針對自動產生之測試圖樣的高速且低儲存空間之功率與溫度預測

Abstract

測試晶片時的高功率會對測試中的晶片造成熱損傷。因此我們需要進行功率分析和溫度分析以確保自動測試圖樣產生時的熱安全性。因為自動測試圖樣由許多的週期(cycle)組成，我們需要大量的執行時間以及大量的硬碟儲存空間來完成前述的分析。在本論文中，我們針對晶片測試，提出功率預測和溫度預測的方法。為了節省預測所需的執行時間，我們使用多個機器學習模型進行功率預測，以及使用 decay surface model進行溫度預測。為了節省硬碟儲存空間，我們使用正反器的邏輯值來建立機器學習模型的輸入特徵，因此我們不需要執行閘位準邏輯模擬來獲得組合電路的邏輯值。對於功率預測，我們的平均絕對百分比誤差（MAPE）小於百分之八。對於溫度預測，我們的平均絕對誤差（MAE）小於攝氏1.2度。本論文使大量的自動測試圖樣之瞬態溫度分析變得可行。對比傳統方法，我們的執行速度達到了75倍的加速，我們所需的硬碟儲存空間則減少了118倍。我們的功率預測及溫度預測可被用於不同的測試速度。因此我們的技術可在最佳化測試時間的同時，確保測試時的熱安全性。

High test power causes thermal damage to chips under test. We need power and thermal analyses to ensure thermal safety of ATPG patterns. This requires long runtime and large disk storage because there are many cycles in ATPG patterns. In this thesis, we propose power and thermal predictions for test applications. To save runtime, we use multiple ML models and decay surface models for power and thermal predictions, respectively. To save storage, we build features from flip-flop values, so we don’t need internal logic values from gate-level simulation. Our mean absolute percentage error (MAPE) for power prediction is less than 8%. Our mean absolute error (MAE) for thermal prediction is less than 1.2℃. We enable transient thermal analysis of long ATPG patterns, with 75X runtime speedup and 118X storage reduction. Our predictions are scalable with test speed, so they can be used to optimize test time while ensuring thermal safety.