Studierender: Jan van den Heuvel
Betreuer: Alexander Sprenger
Kurzfassung
Mit der zunehmenden Verdichtung von Schaltungsstrukturen in der Chipentwicklung treten ungewollte Wechselwirkungen benachbarter Leitungen immer häufiger auf. Dieses auch als Übersprechen bezeichnete Phänomen kann im Betrieb kleine Verzögerungsfeh- ler verursachen. Verzögerungen können allerdings auch durch Prozessvariationen (z. B. Unregelmäßigekeiten der Kanallänge der Transistoren) hervorgerufen werden. Während Übersprechen jedoch zu einer erhöhten Stromaufnahme und damit einer möglicherweise beschleunigten Alterung führt, ist dies bei Prozessvariationen nicht der Fall. Chips, bei denen Verzögerungen ausschließlich auf Prozessvariationen zurückzuführen sind, können also eventuell noch für andere, weniger anspruchsvolle Anwendungen genutzt werden. Zur Unterscheidung der Ursache von Verzögerungen werden hier daher Messungen in ver- schiedenen Arbeitspunkten einbezogen. Ein Arbeitspunkt kennzeichnet sich dabei durch eine Temperatur und eine Versorgungsspannung. Anhand dieser Messungen soll dann mithilfe eines künstlichen neuronalen Netzes bestimmt werden, ob es bei diesem Chip zu Übersprechen kommt oder nicht. In dieser Arbeit werden dazu sowohl vollständig verbundene neuronale Netze als auch Convolutional Neural Networks untersucht. Außerdem wird mit Blick auf praktische Anwendungen untersucht, auf welche Messungen möglicherweise verzichtet werden kann und wie sich eine solche Reduktion der Eingangs- daten (Feature Reduction) auf die Zuverlässigkeit der Klassifizierungen auswirkt.
Es konnte gezeigt werden, dass es prinzipiell möglich ist, anhand von Messungen in unterschiedlichen Arbeitspunkten und der Verwendung neuronaler Netze Übersprechen als Ursache für Verzögerungen zu identifizieren bzw. auszuschließen. Insbesondere bei kleinen Schaltkreisen wie der Benchmark-Schaltung s27 wurden Genauigkeiten von etwa 99% erreicht. Als besonders geeignet für diese Problemstellung stellten sich dabei voll- ständig verbundene Netze heraus. Auch nach einer massiven Feature Reduction konnten weiterhin zufriedenstellende (teils sogar verbesserte) Ergebnisse erzielt werden.