A Comprehensive Reliability Assessment of the Kumaraswamy Inverse Weibull Distribution with Application to Electromigration Failure-Time Data

माइक्रोचिप्स की इस छिपी हुई दुनिया में, बिजली ले जाने वाले नन्हे तार निरंतर, अदृश्य तनाव के नीचे होते हैं। जैसे-जैसे ये इलेक्ट्रॉनिक घटक सिकुड़ते हैं और अधिक करंट ले जाते हैं, 'इलेक्ट्रोमाइग्रेशन' नामक एक भौतिक प्रक्रिया उन्हें घिसना शुरू कर देती है। कल्पना कीजिए कि धातु के तार के भीतर परमाणु धीरे-धीरे दूर बह रहे हैं, जो इलेक्ट्रॉनों के प्रवाह द्वारा धकेले जा रहे हैं, जब तक कि एक अंतराल नहीं बन जाता और सर्किट टूट नहीं जाता। यह विफलता यादृच्छिक (रैंडम) नहीं है; यह समय और घिसावट के एक पैटर्न का पालन करती है जिसे इंजीनियरों को विश्वसनीय उपकरण बनाने के लिए समझना आवश्यक है। यह भविष्यवाणी करने के लिए कि एक तार कब विफल होगा, वैज्ञानिक गणितीय मॉडलों का उपयोग करते हैं जो यह वर्णन करते हैं कि कोई घटक टूटने से पहले कितने समय तक चलता है। दशकों से, 'इनवर्स वेइबुल डिस्ट्रीब्यूशन' (inverse Weibull distribution) के रूप में ज्ञात एक मानक मॉडल इस काम के लिए एक प्रमुख उपकरण रहा है, विशेष रूप से इसलिए क्योंकि यह समय के साथ विफलता दरों के बदलने के तरीके को संभालता है। हालाँकि, आधुनिक माइक्रोचिप्स से प्राप्त वास्तविक डेटा अक्सर जटिल व्यवहार दिखाता है—जैसे कि 'हैवी टेल्स' (heavy tails) जहाँ कुछ घटक उम्मीद से कहीं अधिक लंबे समय तक चलते हैं, या शुरुआत में विफलता के तीव्र स्पाइक्स—जिन्हें मानक मॉडल सटीक रूप से पकड़ने में संघर्ष करता है।

सिडनी विश्वविद्यालय के एक शोधकर्ता ने एक अधिक लचीले गणितीय उपकरण का परीक्षण करने के लिए कदम उठाया जिसे इन पेचीदा पैटर्न को संभालने के लिए डिज़ाइन किया गया है। इस उपकरण को 'कुमारस्वामी इनवर्स वेइबुल डिस्ट्रीब्यूशन' (Kumaraswamy inverse Weibull distribution) कहा जाता है। इसे अतिरिक्त दांतों वाली एक 'मास्टर की' (master key) के रूप में समझें, जो वास्तविक विफलता डेटा के जटिल और अनियमित आकारों में फिट होने में सक्षम है, जिन्हें सरल चाबियाँ छोड़ देती हैं। शोधकर्ता ने इस नए मॉडल को 59 कंडक्टरों के एक विशिष्ट डेटासेट पर लागू किया जो एक 'एक्सेलेरेटेड लाइफ टेस्ट' (accelered life test) से संबंधित था, जहाँ तारों को उनकी सीमाओं तक तब तक धकेला गया जब तक कि वे विफल नहीं हो गए। लक्ष्य यह देखना था कि क्या यह उन्नत मॉडल स्थापित विकल्पों, जिसमें मूल इनवर्स वेइबुल और इसके कई आधुनिक संस्करण शामिल हैं, की तुलना में विफलता के समय का बेहतर वर्णन कर सकता है।

अध्ययन की शुरुआत इस नए डिस्ट्रीब्यूशन के सैद्धांतिक आधारों को तैयार करने से हुई, जिसमें यह पता लगाया गया कि विभिन्न सेटिंग्स के आधार पर इसका आकार कैसे बदलता है। शोधकर्ता ने विभिन्न सांख्यिकीय गुणों की गणना की, जैसे कि विफलता का औसत समय, उन समयों का प्रसार, और अनिश्चितता के माप जो इंजीनियरों को विफलता के जोखिम को समझने में मदद करते हैं। इन गणनाओं ने दिखाया कि यह मॉडल अत्यधिक अनुकूलनीय है, जो डेटा को एक तरफ भारी रूप से झुका हुआ (skewed) दिखाने या लंबे समय तक चलने वाले दुर्लभ घटकों की एक लंबी पूंछ (long tail) को दर्शाने में सक्षम है। इसके बाद शोधकर्ता ने व्यावहारिक परीक्षण की ओर कदम बढ़ाया, जिसमें देखे गए 59 विफलता समयों के लिए सबसे उपयुक्त नंबर खोजने हेतु 'मैक्सिमम लाइकलीहुड एस्टीमेशन' (maximum likelihood estimation) नामक विधि का उपयोग किया गया। इस प्रक्रिया में मॉडल के मापदंडों (parameters) को तब तक समायोजित करना शामिल था जब तक कि उसके द्वारा खींची गई वक्र (curve) वास्तविक डेटा बिंदुओं से यथासंभव मेल न खा जाए।

जब परिणामों की अन्य मॉडलों के विरुद्ध तुलना की गई, तो अंतर स्पष्ट था। नया कुमारस्वामी इनवर्स वेइबुल मॉडल प्रतिस्पर्धियों में से किसी भी अन्य मॉडल की तुलना में इलेक्ट्रोमाइग्रेशन डेटा के साथ काफी बेहतर तरीके से फिट हुआ। इसने मॉडल की भविष्यवाणियों और वास्तविक अवलोकनों के बीच की दूरी को मापने में सबसे कम त्रुटियां उत्पन्न कीं। सांख्यिकीय शब्दों में, मॉडल के "गुडनेस-ऑफ-फिट" (goodness-of-fit) स्कोर सबसे कम थे, और मॉडल की दक्षता को आंकने वाले मानदंड, जो सटीकता और जटिलता के बीच संतुलन बनाते हैं, भी सर्वश्रेष्ठ थे। अन्य मॉडल, जिनमें मानक इनवर्स वेइबुल और इसके दो सामान्यीकरण (generalizations) शामिल थे, डेटा से मेल खाने के लिए संघर्ष करते रहे। इनमें से कुछ मॉडल समाधान खोजने में भी विफल रहे, जो अस्थिरता के संकेत दिखाते हैं, जबकि अन्य ने बड़ी त्रुटियां उत्पन्न कीं जो यह दर्शाती हैं कि वे विफलताओं के वास्तविक पैटर्न को समझने में चूक गए।

दृश्य प्रमाण भी उतने ही प्रभावशाली थे। जब शोधकर्ता ने वास्तविक विफलता समय को नए मॉडल द्वारा उत्पन्न वक्र के विरुद्ध प्लॉट किया, तो दोनों रेखाएं लगभग पूरी तरह से एक-दूसरे का अनुसरण करती थीं। मॉडल परीक्षण के शुरुआती चरणों में जीवित रहने की संभावना (survival probability) में तेजी से गिरावट और उसके बाद शेष घटकों के टिके रहने के दौरान होने वाली क्रमिक कमी को सफलतापूर्वक पकड़ लेता है। इसने विशिष्ट चतुर्थक (quartile) मानों को भी सटीक रूप से दर्शाया, जिससे यह पता चला कि आधे विफलताएं समय के एक संकीर्ण अंतराल के भीतर हुईं, जबकि कुछ कंडक्टर बहुत लंबे समय तक जीवित रहे। डेटा की भौतिक वास्तविकता को प्रतिबिंबित करने की यह क्षमता यह सुझाव देती है कि मॉडल केवल एक गणितीय अभ्यास नहीं है बल्कि इंजीनियरों के लिए एक उपयोगी उपकरण है।

निष्कर्ष इस बात की पुष्टि करते हैं कि कुमारस्वामी इनवर्स वेइबुल डिस्ट्रीब्यूशन, इलेक्ट्रोमाइग्रेशन के अधीन इलेक्ट्रॉनिक घटकों की विश्वसनीयता का विश्लेषण करने के लिए एक मजबूत और लचीला विकल्प है। यह पारंपरिक मॉडलों की तुलना में विफलता के समय की भविष्यवाणी करने और अंतर्निहित क्षरण तंत्र (degradation mechanisms) को समझने का एक अधिक सटीक तरीका प्रदान करता है। माइक्रोसर्किट पर काम करने वाले विश्वसनीयता इंजीनियरों के लिए, इसका अर्थ है कि उनके पास यह पूर्वानुमान लगाने के लिए एक बेहतर उपकरण है कि कोई उपकरण कितने समय तक चलेगा और ऐसे सिस्टम डिजाइन करने के लिए कि वे परमाणु बहाव (atomic drift) के निरंतर दबाव को झेल सकें। अध्ययन का निष्कर्ष है कि इस मॉडल को उन सभी के लिए एक प्राथमिक उपकरण माना जाना चाहिए जिन्हें इस प्रकार की विशिष्ट इलेक्ट्रॉनिक विफलताओं का सटीक रूप से लक्षण वर्णन करने की आवश्यकता है।