Method for Reducing the Dimension of Training Sets at Constructing Neuromorphic Fault Dictionary for Analog Integrated Circuits

 
Mosin S.G. (Kazan Federal University)
 
Abstract - Machine learning methods are actively used for the construction of neuromorphic fault dictionaries (NFD), which provide diagnostics of faults in analog and mixed-signal integrated circuits in the associative mode. Many problems of a neural network training associated with a large amount of raw data can be solved by reducing the dimension of training sets and using only significant char-acteristics for training purpose. Entropy-based method is proposed for selecting the essential characteristics of a training set, as well as a cor-responding algorithm is developed. The study of the proposed method is performed for the benchmark circuit of the Sallen-Key analog filter. The results of experimental studies demonstrate the high efficiency of the proposed method. The application of the proposed method has provided a reduction in the dimension of the training set by selecting the sufficient coefficients in 7.8 times and reducing the training time by 192 times, while demonstrating a high level of fault coverage. The resulting NFD provides coverage up to 100% of individual faults and up to 99.7% of the overall fault coverage for the filter. The proposed method can be integrated into the design-for-testability flow for analog and mixed-signal ICs.

Keywords - fault diagnostics, neuromorphic fault dictionary, analog integrated circuits, entropy, machine learning, design automation.

Метод снижения размерности обучающих наборов при построении нейроморфного справочника неисправностей для аналоговых интегральных схем

 
Мосин С.Г. (Казанский федеральный университет, г. Казань)
 
Аннотация - Методы машинного обучения активно используются для построения нейроморфных справочников неисправностей (НСН), которые обеспечивают диагностику неисправностей аналоговых и смешанных интегральных схем в ассоциативном режиме. Многие проблемы обучения нейронной сети, связанные с большим объемом исходных данных, могут быть решены путем уменьшения размеров обучающих наборов и использования в них только существенных характеристик. В статье предложен метод, основанный на вычислении энтропии, для выбора существенных характеристик обучающего набора, разработан соответствующий алгоритм. Представлены результаты экспериментальных исследований для аналогового фильтра, которые демонстрируют высокую эффективность предлагаемого метода: снижение времени обучения нейронной сети в 192 раза, покрытие полученным НСН до 95.0% катастрофических и до 84.81% параметрических неисправностей.

Ключевые слова - диагностика неисправностей, нейроморфный справочник неисправностей, аналоговые ИС, энтропия, машинное обучение, автоматизация проектирования