机器学习可能意味着更少的芯片测试
作者：Samuel K. Moore
来自代工厂的成品芯片要经过一系列测试。对于那些用于汽车关键系统的芯片来说，这些测试尤其广泛，可能会使芯片的成本增加 5% 到 10%。但你真的需要做每一个测试吗？
工程师于恩智浦已经开发出一种机器学习算法可以学习测试结果的模式，并找出真正需要的测试子集以及可以安全地不需要的测试子集。恩智浦工程师在会上描述了该过程IEEE国际测试会议上周在圣地亚哥。
恩智浦生产各种具有复杂电路和先进的芯片制造技术，包括逆变器电动汽车电机，音频芯片消费电子产品和钥匙扣应答器来保护您的汽车。这些芯片在称为“失败时继续”的测试过程中，在不同电压和不同温度下使用不同信号进行测试。在此过程中，芯片会进行分组测试，并且全部接受完整电池的测试，即使某些部件在此过程中未能通过某些测试。
芯片经过 41 到 164 项测试，算法能够建议删除 42% 到 74% 的测试。
“我们必须确保现场严格的质量要求，因此我们必须进行大量测试，”说梅胡尔·史罗夫，领导这项研究的恩智浦研究员。但由于芯片的大部分实际生产和封装都外包给其他公司，测试是大多数芯片公司可以用来控制成本的少数手段之一。“我们在这里试图做的是想出一种方法来降低测试成本，这种方法在统计上是严格的，并且在不影响现场质量的情况下给我们带来了良好的结果。”
测试推荐系统
Shroff 表示，这个问题与基于机器学习的问题有一定的相似之处。推荐系统用于电子商务。“我们从零售界借鉴了这个概念，数据分析师可以查看收据并了解人们一起购买的商品，”他说。– 我们拥有唯一的部件标识符，而不是交易收据，并且我们拥有失败测试列表，而不是消费者将购买的商品。 –
然后，恩智浦算法发现哪些测试同时失败。当然，面包购买者是否愿意购买黄油的问题与在特定温度下对汽车零部件进行测试是否意味着不需要进行其他测试的问题有很大不同。“我们需要 100% 或接近 100% 的确定性，”Shroff 说。“与零售界相比，我们在统计严格性方面处于不同的领域，但它借用了相同的概念。”
史洛夫表示，尽管结果非常严格，但我们不应该仅仅依赖这些结果。他说，你必须“确保它从工程角度来看是有意义的，并且你可以用技术术语来理解它”。– 只有这样，才能删除测试。 –
Shroff 和他的同事分析了测试使用先进芯片制造工艺构建的七个微控制器和应用处理器所获得的数据。根据涉及的芯片，它们接受了 41 到 164 项测试，算法能够建议删除其中 42% 到 74% 的测试。将分析扩展到其他类型芯片的数据带来了更广泛的削减测试的机会。
该算法目前是一个试点项目，恩智浦团队正在寻求将其扩展到更广泛的部分，减少计算开销，并使其更易于使用。
关于《机器学习可能意味着更少的芯片测试》的评论
暂无评论