Geração de testes indiretos de circuitos analógicos baseados em aprendizado de máquina utilizando simulações SPICE

• Autor(a) principal: Ferreira, Állan Fabrício Garcia
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/262160
• topic: Circuitos analógicos; Ensaios (Engenharia); Aprendizado de máquina; Analog ICs; Test generation; Indirect test; Machine learning

Em CIs analógicos, uma parte significativa do preço final do produto é concentrado na etapa de teste, principalmente quando o teste funcional é utilizado. A alta qualidade desse tipo de teste se dá pela verificação de todas as especificações do circuito. Para tanto, são usados equipamentos de testes automatizados caros que possuem instrumentos de alta resolução e demandam longos tempos de teste. Uma alternativa na busca da diminuição do custo gerado pelo teste funcional é o teste indireto. Nessa técnica, os parâmetros funcionais de um determinado circuito são estimados a partir de um conjunto de medidas de baixo custo. Neste trabalho, é proposto um método para geração de testes indiretos de circuitos analógicos baseados em aprendizado de máquina. Ele visa apontar quais medidas indiretas (MIs) e algoritmos de aprendizado são os mais adequados para implementação do teste indireto de um determinado circuito. O objetivo é auxiliar o engenheiro de teste a avaliar a viabilidade do teste indireto em relação ao teste convencional. Para esse fim, são efetuadas simulações SPICE do circuito sob teste, criando um conjunto de dados sintéticos que permitem treinar e avaliar modelos de aprendizado. Os modelos são comparados entre si, e aqueles que apresentam melhor performance são selecionados para integrar o teste indireto. O uso da metodologia foi validado através de experimentos com dois estudos de caso: um filtro passa-baixas e um FDA operando em malha aberta. O primeiro caso resultou em testes indiretos que fazem uso de 19 MIs no total e dos algoritmos de aprendizado MARS e MLR, resultando em um R2 igual a 0,76, 0,76 e 0,98, para as predições do ganho DC, frequência de corte e SR, respectivamente. Já no segundo estudo de caso, foram apontadas 27 MIs no total, que devem ser usadas para treinar modelos MARS e MLR. Os modelos gerados apresentaram bom desempenhos, com um R2 aproximadamente igual a 1 para as estimações do ganho DC, GBW e SR do circuito. Finalmente, é possível afirmar que o método apresentado facilita a implementação do teste indireto em circuitos analógicos. Uma grande combinação de parâmetros de projeto podem ser explorados, selecionando aqueles que melhor contribuem para a qualidade do teste indireto.