Alexander Sprenger, Somayeh Sadeghi-Kohan und Jan Dennis Reimer erhielten im Rahmen des 33rd IEEE International Symposium on Defect and Fault Tolerance in VLSI and Nanotechnology Systems (DFTS20) einen Outstanding Student Paper Award für ihren Beitrag Variation-Aware Test for Logic Interconnects using Neural Networks – A Case Study.
Verbindungsfehler in modernen Mikrosystemen, wie z.B. das Übersprechen von zwei benachbarten Verbindungsleitungen, können zu kleinen Verzögerungsfehlern führen und Alterungseffekte wie Elektromigration verstärken. Während sich Verbindungsfehler zwischen einzelnen Modulen des Mikrosystems direkt beobachten lassen, können Verbindungsfehler innerhalb der kombinatorischen Schaltungen des Mikrosystems nur schwer aktiviert und beobachtet, und außerdem durch herstellungsbedingte Prozessvariationen überlagert werden. Um die sicherheitskritischen Verbindungsfehler von weniger kritischen Prozessvariationen unterscheiden zu können, wird in dieser Arbeit eine KI-basierte Methode vorgestellt. Durch den Test in verschiedenen Arbeitspunkten wird zunächst das Zeitverhalten der getesteten Schaltung charakterisiert und als zweidimensionales Zeitdiagramm dargestellt. Dieses wird anschließend mit Hilfe eines künstlichen neuralen Netzes klassifiziert. So ist es möglich die Zuverlässigkeit des Mikrosystems zu steigern und gleichzeitig eine hohe Ausbeute zu garantieren.
