Analysis of Single Event Upsets Based on Digital Cameras with Very Small Pixels
Notice bibliographique
Résumé
Digital Imagers provide advantages over ICs when studying Soft Errors (SEUs); when cosmic ray particles hit a pixel, the pixel stores the deposited charge for later readout, providing both their time/area occurrence rate and the area distribution of the charge spread. SEUs are detected within an imager by taking a time sequence of long exposure dark field images, and identifying events that occur only in one image and then disappear. For pixels in the 4-7 μm range (high end DSLRs) the native noise level is low enough, allowing simple detection of SEUs. However, as pixels shrink to the 1 μm range (cell phone pixels) they become more sensitive to deposited charges (i.e., weaker SEUs) but the background noise rises substantially making it difficult to distinguish between SEUs and noise. Noise in these imagers has a pattern dependent on the pixel's location on the imager. We developed statistical methods that use near neighbor pixels to determine the local noise distribution characteristics and distinguish the SEU events from the noise. We observed that the number of SEU events/area is substantially higher for 1.3 μm pixels than that experienced by bigger pixels, yet SEUs are still confined to a single pixel indicating that the charge spread is well under 1 μm. We also present a statistical analysis of the charge distribution and SEU events and their dependence on the pixel size.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».