論文の概要: DEFT: Differentiable Automatic Test Pattern Generation

• arxiv url: http://arxiv.org/abs/2512.23746v1
• Date: Fri, 26 Dec 2025 16:47:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.13124
• Title: DEFT: Differentiable Automatic Test Pattern Generation
• Title（参考訳）: DEFT: 微分可能な自動テストパターン生成
• Authors: Wei Li, Yan Zou, Yixin Liang, José Moura, Shawn Blanton,
• Abstract要約: DEFT(Disfferentiable Automatic Test Pattern Generation)は、離散ATPG問題を連続最適化タスクとして再構成する新しいATPG手法である。 HTDの障害検出を21.1%改善し、同じパターン予算のランタイムで平均48.9%向上した。 これらの結果から、DEFTは有望で効果的なATPGエンジンであり、既存のATPGエンジンを補完する価値があることが示された。
• 参考スコア（独自算出の注目度）: 2.5544566098297397
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern IC complexity drives test pattern growth, with the majority of patterns targeting a small set of hard-to-detect (HTD) faults. This motivates new ATPG algorithms to improve test effectiveness specifically for HTD faults. This paper presents DEFT (Differentiable Automatic Test Pattern Generation), a new ATPG approach that reformulates the discrete ATPG problem as a continuous optimization task. DEFT introduces a mathematically grounded reparameterization that aligns the expected continuous objective with discrete fault-detection semantics, enabling reliable gradient-based pattern generation. To ensure scalability and stability on deep circuit graphs, DEFT integrates a custom CUDA kernel for efficient forward-backward propagation and applies gradient normalization to mitigate vanishing gradients. Compared to a leading commercial tool on two industrial benchmarks, DEFT improves HTD fault detection by 21.1% and 48.9% on average under the same pattern budget and comparable runtime. DEFT also supports practical ATPG settings such as partial assignment pattern generation, producing patterns with 19.3% fewer 0/1 bits while still detecting 35% more faults. These results indicate DEFT is a promising and effective ATPG engine, offering a valuable complement to existing heuristic.
• Abstract（参考訳）: 現代のIC複雑性はテストパターンの成長を加速させ、ほとんどのパターンはHTD(Hand-to-Detect)の小さなセットをターゲットにしている。 これにより、新しいATPGアルゴリズムを動機付け、HTD故障に対するテストの有効性を向上させる。 本稿では、離散ATPG問題を連続最適化タスクとして再構成する新しいATPG手法であるDEFT(Disfferentiable Automatic Test Pattern Generation)を提案する。 DEFTは、予測された連続目標と離散的な故障検出セマンティクスとを一致させる数学的に基底化されたパラメータ化を導入し、信頼性の高い勾配に基づくパターン生成を可能にした。 ディープ・サーキットグラフのスケーラビリティと安定性を確保するため、DEFTは独自のCUDAカーネルを統合して効率的な前方伝播を行い、勾配正規化を適用して消滅勾配を緩和する。 2つの産業ベンチマークにおける主要な商用ツールと比較して、DEFTはパターン予算と同等のランタイムで平均21.1%と48.9%のHTD障害検出を改善している。 DEFTはまた、部分割り当てパターン生成のような実践的なATPG設定をサポートし、19.3%の0/1ビットのパターンを生成すると同時に、さらに35%の障害を検出する。 これらの結果から、DEFTは有望で効果的なATPGエンジンであり、既存のヒューリスティックを補完する価値のあるものであることが示唆された。

関連論文リスト

• InF-ATPG: Intelligent FFR-Driven ATPG with Advanced Circuit Representation Guided Reinforcement Learning [8.209775154399132]
  InF-ATPGはインテリジェントなFFR駆動のATPGフレームワークで、RLを誘導するためにアドバンスト回路表現を使用する。 InF-ATPGは、従来の手法と比較して平均55.06%、機械学習アプローチでは38.31%のバックトラックを減少させる。
  論文  参考訳（メタデータ） (2025-11-25T09:02:20Z)
• Transition Models: Rethinking the Generative Learning Objective [68.16330673177207]
  有限時間間隔で状態遷移を解析的に定義する連続時間力学方程式を導入する。 これは、任意のステップ遷移に適応する新しい生成パラダイムである遷移モデル(TiM)をもたらす。 TiMは最先端のパフォーマンスを達成し、SD3.5 (8Bパラメータ)やFLUX.1 (12Bパラメータ)といった主要なモデルを超える。
  論文  参考訳（メタデータ） (2025-09-04T17:05:59Z)
• AutoFT: Learning an Objective for Robust Fine-Tuning [60.641186718253735]
  ファンデーションモデルは、微調整によって下流タスクに適応できるリッチな表現をエンコードする。 手作り正則化技術を用いた頑健な微調整への最近のアプローチ 我々は、堅牢な微調整のためのデータ駆動型アプローチであるAutoFTを提案する。
  論文  参考訳（メタデータ） (2024-01-18T18:58:49Z)
• Optimization-Free Test-Time Adaptation for Cross-Person Activity Recognition [30.350005654271868]
  Test-Time Adaptationは、テストストリームを使用して、リアルタイムの推論で予測を調整することを目的としている。 計算コストが高いため、リソース制約のあるエッジデバイス上での動作が困難になる。 センサベースHARのための最適化自由テスト時間適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-28T02:20:33Z)
• DiffNAS: Bootstrapping Diffusion Models by Prompting for Better Architectures [63.12993314908957]
  そこで我々は,DiffNASと呼ばれるベースモデル探索手法を提案する。 GPT-4をスーパーネットとして利用して検索を高速化し,検索メモリを補足して結果を向上する。 厳密な実験により,GPTに基づくシナリオでは,探索効率を2倍に向上できることが示された。
  論文  参考訳（メタデータ） (2023-10-07T09:10:28Z)
• TSI-GAN: Unsupervised Time Series Anomaly Detection using Convolutional Cycle-Consistent Generative Adversarial Networks [2.4469484645516837]
  異常検出は、ネットワーク侵入検知、自律運転、診断、クレジットカード詐欺などに広く用いられている。 本稿では、複雑な時間パターンを自動的に学習できる時系列の教師なし異常検出モデルであるTSI-GANを提案する。 提案手法は,250個の高度・厳密なデータセットを用いてTSI-GANを評価し,最先端の8つのベースライン手法と比較した。
  論文  参考訳（メタデータ） (2023-03-22T23:24:47Z)
• DeepFT: Fault-Tolerant Edge Computing using a Self-Supervised Deep Surrogate Model [12.335763358698564]
  本稿では,システム過負荷とその悪影響を積極的に回避するためにDeepFTを提案する。 DeepFTは、システム内の障害を正確に予測し、診断するために、ディープサロゲートモデルを使用している。 モデルのサイズが1ユニットあたりわずか3～1%のスケールで、アクティブなタスクやホストの数が増えるため、非常にスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2022-12-02T16:51:58Z)
• 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)

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。