基于小样本学习的多因素单粒子翻转截面预测

针对空间粒子辐射效应评价中的多因素影响问题,提出了端到端数据驱动方法预测多因素条件下的单粒子翻转截面。首先通过卷积神经网络进行多因素特征提取,接着利用小样本学习匹配网络进行样本间特征融合,最后使用集成学习回归器预测重离子线性能量传输和单粒子翻转截面的关系曲线。在公开文献中提取的2种类型182个样本的小规模数据集上,对该模型进行端到端训练和测试,结果表明:该方法能够有效预测大部分场景下的多因素效应单粒子翻转界面,并能对各因素的重要程度给出量化评价,在国产处理器SM750的案例分析中获得了与重离子辐照实验相当的系统失效率上界。与传统方法相比,这种方法不依赖经验参数,具有更广泛的应用场景。