作为测试模式压缩落后,需要新技术来控制测试时间。
初以来日子半导体器件包含仅仅把盖茨,世界制造业测试都集中在如何检测最大数量的潜在缺陷在最短的时间内。这个基本目标没有改变多年来持续在5海里。
有什么戏剧性的改变了多年来,然而,各种各样的技术用来实现最大效率。最初几年,函数模式被用来测试设备和这些模式故障分级确定实现覆盖。随着器件尺寸的增长,它迅速成为难以创建一组高效的功能模式,实现必要的质量水平。这导致出现结构性测试scan-based测试的发展,提供了必要的测试效率多年,直到指数设计规模增长终于付出了代价。
通常情况下,需要推动创新和测试的概念模式压缩开发应对快速增长的模式。在过去的15年左右,测试模式压缩算法进化水平稳步增长实现压缩到今天的1000 x。算法压缩现在失去动力,需要新技术来控制测试时间。一个非常有前途的新方法是使用机器学习技术来帮助指导模式生成过程。初步实验结果显示显著减少测试模式。
在使用另一种方法,快速增长,减少测试时间从一个完全不同的角度问题。而不是试图进一步提高压缩算法,这个想法是为了修改设计本身,使其更加可测试的,因此需要更少的测试模式。这种方法涉及到做局部修改的小网表,称为测试点,增加特定内部的可控制性和可观测性信号。一般来说,您添加更多的测试点,减少测试模式就越大。
一个主要问题在使用测试点,然而,是他们实施增加的区域。不难得到3%到5%的面积开销实现所需的模式数减少。现在,由于每个测试点由一个失败驾驶盖茨添加到功能网,可以大大减少面积开销跨多个测试点通过分享失败。尽可能减少10倍面积开销是可能的。
然而,它是非常重要的,分享失败在身体紧密的测试点。没有physical-awareness,你最终拥挤混乱的电线是不可能的。Synopsys对此集成解决方案组成的望远镜DFT副词为测试点选择以及DFTMAX physically-aware测试点合成唯一避免了这个大问题。
没有尽头的测试曲线的挑战。继续测试解决方案创新无疑将需要跟上日益增长的设计规模和发展质量和可靠性要求。
|
|
|
|
|
|
|
|
|
留下一个回复