Studierender: Helmut Ngawa
Betreuer: Matthias Kampmann
Kurzfassung
Die ständig wachsende technologische Entwicklung ermöglicht es, immer mehr Kompo- nenten auf einem Schaltkreis (engl. IC) zu integrieren. Durch diesen Fortschritt entstehen allerdings aufgrund der Miniaturisierung weitere Arten von Defekten. Kleine Verzöge- rungsfehler (engl. Small Delay Fault, SDF), die kleine Verzögerungsdefekte (engl. Small Delay Defect, SDD) modellieren, weisen auf einen möglichen frühzeitigen Ausfall des Systems (engl. Early Life Failure, ELF) hin.
Es gibt SDFs, die mit der nominalen Taktfrequenz des Systems nicht erkannt wer- den können, da sie zu klein sind, oder alle Pfade einen zu großen Slack haben. Sie werden als versteckte kleine Verzögerungsfehler (engl. Hidden Delay Fault, HDF) bezeichnet. Zur Detektion von HDF wird der Test mit erhöhter Betriebsfrequenz (engl. Faster-At-Speed Test, FAST) verwendet, d. h. das System wird im Lauf des Tests übertaktet. FAST ist ein effizientes Verfahren, um alle HDFs zu erkennen. Eine Herausforderung von FAST ist, dass zum Abtastzeitpunkt manche Ausgänge in einem unbekannten Zustand sind. Diese unbekannten logischen Werte werden als X-Werte bezeichnet. Die Anzahl an X-Werten hängt vom Abtastzeitpunkt ab. Um weiter unter FAST arbeiten zu können, werden die X-Werte kompaktiert, um möglichst X-freie Daten zu gewinnen. Dies macht FAST zu einem teuren Testverfahren.
Ein naives Testverfahren testet für alle Beobachtungszeitpunkte die vollständige Testmustermenge. Dies ist jedoch sehr teuer. Sinnvoll wäre es, nur eine Teilmenge der initialen Testmustermenge für einen bestimmten Abtastzeitpunkt auszuwählen, sodass immer noch alle HDFs für den gewählten Beobachtungspunkt erkannt werden. Dieses Problem ist NP-vollständig und somit schwer zu lösen. Es existieren schon Verfahren, die dieses Problem lösen, ohne Rücksicht auf X-Werte zu nehmen. In dieser Arbeit werden weitere Verfahren entwickelt, die dieses Problem noch geschickter lösen und zusätzlich die Anzahl der resultierenden X-Werte berücksichtigen.
Genetische Algorithmen (GA), die in vielen Bereichen unter anderem in der Auto- mobilindustrie eingesetzt werden, sind metaheuristische Verfahren zur Lösung sehr kom- plexer Optimierungsprobleme. Auch in dieser Arbeit wird ein GA erfolgreich umgesetzt. Die Ergebnisse dieses GA werden anhand von drei Faktoren gemessen: der verstrichenen Zeit, um die Lösung zu finden, der Anzahl der gefundenen Testmuster und der Anzahl der resultierenden X-Werte. Dieser GA lässt sich sehr genau steuern, sodass durch geeignete Parametereinstellungen je nach Wunsch einer dieser Faktoren optimiert werden kann.
Die Ergebnisse bestätigen in den meisten Fällen eine Verbesserung des Zeitauf- wands von ungefähr 75 %. Bezüglich der Anzahl an Testmustern nähern sich die Ergeb- nisse um circa 2 % der optimalen Lösung und bezüglich der Anzahl der X-Werte sind die Ergebnisse um circa 4 % besser als die Referenz. Als Referenz wird ein optimaler Hypergraph-Algorithmus verwendet.