CAFE & Test

Contexte scientifique

Les capacités d'intégration offertes par les technologies CMOS actuelles à l'échelle nanométrique permettent la fabrication de systèmes à signaux mixtes complets et très complexes sur une seule puce. Cependant, les processus de fabrication sont sujets à des imperfections et à des défauts qui peuvent dégrader - parfois de manière catastrophique - la fonctionnalité prévue des circuits fabriqués. Des tests de production approfondis sont alors nécessaires pour séparer ces pièces défectueuses ou peu fiables des dispositifs fonctionnellement corrects. Malheureusement, la co-intégration de blocs de nature très différente (analogique, signaux mixtes, numérique, RF, MEMS, etc.) ainsi que l'accès limité aux nœuds internes d'un système intégré font du test de ces dispositifs une tâche très difficile et coûteuse.

Les méthodes d'essai standard pour les circuits analogiques, à signaux mixtes et RF (AMS-RF) sont basées sur la mesure directe des spécifications de circuits complexes, en s'appuyant sur l'utilisation d'équipements d'essai dédiés coûteux. Le test des blocs AMS-RF intégrés dans des systèmes complexes est devenu une tâche difficile, coûteuse et chronophage qui a été identifiée comme l'un des principaux goulets d'étranglement dans la production des systèmes intégrés actuels et futurs.

Positionnement du projet

Le test basé sur l'apprentissage automatique, également connu sous le nom de test indirect ou test alternatif, est une stratégie prometteuse pour surmonter ces problèmes. Le test indirect réduit la complexité et le coût des tests de production en remplaçant les tests fonctionnels conventionnels sur la ligne de production par un ensemble d'observations indirectes peu coûteuses, souvent appelées signatures. Les résultats des tests sont ensuite déduits par post-traitement de ces signatures en construisant des modèles de régression multidimensionnels non linéaires. L'idée sous-jacente est que les signatures sont plus faciles à mesurer que les spécifications et peuvent être extraites à l'aide d'un équipement peu coûteux ou, plus avantageusement encore, à l'aide de simples instruments d'essai sur puce qui peuvent être intégrés au dispositif à tester. En d'autres termes, le test indirect permet naturellement un auto-test intégré (BIST) efficace et pratique pour les circuits AMS-RF. La combinaison de tests basés sur l'apprentissage automatique et d'instruments de test intégrés peut permettre de surmonter de nombreux problèmes liés aux tests AMS-RF actuels.

En outre, il convient de noter que les techniques AMS-RF BIST, si elles sont réalisables, ne réduisent pas seulement la complexité et le coût des tests sur la ligne de production, mais elles permettent des caractéristiques intéressantes telles que les tests sur le terrain, les tests en ligne, les capacités de diagnostic, l'auto-étalonnage adaptatif et l'autoréparation qui peuvent avoir un impact socio-économique considérable dans de nombreuses applications différentes. En effet, ces caractéristiques sont des attributs clés pour les circuits déployés dans des applications qui exigent une grande fiabilité (par exemple, environnements difficiles, systèmes à accès limité ou impossible), ou qui sont critiques en termes de sécurité (par exemple, automobile, avionique, espace, soins de santé).

Objectifs

Dans le cadre de l'axe de recherche Advanced Data Mining du Labex PERSYVAL, le projet exploratoire proposé rassemble l'expertise de concepteurs microélectroniques, d'ingénieurs de test et de mathématiciens spécialisés dans l'exploration de données dans le but d'explorer, d'identifier et de développer des méthodologies systématiques pour des stratégies de test indirectes intégrées fiables et précises pour les systèmes complexes AMS-RF. À cette fin, le projet s'articule autour de la collaboration de trois institutions de recherche : laboratoire TIMA, Grenoble, France (Unité Mixte de Recherche 5159), IMSE-CNM, Séville, Espagne (Centro Mixto Universidad de Sevilla - CSIC), et LIRIS, Lyon, France (UMR 5205).

Activités et actualités

Séminaire Réseaux bayésiens et inférence causale

• Par le Prof. Alexander Aussem, LIRIS, Lyon (3-4-2016).
• Résumé : L'objectif central de nombreuses études en sciences sociales et médicales est l'élucidation des relations de cause à effet entre des variables ou des événements. Bien que la méthodologie appropriée pour extraire de telles relations causales des données reste une question ouverte (et férocement débattue), les modèles graphiques fournissent un moyen simple et pratique de communiquer des affirmations causales. Le diagramme causal représente la compréhension qu'a l'enquêteur des influences causales entre les quantités mesurables - mais partiellement observées - dans le domaine. Dans cet exposé, je passe en revue les bases de l'inférence causale dans un modèle graphique et je démontre, à l'aide d'exemples simples, comment les phénomènes causaux non triviaux, les paradoxes et les controverses dans l'analyse causale peuvent être compris, illustrés et analysés à l'aide du do-calcul développé par Judea Pearl. Je montre également comment les mécanismes de biais de sélection et de données manquantes peuvent être représentés dans le graphique et je discute des conditions dans lesquelles des déductions causales (ou probabilistes) cohérentes peuvent être faites à partir de tels ensembles de données corrompues.

Publications

G. Leger and M. J. Barragan, "Questioning the reliability of Monte Carlo simulation for machine learning test validation," 2016 21th IEEE European Test Symposium (ETS), Amsterdam, 2016, pp. 1-6.

G. Leger and M. J. Barragan, "Brownian distance correlation-directed search: Afast feature selection technique for alternate test," Integration, the VLSI Journal, vol. 55, September 2016, pp- 401-414

M. J. Barragan, G. Leger, A. Gines, E. Peralias, A. Rueda, "On the limits of machine learning-based test: a calibrated mixed-signal system case study," Design Automation and Test in Europe 2017 (DATE'17), accepted for publication.