может быть и нет. Я бы, исходя из печального опыта, ставил на второе, поскольку ситуация в последнее время повторяется ну уж о-о-очень часто. Даже на CVPR. И это только часть проблемы! Исходники могут быть доступны, но, к примеру, только модель, без скриптов обучения. А могут быть и скрипты обучения, но за несколько месяцев с письмами к авторам не получается получить такой же результат. Или за год на другом датасете с регулярными скайп-звонками автору в США не удается воспроизвести его результат, полученный в наиболее известной лаборатории в отрасли по этой теме… Трындец какой-то.
И, судя по всему, мы пока видим лишь цветочки. В ближайшее время ситуация кардинально ухудшится.
В 2016 году в журнале Nature вышла статья IS THERE A REPRODUCIBILITY CRISIS? (Происходит ли сейчас кризис воспроизводимости)?, в которой привели результаты опроса 1576 исследователей:
Источник: Этот и следующие графики этого раздела — статья в Nature
Если посмотреть по дисциплинам, получается, что на первом месте химия, на втором — биология, на третьем — физика:
Интересно, что в химии, например, более 60% исследователей сталкивались с невозможностью воспроизвести свое собственное исследование. В физике таких тоже более 50%.
Также очень интересно, что именно с точки зрения исследователей вносит наибольший вклад в кризис невоспроизводимости:
На первом месте идет “Selective reporting”. Для Computer Science это ситуация, когда автор, например, выбирает для публикации лучшие примеры, на которых работает алгоритм, и не описывает подробно, где и что не работает.
Интересно, что на втором “Pressure to publish”. Это очень хорошо известный принцип “Publish or perish”. Статья в англоязычной википедии неплохо описывает проблему. Статьи в русской википедии на эту тему нет, хотя в местах с высокой оплатой за научную работу проблема становится актуальной. Например, в одном топовом вузе с хорошей зарплатой (увы, я не о родном МГУ) для переаттестации критичны высокие публикационные баллы, и, если хочешь продолжать работать — изволь публиковаться. Тушкой, чучелком, как угодно, но чтобы баллы были.
Отдельная большая проблема, о которой упомяну только вскользь: если результат не получилось воспроизвести, то статью об этом почти невозможно опубликовать…
Всех интересуют новые достижения, новый вклад и новые идеи, а что там старое не работает — какая разница. Это естественным образом увеличивает долю невоспроизводимых результатов, в том числе сознательное мошенничество. Разбираться, скорее всего, никто не будет — не принято. Очевидно, что когда на одном фейковом результате начинают базироваться другие, то вся система становится неустойчивой, что в итоге бьет по всем:
Ваши ставки — успеет увернуться или его придавит?
- По опросу 1576 исследователей, опубликованному в Nature, 52% считают, что сейчас существенный кризис воспроизводимости, и 90% согласны, что такой кризис есть.
- При этом текущая ситуация — еще цветочки и скоро все будет хуже, особенно в Computer Science. Почему? Сейчас узнаете.
Источник: Repeatability in Computer Science
106 статей они не проверили, поскольку не хотели нарушать чистоту эксперимента (они писали авторам и запрашивали код), в оставшихся:
Источник: Conceptualizing, Measuring, and Studying Reproducibility
Почему же так происходит?
Причин, как у любого сложного явления, несколько:
Но и это не все! В последнее время стремительно распространяется машинное обучение вообще и нейросети в частности. Это круто. Оно обалденно работает. Совершенно невозможное вчера становится возможным уже сегодня! Просто праздник какой-то! Так?
Нет. Нейросети добавили Computer Science новый виток погружения в пучину невоспроизводимости.
Вот простой пример, так выглядит функция потерь для ResNet-56 без skip connections (визуализация пары параметров из нескольких десятков миллионов). Наша задача за разумное число итераций (эпох) найти самую глубокую точку:
Источник: Visualizing the Loss Landscape of Neural Nets
Ибо одно дело — пытаться в сложном ландшафте нащупать минимум (и помогает только запредельная общая размерность пространства поиска), и совсем другое дело — явный относительно легко находимый градиентами глобальный минимум.
История красивая, но в нашей суровой реальности с большим количеством слоев снова и снова приходится сталкиваться с тем, что сеть не обучается. Вообще.
И даже интереснее — в какой-то момент ее удается обучить (ошибка резко падает), но через какое-то время при попытке с нуля воспроизвести результат (например, при потере данных коэффициентов) повторить фокус не удается, и идет явное мучительное путешествие сети вдалеке от минимума. Сотни эпох сменяют друг друга, а воз остается на месте. Не выходит Каменный Цветок у Данилы-мастера.
Раньше представить себе ситуацию, что у исследователя не получится воспроизвести собственные результаты в Computer Science, было довольно сложно. Сегодня это стало обыденным, как уже давно в физике, химии, биологии и далее по списку. С нейросетями Computer Science внезапно стала экспериментальной наукой! Welcome to this wonderful world. Теперь вы все чаще будете сталкиваться с невозможностью воспроизвести свой собственный результат (как и 64% химиков, 60% биологов, см. второй график этой статьи).
Но и это не все радости. Дальше будет веселее!
Отдельная крупная проблема — области, где нет больших обучающих выборок. Коллеги из медицины жалуются — полный кошмар творится. Они наборы данных собирали годами. И там даже десятки тысяч примеров. Но приходят аспиранты с глубокими нейросетями. Фигак-фигак и всех обогнали… Красавцы! Гиганты науки! И с довольными светлыми ликами докладывают результаты. У них спрашивают:
— А что вы сделали, чтобы не было overfitting?
— Чего, простите?
— Почему у вас нет переобучения?
И человек абсолютно серьезно рассказывает, как он правильную сеть взял и строго по методичке ее обучил, и поэтому у него все хорошо. Т.е. молодые люди (массово!) вообще не понимают, что такое переобучение! Не один, не два, а прямо уже заметная доля аспирантских докладов. Вот она, новая волна молодых нейросетевых революционеров. Вспоминаем профессора Преображенского, тяжело вздыхаем о традиционной для молодых революционеров неграмотности. Делаем выводы.
Но это ладно. На недавнем ИТиС-2019 Михаил Беляев приводил чудные примеры, как этот подход вполне себе добирается и до медицинского продакшена! В реальные компании, предлагающие анализ с использованием нейросетей, сдали контрольные анализы и получили неожиданно печальный результат. Причина в том, что инвесторы тоже почуяли революцию, и если человек обещает новые горизонты на основе нейросетей, то они дают ему денег (проницательный Анатолий Левенчук предупреждал об этом еще в 2015 году, через полгода после изобретения батчнорма, и за полгода до ResNet, когда много слоев еще плохо обучались). А платить за это вам, дорогие господа! И, да, было бы лучше сначала поэкспериментировать на мышках, но у мышек, как выразился один знакомый циник, нет кошельков! Поэтому данные для обучения сейчас собирают (культурно выражаясь) на деньги потребителей, т.е. на ваши деньги. Люди, будьте бдительны!
Понятно, что не нейросети виноваты. Большой вопрос в том, как получить достаточное количество смежных данных, зафайнтюнить их на имеющейся небольшой выборке, избежать catastrophic forgetting и вот это вот все. Но, даже если у вас грамотные исследователи, — потребуется время. А инвестор хочет результат здесь и вчера. Так что, радовались волне успехов нейросетей?
Получаем большую пену большой волны, когда неработающие по факту методы дотащило прибоем крупных волн до реального применения. Оплатите счет, пожалуйста!
Итого: Нейросети ухудшают ситуацию в Computer Science по трем направлениям:
- С обучением нейросетей CS более прежнего становится экспериментальной наукой со всеми вытекающими минусами.
- Подгонка обучающей выборки под тестовую позволяет продемонстрировать любой сколь угодно чудесный результат (усугубление главной причины невоспроизводимости — selective reporting).
- И, наконец, в областях, где обучающие выборки малы, крайне сложно избежать переобучения, отлавливать и работать с которым сегодня многие не умеют (формально на датасете результат великолепен, но фактически алгоритм не работает).
Если вы (счастливый человек!) работаете в хорошо прокопанных областях, то часто вообще вся работа — готовить датасеты да скармливать их сетям. Разве что стоит за архитектурами следить. В этом случае вообще пропадает смысл смотреть статьи без кода. И это настоящий праздник! Почувствуйте свое счастье, не всем так повезло!
Источник: Percentage of published papers that have at least one code implementation
У них же, если отвлечься на секунду (и еще прорекламировать этих правильных ребят), есть весьма любопытный график изменения популярности ML/DL фреймворков за последние 4 года:
Источник: Paper Implementations grouped by framework
Торч на коне, TF (кто бы мог подумать еще недавно!) сдает позиции. Впрочем, это другая история…
Из опыта понятно, что у этих 17–20% статей с кодом тоже (по описанным причинам) не все волшебно, но, по крайней мере, проверить их работу можно на порядок быстрее. И это — классно.
Другой реально работающий рецепт — это создание достаточно крупных датасетов и бенчмарков. Взлет нейросетей не зря начался с ImageNet с 14 миллионами изображений, разбитых на 20000+ классов. Да, это сложно, но с глубоким обучением можно работать только с действительно большими наборами. Даже если их создание идет мучительно и трудно.
Например, какое-то время назад мы создали бенчмарк для выделения полупрозрачных объектов в видео (шерсть, волосы, ткани, дым и прочие нетривиальные радости жизни). Изначально планировалось уложиться при его создании в 3 месяца. Были найдены сервоприводы, экран, хорошая камера, куплена синяя изолента, у всех знакомых девушек был реквизирован миллион мягких игрушек, найден манекен с реальными волосами, на котором тренируются в укладке волос парикмахеры. И…
Источник: материалы автора… Синяя изолента, как хорошо видно, выполняет ключевую несущую роль
Все (нет, не так… ВСЕ!) шло не так. Вибрации пола от проходившего мимо человека хватало, чтобы волосы смещались (прогоны записи были перенесены на ночь), волосы колыхало потоками воздуха (был сооружен короб), в коробе сервоприводы начали перегреваться (пришлось модифицировать программу и при достижении определенной температуры ждать, пока они остынут). И т.д. и т.п. В итоге отличный датасет был построен через год с лишним (его создание достойно отдельной эпичной саги), а технологию его производства мы уже продали дороже, чем сделанные с его помощью алгоритмы. В чудном новом мире рулят данные, господа! И внезапно выясняется, что нужны человеко-годы квалифицированного труда, чтобы данные были хорошие, чистые и пригодные для обучения.
- Если есть такая возможность — смотрите только статьи с кодом.
- Помните, что многие алгоритмы на глубоких нейросетях рулят в публикациях только потому, что пока не открыты в широкий доступ или не созданы действительно большие датасеты.
- Если начальство душит жаба открывать датасеты — можно финансировать бенчмарки, вы всегда будете в курсе лучших алгоритмов в своей области. Причем лучше делать бенчмарк в кооперации с университетами (или развить имеющийся), чтобы ваш бенчмарк не висел пустой.
Из текста выше могло показаться, что автор считает, что все плохо, все пропало и вообще… Это не так. Хотя бы потому, что большое количество невоспроизводимых работ вокруг формирует устойчивый спрос на работы автора и его коллег, и ухудшение ситуации означает, что нам теперь придется работать круглосуточно спрос будет только выше.
Кроме того, надо четко понимать, что ситуация с невоспроизводимостью в точных науках не идет ни в какое сравнение с масштабами бедствия в гуманитарных. В статье Википедии Replication crisis (русской версии у нее, увы, опять нет) основное внимание уделено как раз гуманитарным дисциплинам, в первую очередь — психологии, ситуация в которой печальна уже давно:
Источник: The Reproducibility Crisis in Psychological Science: One Year Later, к слову, там приведены великолепные примеры, как некорректно используется, например, условная вероятность… увы, в Computer Science подобное тоже встречается.
Короче! Когда придется через 20 лет заниматься психологией андроидов, и теплая ламповая математическая Computer Science станет не только экспериментальной, но и в изрядной степени гуманитарной (разница в подходах воспитания домашних и промышленных роботов и все такое), вот тогда-то настоящие проблемы с воспроизводимостью и начнутся. А пока — можно и нужно радоваться текущему положению дел, не идеализируя его и ясно видя негативные тренды.
И последнее. Я обещал сказать, что стало со студентом. Он был жестоко наказан тем, что готовил материалы и картинки для этой статьи. Дабы неповадно было!
секаясь сама с собой , то такой аттрактор буде т именоваться странным .
Для простоты понимания представим фазовое пространство в виде двухкоор -
динатного эвклидова , в котором течет река и впадает в озеро . Бросим в реку тен -
нисный мячик ( или еще какой - нибудь плавающий объект - по
татора , например , голо ву его научного противника - она тоже всегда плавает на по -
верхности ) и буде м отслеживать его перемещение . В зависимости от того , как мы
его бросим ( начальных услов ий ) его траектории в фазовом пространстве ( речке )
бу дут разными , т . е . эволюция системы бу дет происходить по - разном у , но по дчи -
Попав в озеро , берега которого являются границей аттрактора , мячик бу дет всю ос -
тавшуюся жизнь ( пока его не украдут ) болтаться по озеру , описывая динамические
траектории , как на нашем рисунке , но за пределы озера так и не выйдет . Точно так
только понять , что является берегами озера и кто и как кинул мячик . После того ,
как Ельцин кинул всю страну , это уже не так сложно .
По энергетическому признаку динамические системы классифициру ются на
консервативные и неконсервативные . Консервативные системы характериз уются
неизменным во времени запасом энергии . В механике их называют
ми . Для консервативных систем с n степенями свободы определяется гамильтониан
системы , который полностью характеризует динамическую природу системы и с
физической точки зрения в большинстве слу чаев представляет собой ее полную
энергию . Эволюция во времени консервативных систем описывается уравнениями
механики Гамильтона . Движение изображающих то чек в фазовом пространстве в
жидкости , подчиняющееся уравнению непрерывности . Отсюда следует , что эле -
мент фазового объема в консервативных системах не изменяется во времени .
Динамические системы с изменяющимся во времени запасом энергии являются
неконсервативными . Системы , в которых энергия у меньшается во времени ввиду
наличия , например , трения или рассеяния , называются диссипативными . А вот для
, энергия которых нарастает со временем не хватило ума придумать краси -
вое и изысканное название , и их называют системами с отрицательным трением
или отрицательной диссипацией . Принципиальной особенностью диссипативных
систем является зависимость элемента фазового объема от времени . В системах с
поглощение энергии фазовый объем во времени уменьшается , в системах с отрица -
трением - увеличивается . Это обстоятельство приводит к тому , что в дис -
сипативных нелинейных системах могут существовать изолированные траектории ,
являющиеся предельными для начальных состояний из некоторой области притя -
жений . Динамические системы называются автономными
действию внешних сил , переменных во времени . Уравнения автономных систем
явной зависимости от времени не содержат . Та или иная форма воздействия на сис -
тему делает ее неавтономной и приводит к явной зависимости ур авнений от време -
Большинство реальных колебательных систем в физике , радиофизике , биоло -
деляется особый класс так называемых автоколебательных
ческую систему , преобразу ющую энергию источника в энергию незатухающих ко -
лебаний , причем основные характеристики колебаний ( амплиту да , частота , фор ма
колебаний и т . д .) определяются параметрами системы и в определенных пределах
зависят от выбора исходного начального состояния . Введение диссипации энер -
гии в колебательную систему приводит к качественной перестройке структуры фа -
зового портрета , но стационарные незатухающие колебания в линейных диссипа -
тивных системах невозможны , т . к . нет усл ови й для поддержания колебаний - энер -
гия , расходу емая на преодоление сил трения , не восполняется . Поэтому в линей -
диссипативных системах наблюдаются только переходные затухающие коле -
бательные процессы и в принципе невозможны установившиеся автоколебания .
Реакция динамической системы на малое возмущение определяется ее состоя -
нием и в одних случаях возмущающие факторы влияют на режим функционирова -
ния системы незначительно , а в дру гих - приводят к резкому отличию характера
Большинство интересных физических задач при их математическом описании
приводит к дифференциальным уравне ниям , зависящим от параметров . Изменение
параметра может вызвать потерю у стойчивости одним режимом движения и пере -
ход системы в другое состояние . Это явление называется бифуркацией
параметра , при котором оно происходит , — точкой бифуркации . Особо интересны
такие бифуркации , в результате которых при прохождении то чки бифуркации в
системе возникают новые устойчивые режимы движения .
Иерархия смены одних устойчивых состояний системы другими с изменением
управляющих параметров вызывает последовательность фазовых переходов от од -
Глава IV. Раздел 2. Процессы самоорганизации и синергетика .
С точки зрения классической физики мир вокруг нас однозначно детерминиро -
ван и инвариантен во времени . Детерминистическое мировоззрение можно симво -
лизировать биллиардным столом , на котором соударяют ся шары , получившие оп -
ределенный импу льс количества движения . Траектори я движения каждого шара
однозначно определена в предыдущий момент времени взаимодействием с други
ми шарами , поверхностью стола и бортами . Классическая наука свято верила , что
бу дуще е такой системы жестко и однозначно определено ее прош лым и , при усло -
вии знания прошлого , неограниченно предсказу емо . Однако , современная матема -
тика показала , что в некоторых слу чаях это не так : например , если шары уда р яю тс я
ниченно нарастать , так что поведение системы становиться в определенный мо -
мент непредсказуемым . Тем самым позиции однозначного детерминизма оказались
подорванными даже в классических простых ситуациях .
Мировоззрение , основанное на теории самоорганизации , можно ассоциировать
с образом горной ст раны с долинами , по которым текут реки , и хребтами -
этой стране действу ют мощные обратные связи - как отрица -
тельные , так и положительные . Если тело скатывается вниз по склону , то между
его скоростью и положением су ществует положительная обратная связь , если оно
пытается взобраться вверх , то отрицательная . Нелинейные ( достаточно сильные )
обратные связи - непременное усл ов ие самоорганизации . Нелинейность в мировоз -
из альтернативных пу тей и определенного темпа эволюции , а также необратимость
Более того , в теории самоорганизации эта горная страна обязана изменяться во
времени , т . е . эволюционировать . При этом важно выделить переменные различного
порядка . Такая иерархия переменных по времени является необходимым услови ем
упорядочения самоорганизации . Смешение иерархии приведет
землетрясение , когда сдвиги геологического порядка происходят за считанные ми -
нуты , а должны за несколько тысячелетий ). Самыми важными оказываются наибо -
лее медленные по времени переменные ( их называют параметрами ). Именно зна -
чения параметров определяют , каким набором устойчивых решений будет обладать
система и , таким образом , какие структуры могут бы ть в
В то же время более быстрые ( динамические ) переменные отвечают за конкретный
выбор реализуемых устойчивых состояний из числа возможных .
Глава IV. Раздел 3. Проблемы невоспроизводимости в наноте хнологии
Теперь рассмотрим очень важный на наш взгляд вопрос о воспроизводимости
получаемых в нанотехнологии структур и объектов . Проблема состоит в том , что
если в макро и микротехнологии исследователи имели место в подавляющем
большинстве случ аев со средними и среднестатистическими величинами , характе -
переход от интегральных величин к индивидуальным , характеризующим конкрет -
ный , отдельно взятый нанообъект . И если ко всей совокупности нанообъектов ( на -
ночастиц , ультрадисперсных частиц и кластеров ) вполне закономерно подходить
со средними характеристиками , то для отдельно взятой наночастицы такой подх од
не приемлем . Представляется весьма сложным и практически невозможным , на -
пример , по лучать ульт ра ди сп е рс ны е частицы с одинаковым количеством атомов и
одинаковым их расположением в наночастице . Следовательно , и свойства отдель -
ных наночастиц бу дут различными в той или иной степени ( как коррумпирован -
ность чиновников и продажность ментов ), особенно если речь идет о кла стер ах с
магическим числом атомов . Если в микро и макромире эти различия
лись средними ( интегральными ) характеристиками вещества , то в наномире каждая
частица является отдельно взятым субъ ектом со своими , как получается , индиви -
дуаль ными свойствами . В связи с этим можно предложить даже новое понятие
шкалы наномира . Эт а та область размеров частиц , где их индивидуальные свойства
являются доминирующими . Выхо д за пределы этой шкалы означает
еще Демокрит , либо в микромир . где начинают действовать ус редненные характеристики .
Наличие дефектов структ уры ( вакансии , дислокации , внедренные атомы и т . п .) в ма -
териалах микроэлектроники неприятно , но не катастрофично , а вот в наночастице они мо -
гут кардинально менять ее свойства . Принято считать , например , что не бывает
солютно одинаковых с нежинок ( честно говор я , я это не проверял , поэтому ссылаюсь на
общепринятую точку зрения ), которые растут и формируются в естественных услов ия х
примерно по тем же принципам , что и наночастицы . В технологии , особенно в массовом
производстве , воспроизводимость связана с понятием выхода годных и опирается исклю -
го номинала , к примеру , производится их отбраковка по величине этого самого номинала ,
хотя технологический процесс отлажен и максимально " вылизан ", тем не менее существу -
ет разброс по номиналу и на стадии контроля резисторы разделяются по классам точности
соответствия этому номиналу , а , следовательно , и по стоимости . В наномире
Воспроизводимость в технологии и технике обычно относится не ко всем возможным
и контролируемым характеристикам материала или конкретного изделия , а только к зна -
чимым и определяющим . ( В принципе безразлично , какого цвета баллистическая ракета ,
лишь бы перелетела через океан , попала , куда надо и качественно взорвалась ). Естествен -
но , что и диапазон воспроизводимости зависит от конкретных потребностей и практиче -
ских соображений . Принято полагать , что невоспроизводимость является всего лишь
Для анализа точности и стабильности технологических процессов производства продукции ПРУП МЗ СИиТО находит широкое применение понятие воспроизводимости процесса и воспроизводимости оборудования.
Понятие воспроизводимости.
Воспроизводимость характеризует степень статистической управляемости процесса, т.е. возможности параметра выйти за пределы допуска. Обычно показатели воспроизводимости вычисляются для процесса, имеющего нормальное распределение. Более глубокий анализ предполагает вычисление процента продукции, удовлетворяющей допуску (либо процента возможного брака).
| Хорошо | Удовлетворительно | Неудовлетворительно |
 |  |  |
 |  |  |
Считается, что процесс имеет хорошую воспроизводимость, если:
· диапазон разброса параметров (т.е. ширина кривой распределения или гистограммы) существенно меньше, чем ширина поля допуска;
· середина интервала разброса параметров (вершина кривой распределения или гистограммы) совпадает с серединой поля допуска.
Для численной оценки воспроизводимости используют два индекса:
Индекс воспроизводимости Cp
Индекс Cp учитывает только разброспроцесса и характеризует его соответствие ширине поля допуска. Этот индекс вычисляется для статистически устойчивого процесса, имеющего нормальное распределение . Поэтому считается, что ширина кривой распределения равна . Индекс Cp вычисляется следующим образом:
,
где - ширина поля допуска; - оценка среднеквадратичного отклонения, которая вычисляется по формуле
,
где xi - измеренные значения параметра, - оценка среднего значения, n - чиcло измерений. При обработке сгруппированных выборок, применяемых в контрольных картах, оценку среднеквадратичного отклонения можно найти из выражений
,
где и - соответственно средний размах и отклонение группированных выборок, d2 и c4 - коэффициенты, которые выбираются из таблицы.
Численное значение индекса Cp может быть интерпретировано следующим образом:
При этом ширина поля допуска превышает , а процент выхода за допуск не более 0.006%. Связь между индексом Cp и процентом выхода за допуск показана в таблице:
Индекс воспроизводимости Cpk
Индекс Cpk характеризует центрированность, т.е. настроенность процесса на центр поля допуска. При этом Cpk также зависит и от разброса процесса, который считается статистически устойчивым, имеющим нормальное распределение и ширину кривой распределения . Индекс Cpk вычисляется следующим образом:
,
где d - расстояние от центра кривой распределения до ближайшей границы допуска; - оценка среднеквадратичного отклонения.
 |  |
Численное значение индекса Cpk может быть интерпретировано следующим образом:
При этом расстояние от центра кривой распределения до ближайшей границы допуска превышает , а процент выхода за допуск не более 0.006%. Связь между индексом Cp и процентом выхода за допуск показана в таблице:
Связь между индексами Cp и Cpk
Индексы Cp и Cpk связаны между собой следующей зависимостью:
,
Отсюда следует, что. Геометрическая интерпретация этого соотношения приведена ниже:
Это достигается за счет:
· уменьшения разброса, что ведет к увеличению Cp ;
· центрирования процесса внутри поля допуска, что увеличивает Cpk .
Различные варианты настройки процесса и соответствующие значения индексов показаны в таблице:
 |  |  |
|  |  |
При контроле качества следует различать воспроизводимость процесса и оборудования. Принято считать, что оборудование является отдельным элементом производственного процесса. В то же время процесс включает в себя совокупность персонала, оборудования, методов выполнения технологических операций, а также окружающей среды.
Для количественной оценки воспроизводимости как процесса, так и оборудования используются аналогичные индексы:
| Cp , Cpk | Индексы воспроизводимости процесса |
| Cm , Cmk | Индексы воспроизводимости оборудования |
Отличие между Cp и Cm (а также между Cpk и Cmk ) заключается в способе получения исходных данных, используемых при их расчете. При проверке воспроизводимости оборудования сбор исходных данных производится в течение короткого промежутка времени, что позволяет исключить влияние факторов, изменяющихся во времени (например: износ инструмента, усталость оператора и т.д.). В результате удается выявить только те факторы, которые непосредственно связаны с оборудованием. Пример сбора исходных данных при проверке воспроизовдимости оборудования приведен в Приложении
При анализе воспроизводимости оборудования обычно требуют, чтобы
Cm 1.33 и Cmk 1.33,
Индексы воспроизводимости Cr , Cpm , K
Наряду с индексами Cp и Cpk применяют и другие показатели воспроизводимости процесса. Они определяются следующими соотношениями:
,
,
,
где - среднеквадратическое отклонение процесса от середины допуска (а не от своего среднего значения, как это принято при вычислении ).
Читайте также: