파운드리에서 들어오는 완성된 칩은 일련의 테스트를 거칩니다. 자동차의 중요한 시스템을 대상으로 하는 테스트의 경우 이러한 테스트는 특히 광범위하며 칩 비용에 5~10%를 추가할 수 있습니다. 하지만 정말로 모든 단일 테스트를 수행해야 합니까?
엔지니어 NXP 개발했습니다 기계 학습 테스트 결과의 패턴을 학습하고 실제로 필요한 테스트 하위 집합과 없이도 안전하게 수행할 수 있는 테스트를 파악하는 알고리즘입니다. NXP 엔지니어들은 프로세스를 설명했습니다. IEEE 국제 테스트 컨퍼런스 지난주 샌디에고에서.
NXP는 복잡한 회로와 첨단 칩 제조 기술인버터 포함 EV 모터가전제품용 오디오 칩, 자동차 보안을 위한 전자열쇠 트랜스폰더 등이 있습니다. 이러한 칩은 실패 시 계속이라는 테스트 프로세스에서 다양한 전압과 다양한 온도에서 다양한 신호로 테스트됩니다. 이 과정에서 칩은 그룹별로 테스트되며 일부 부품이 일부 테스트에 실패하더라도 전체 배터리에 적용됩니다.
칩은 41~164번의 테스트를 거쳤으며 알고리즘은 해당 테스트의 42~74%를 제거하도록 권장할 수 있었습니다.
“우리는 현장에서 엄격한 품질 요구 사항을 보장해야 하므로 많은 테스트를 수행해야 합니다.”라고 말합니다. 메훌 슈로프연구를 주도한 NXP 연구원입니다. 그러나 칩의 실제 생산과 포장의 상당 부분이 다른 회사에 아웃소싱되므로 테스트는 대부분의 칩 회사가 비용을 통제할 수 있는 몇 안 되는 손잡이 중 하나입니다. “우리가 여기서 하려고 했던 것은 통계적으로 엄격하고 현장 품질을 저하시키지 않으면서 좋은 결과를 제공하는 방식으로 테스트 비용을 줄이는 방법을 찾아내는 것입니다.”
테스트 추천 시스템
Shroff는 문제가 기계 학습 기반 문제와 특정 유사점을 가지고 있다고 말합니다. 추천 시스템 전자상거래에 사용됩니다. “우리는 데이터 분석가가 영수증을 보고 사람들이 어떤 품목을 함께 구매하는지 확인할 수 있는 소매 업계에서 개념을 취했습니다.”라고 그는 말합니다. “거래 영수증 대신 고유 부품 식별자가 있고 소비자가 구매할 품목 대신 실패한 테스트 목록이 있습니다.”
그런 다음 NXP 알고리즘은 어떤 테스트가 함께 실패하는지 발견했습니다. 물론, 빵 구매자가 버터를 사고 싶어할지 여부에 영향을 미치는 것은 특정 온도에서 자동차 부품을 테스트하면 다른 테스트를 수행할 필요가 없다는 의미와 상당히 다릅니다. “우리는 100% 또는 거의 100%에 가까운 확실성을 가져야 합니다.”라고 Shroff는 말합니다. “우리는 소매 업계와 비교하여 통계적 엄격함과 관련하여 다른 공간에서 운영되지만 동일한 개념을 차용하고 있습니다.”
결과가 엄격하기 때문에 Shroff는 그 결과에만 의존해서는 안된다고 말합니다. 그는 “엔지니어링 관점에서 이해가 되고 기술적인 측면에서 이해할 수 있는지 확인해야 합니다”라고 말합니다. “그럼 테스트를 제거해 보세요.”
Shroff와 그의 동료들은 고급 칩 제조 공정을 사용하여 구축된 7개의 마이크로 컨트롤러와 애플리케이션 프로세서를 테스트하여 얻은 데이터를 분석했습니다. 어떤 칩이 관련되어 있는지에 따라 41~164번의 테스트를 거쳤으며 알고리즘은 해당 테스트의 42~74%를 제거하도록 권장할 수 있었습니다. 분석을 다른 유형의 칩 데이터로 확장하면 테스트를 다듬을 수 있는 기회가 훨씬 더 넓어졌습니다.
이 알고리즘은 현재 파일럿 프로젝트이며 NXP 팀은 이를 더 광범위한 부품 세트로 확장하고 계산 오버헤드를 줄이며 사용하기 쉽게 만드는 방법을 모색하고 있습니다.
