論文の概要: Conflict-driven Structural Learning Towards Higher Coverage Rate in ATPG
- arxiv url: http://arxiv.org/abs/2303.02290v1
- Date: Sat, 4 Mar 2023 01:50:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-07 20:33:35.502593
- Title: Conflict-driven Structural Learning Towards Higher Coverage Rate in ATPG
- Title（参考訳）: ATPGにおける高いカバレッジ率に向けた競合駆動型構造学習
- Authors: Hui-Ling Zhen, Naixing Wang, Junhua Huang, Xinyue Huang, Mingxuan Yuan
and Yu Huang
- Abstract要約: 本稿では,コンフリクト駆動型構造学習(C)ATPGアルゴリズムを提案する。
SATベースのATPGと比較すると、提案されたCDSLは平均25.6%の停止故障を94.51%の時間で減少させることができる。
- 参考スコア（独自算出の注目度）: 7.750468474116735
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the increasing challenges posed by the relentless rise in the design
complexity of integrated circuits, Boolean Satisfiability (SAT) has emerged as
a robust alternative to structural APTG techniques. However, the high cost of
transforming a circuit testing problem to a Conjunctive Normal Form (CNF)
limits the application of SAT in industrial ATPG scenarios, resulting in a loss
of test coverage. In Order to address this problem, this paper proposes a
conflict-driven structural learning (CDSL) ATPG algorithm firstly, in which the
conflict-driven heuristic methods in modern SAT solver are implemented on the
logic cone of fault propagation and activation directly. The proposed CDSL
algorithm is composed of three parts: (1) According to the implication graph,
various conflict constraints have been learned to prune search space. (2)
Conflict-driven implication and justification have been applied to increase
decision accuracy and solving efficiency. (3) A conflict-based diagnosis method
is further proposed in the case of low coverage debug, leading to making the
aborted faults testable by relaxing or modifying some constraints on primary
inputs. Extensive experimental results on industrial circuits demonstrate the
effectiveness and efficiency of the proposed CDSL algorithm. It is shown that
compared with the SAT-based ATPG, the proposed CDSL can on average decrease
$25.6\%$ aborted faults with $94.51\%$ less run time. With a two-stage
computational flow, it has shown that the proposed CDSL can lead to $46.37\%$
less aborted faults than a one-stage structural algorithm, further with the
$3.19\%$ improvement on fault coverage. In addition, the conflict diagnosis can
lead to $8.89\%$ less aborted faults on average, and $0.271\%$ improvement in
fault coverage rate.
- Abstract（参考訳）: 集積回路の設計の複雑さが絶え間なく増大する中で、構造APTG技術に対する堅牢な代替手段としてブーリアン・サチフィビリティ(SAT)が出現している。
しかし、回路試験問題をCNF(Conjunctive Normal Form)に変換するコストが高いため、工業ATPGシナリオにおけるSATの適用が制限され、テストカバレッジが失われる。
そこで本研究では,satソルバにおけるコンフリクト駆動ヒューリスティック手法を,障害伝播とアクティベーションの論理コーン上に直接実装したコンフリクト駆動構造学習(cdsl)atpgアルゴリズムを提案する。
提案したCDSLアルゴリズムは,(1)含意グラフによれば,探索空間を創出するために様々な競合制約が学習されている。
2) コンフリクト駆動の含意と正当化は, 意思決定精度の向上と効率向上に応用されている。
(3)低カバレッジデバッグではコンフリクトに基づく診断法がさらに提案され, 一次入力に対する制約を緩和あるいは修正することにより, 中断故障の検証が可能となった。
産業用回路の広範な実験結果から,提案するcdslアルゴリズムの有効性と効率を示す。
SATベースのATPGと比較すると、提案されたCDSLは平均25.6 %の停止故障を94.51 %の時間で減少させることができる。
2段階の計算フローにより、提案されたCDSLは、1段構造アルゴリズムよりも4,6.37 %$不足の少ない障害につながり、さらに3.19 %$故障カバレッジの改善が示される。
さらに、コンフリクト診断は平均で8.89 %$中止断層を減らし、0.271 %$フォールトカバレッジ率を改善させる。
関連論文リスト
- Peeking with PEAK: Sequential, Nonparametric Composite Hypothesis Tests for Means of Multiple Data Streams [38.04922933299814]
テストバイベッティングフレームワークの上に構築し、停止時間にまたがる非漸近的な$alpha$レベルのテストを提供します。
実験の結果,PEAKは停止前のサンプル数を最大85%削減できることがわかった。
論文 参考訳（メタデータ） (2024-02-09T01:11:34Z) - Provably Convergent Federated Trilevel Learning [19.15328400013401]
三段階学習は三段階最適化(TLO)とも呼ばれ、意思決定プロセスの強力なモデリングツールとして認識されている。
本稿では,TLO問題を解決するために,非同期なフェデレーショントリレベル最適化手法を提案する。
論文 参考訳（メタデータ） (2023-12-19T04:03:47Z) - Sub-linear Regret in Adaptive Model Predictive Control [56.705978425244496]
本稿では,STT-MPC (Self-Tuning tube-based Model Predictive Control) について述べる。
システム力学を最初に認識したアルゴリズムと比較して,アルゴリズムの後悔を解析する。
論文 参考訳（メタデータ） (2023-10-07T15:07:10Z) - Global Context Aggregation Network for Lightweight Saliency Detection of
Surface Defects [70.48554424894728]
我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。
まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。
3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
論文 参考訳（メタデータ） (2023-09-22T06:19:11Z) - One-Shot Online Testing of Deep Neural Networks Based on Distribution
Shift Detection [0.6091702876917281]
本研究では,1つのテストベクタのみを用いて,暗黙のクロスバー上で高速化されたNNをテストできるエミフォン・ショット・テスト手法を提案する。
私たちのアプローチは、いくつかの大きなトポロジにまたがる100%のフォールトカバレッジを一貫して達成できます。
論文 参考訳（メタデータ） (2023-05-16T11:06:09Z) - TransPath: Learning Heuristics For Grid-Based Pathfinding via
Transformers [64.88759709443819]
探索の効率を顕著に向上させると考えられる,インスタンス依存のプロキシを学習することを提案する。
私たちが最初に学ぶことを提案するプロキシは、補正係数、すなわち、インスタンスに依存しないコスト・ツー・ゴの見積もりと完璧な見積もりの比率である。
第2のプロキシはパス確率であり、グリッドセルが最も短いパスに横たわっている可能性を示している。
論文 参考訳（メタデータ） (2022-12-22T14:26:11Z) - Revisiting and Advancing Fast Adversarial Training Through The Lens of
Bi-Level Optimization [60.72410937614299]
提案手法は,2レベルAT(FAST-BAT)と呼ばれる新しいアルゴリズムセットの設計と解析である。
FAST-BATは、グラデーションサインメソッドや明示的なロバスト正規化を呼ぶことなく、符号ベースの投射降下(PGD)攻撃を防御することができる。
論文 参考訳（メタデータ） (2021-12-23T06:25:36Z) - LSDAT: Low-Rank and Sparse Decomposition for Decision-based Adversarial
Attack [74.5144793386864]
LSDATは、入力サンプルのスパース成分と対向サンプルのスパース成分によって形成される低次元部分空間における摂動を加工する。
LSDは画像ピクセル領域で直接動作し、スパース性などの非$ell$制約が満たされることを保証します。
論文 参考訳（メタデータ） (2021-03-19T13:10:47Z) - SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。
効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。
構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
論文 参考訳（メタデータ） (2020-07-26T12:32:38Z) - Making Convolutions Resilient via Algorithm-Based Error Detection
Techniques [2.696566807900575]
畳み込みニューラルネットワーク(CNN)はリアルタイムテレメトリを正確に処理する。
CNNはハードウェア障害がある場合、正しく実行しなければならない。
完全な重複は必要な保証を提供するが、100%オーバーヘッドを引き起こす。
論文 参考訳（メタデータ） (2020-06-08T23:17:57Z) - TEASER: Fast and Certifiable Point Cloud Registration [30.19476775410544]
最初の高速かつ堅牢な3Dポイントの登録アルゴリズムは、大量の外れ値の存在下での3Dポイントの登録である。
TEASER++という名前の第二の高速で堅牢な認証翻訳は、大規模なサブプロブレムを解決するために、既成の非コンポーネントを使用する。
論文 参考訳（メタデータ） (2020-01-21T18:56:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。