Las virutas terminadas que llegan de la fundición están sujetas a una serie de pruebas. Para aquellos destinados a sistemas críticos en automóviles, esas pruebas son particularmente extensas y pueden agregar entre un 5 y un 10 por ciento al costo de un chip. ¿Pero realmente necesitas hacer todas y cada una de las pruebas?
Ingenieros en NXP han desarrollado un aprendizaje automático Algoritmo que aprende los patrones de los resultados de las pruebas y determina el subconjunto de pruebas que realmente se necesitan y aquellas de las que se podría prescindir con seguridad. Los ingenieros de NXP describieron el proceso en el Conferencia internacional de pruebas IEEE en San Diego la semana pasada.
NXP fabrica una amplia variedad de chips con circuitos complejos y tecnología avanzada de fabricación de chipsincluidos inversores para motores eléctricoschips de audio para electrónica de consumoy transpondedores de llavero para proteger su automóvil. Estos chips se prueban con diferentes señales a diferentes voltajes y temperaturas en un proceso de prueba llamado continuación en caso de falla. En ese proceso, los chips se prueban en grupos y todos se someten a la batería completa, incluso si algunas piezas fallan algunas de las pruebas a lo largo del camino.
Los chips fueron sujetos a entre 41 y 164 pruebas, y el algoritmo pudo recomendar eliminar entre el 42 y el 74 por ciento de esas pruebas.
“Tenemos que garantizar estrictos requisitos de calidad en el campo, por lo que tenemos que realizar muchas pruebas”, cube Mehul Shroffun becario de NXP que dirigió la investigación. Pero como gran parte de la producción y el embalaje de chips se subcontratan a otras empresas, las pruebas son uno de los pocos controles a los que la mayoría de las empresas de chips pueden recurrir para controlar los costos. “Lo que estábamos tratando de hacer aquí es encontrar una manera de reducir el costo de las pruebas de una manera que fuera estadísticamente rigurosa y nos diera buenos resultados sin comprometer la calidad del campo”.
Un sistema de recomendación de pruebas
Shroff cube que el problema tiene ciertas similitudes con el sistema basado en aprendizaje automático. sistemas de recomendación utilizado en el comercio electrónico. “Tomamos el concepto del mundo minorista, donde un analista de datos puede mirar los recibos y ver qué artículos compran las personas juntas”, cube. “En lugar de un recibo de transacción, tenemos un identificador de pieza único y, en lugar de los artículos que compraría un consumidor, tenemos una lista de pruebas fallidas”.
Luego, el algoritmo NXP descubrió qué pruebas fallan juntas. Por supuesto, lo que está en juego para determinar si un comprador de pan querrá comprar mantequilla es muy diferente de si una prueba de una pieza de automóvil a una temperatura explicit significa que no es necesario realizar otras pruebas. “Necesitamos tener una certeza del 100 por ciento o casi del 100 por ciento”, cube Shroff. “Operamos en un espacio diferente con respecto al rigor estadístico en comparación con el mundo minorista, pero toma prestado el mismo concepto”.
Por rigurosos que sean los resultados, Shroff cube que no se debe confiar en ellos por sí solos. Hay que “asegurarse de que tenga sentido desde la perspectiva de la ingeniería y que se pueda entender en términos técnicos”, afirma. “Sólo entonces, retira la prueba”.
Shroff y sus colegas analizaron los datos obtenidos al probar siete microcontroladores y procesadores de aplicaciones construidos utilizando procesos avanzados de fabricación de chips. Dependiendo del chip involucrado, fueron sujetos a entre 41 y 164 pruebas, y el algoritmo pudo recomendar eliminar entre el 42 y el 74 por ciento de esas pruebas. Ampliar el análisis a datos de otros tipos de chips generó una gama aún más amplia de oportunidades para recortar las pruebas.
El algoritmo es un proyecto piloto por ahora y el equipo de NXP busca expandirlo a un conjunto más amplio de partes, reducir la sobrecarga computacional y hacerlo más fácil de usar.
De los artículos de su sitio
Artículos relacionados en la Internet
