Browsing by Author "Wen Hung-Pin"

Now showing 1 - 5 of 5

後次微米時代新興電子設計自動化技術之研究---子計畫四：應用計算智慧推理處理後深次微米時代電路設計上的可靠度挑戰(I)
(2008)
溫宏斌
;
Wen Hung-Pin
;
國立交通大學電信工程學系(所)
進入後深次微米的時代，要從不可靠的元件(reliable components)製造出穩健的系統(robust systems)帶來了每個設計環節上新的挑戰。更細微的物理現象如製程的變異(process variation)和環境中的輻射放射(environmental radiation)等因素對半導體元件交織成更複雜且更難突破的衝擊。運算錯誤已經不單是顯而易見的永久性錯誤(permanent fault)。在特定的邊際條件、周期性或暫時性的情況下，間歇性 (intermittent)和瞬時性(transient)的錯誤越來越常發生。一般而言，後者那種不會對設計本身造成永久損害的錯誤被稱之為軟性錯誤(soft Error)。然而，由於近年來在先進的電路設計上軟性錯誤被發現的頻率越來越高，商業電子產品的可靠度又重新成為一個重要的研究主題。過去在軟性錯誤的學術研究上，主要著重在元件層和邏輯層。大部分的研究主要在強調瞬時脈衝傳播中邏輯遮蔽(logic masking)、電子遮蔽(electrical masking) 和時間遮蔽(latching-window masking)的模型建立與模擬。另一主軸則是提出抗輻射技術以抵抗或減緩軟性錯誤所產生的單事件效應 (single event effect)。為了更了解軟性錯誤對現實所造成的影響，我們會就邏輯層和架構層上對於不同特性的電路進行弱點 (vulnerability)分析。一般而言，一部分的設計特性會明顯地在規格書中描述，但是另外一些設計特性則是隱藏在指令級架構 (ISA)裡不易被發覺。然而，對現今的超大型積體電路設計來說，正規方法(formal method)都具有侷限性，只能適用於小型的設計上。相對的，軟體基礎的測試技術(Software-based testing)對於軟性錯誤的分析不啻為一個好的方法。因為以軟體為基礎的測試技術搭配計算智慧學習後可以反映出邏輯層及架構層上的條件限制，並且提供一個機率的觀點來分析軟性錯誤所造成的影響。不同於正規方法，計算智慧的進步，像是支持向量機(support vector machine) 和隨機森林(random forest)，避免了搜尋過程陷在局部區域的困境，且充分地利用隱藏於資料集中的統計訊息 (statistical information)。如此一來，我們更容易理解內嵌的系號線以及其上的軟性錯誤有無可能從架構層或應用層影響到。瞭解了電路設計上弱點 (weak spots)或架構中高敏感的(susceptible)設計特性後，我們更進一步探討容錯設計 (design for fault tolerance)，如編碼技術或硬體複製 (hardware duplication) 的應用以加強穩健性。本計畫的初步在於發展結合計算智慧技術與以軟體為基礎的測試技術的軟體套件。目的是希望能從模擬測試平台(testbenches)後得到的資料中自動分析出邏輯軟性錯誤敏感度。電路的弱點以及架構上高敏感的設計特性會被進一步擷取出來。本計畫遠程目標在於提供設計工程師一些容錯設計的建議，藉此強化原先電路設計中的弱點或者架構中需要修正的特性以期達成相容的功能性。功率及效能因素也將會在這個階段一併被考量以其達成系統穩健性的最佳化。
後次微米時代新興電子設計自動化技術之研究---子計畫四：應用計算智慧推理處理後深次微米時代電路設計上的可靠度挑戰(II)
(2009)
溫宏斌
;
Wen Hung-Pin
;
國立交通大學電信工程學系(所)
應用知識發現與資料探勘技術的功能性測試向量產生方法設計
(2008)
溫宏斌
;
Wen Hung-Pin
;
國立交通大學電信工程學系(所)
實務性功能驗證主要依賴測試平台(testbench)模擬。功能驗證用測試向量的產生主要由隨機測試程序生成法 (random test program generation, RTPG)或是人工撰寫法來完成。給定一個指定目標，決定性驗證測試向量生成法 (deterministic functional test pattern generation, FTPG)要求產生一個能保證含括此一驗證目標的測試序列。然而，決定性生成驗證測試向量本身是一項非常難解的公開問題[1]也因此本計畫並非以此為目標。相對的，我們的目標是希望能夠 (1)補充隨機測試程序生成法涵蓋率(coverage)的不足，以及 (2)節省人工撰寫法所需耗費的資源。為了決定性生成驗證測試向量，許多的研究早已提出提高驗證層次的方法(例如:行為層 (behavior-level)測試向量生成法)以及研發功能更強的測試向量搜尋技術(例如: 混合領域解決引擎(hybrid-domain solvers))。雖然這些技術的開發是基本而且重要的，但是我們相信在實務上模擬資料的再運用將會可以有效的來輔助決定性驗證測試向量生成法。為了更有效的利用模擬資料，我們需要開發一系列計算智能方法能在這些模擬資料上進行邏輯推理(reasoning)與抽像化處理(abstraction)。本質上，我們所面對的問題非常類似於計算學習領域中的黑盒子問題(Black-Box problems)。雖然許多的計算學習技術能為我們借鏡，但是兩個領域的問題們存在一個根本的差異性。傳統計算學習技術的目的是為了能導出一個模型用來仿真底層結構的行為並且高準確地用它來推測新輸入樣本的輸出結果。然而，在我們的情況中高準確度的要求被大幅的放寬了，但是卻多了另一項向量反推(Justification)的要求。換言之，給定一個目標的輸出結果，為了能成功的在輸入端產生一組測試向量，我們所演繹的模型必須要能夠產生多組的試驗樣本(trial instances)。只要其中一組試驗樣本能成功驅動目標輸出端結果，我們的任務就完成了。從這個觀點來看，這個計畫的獨創性就在於發展多樣計算智能技術以有效地從模擬資料中擷取資訊並進階地協助驗證測試向量生成的工作。本計畫的最後目標是希望能完成一個軟體套件。它應用許多知識發現與資料探勘技術來幫助表現隱藏在模擬資料中的有用資訊。我們的工具把模擬資料當作輸入然後把發現的知識轉換成學習模型放進資料庫裡。應用性來說，使用者或者是測試向量搜尋引擎可以向我們的工具來查詢。例如：一個時序性自動測試向量產生器 (ATPG)想要嘗試為一條關鍵路徑產生一組測試向量。他在邏輯反推過程中停在一個邏輯模組(module)M 的輸出端向我們的工具查詢。我們的工具將會用從測試模版 (template)導出的模型L 中產生多組的嘗試樣本(trial pattern)。接著我們使用這些嘗試樣本做正向模擬並且在邏輯模組M 上觀察是否任一樣本能成功產生自動測試向量產生器(ATPG)想要的結果。另外一方面對於人工撰寫測試樣本來說，使用者可能想要知道如何在多個週期下控制某一訊號。於是使用者送出了他欲觀察的訊號以及輸出值向我們的工具詢問，然後我們的工具將會進行學習然後檢驗每一個模版的時序模型(temporal model)看看是否能在多個週期之中成功的驅動此目標訊號。總結來說，從應用的觀點來看，我們的知識發現與資料探勘軟體套件以將大量的模擬資料重新組織成新的有效率的表示法來方便使用者和其他的工具查詢有用的資訊以協助完成其工作。
應用知識發現與資料探勘技術的功能性測試向量產生方法設計
(2007)
溫宏斌
;
Wen Hung-Pin
;
國立交通大學電信工程學系(所)
實務性功能驗證主要依賴測試平台(testbench)模擬。功能驗證用測試向量的產生主要由隨機測試程序生成法 (random test program generation, RTPG)或是人工撰寫法來完成。給定一個指定目標，決定性驗證測試向量生成法 (deterministic functional test pattern generation, FTPG)要求產生一個能保證含括此一驗證目標的測試序列。然而，決定性生成驗證測試向量本身是一項非常難解的公開問題[1]也因此本計畫並非以此為目標。相對的，我們的目標是希望能夠 (1)補充隨機測試程序生成法涵蓋率(coverage)的不足，以及 (2)節省人工撰寫法所需耗費的資源。為了決定性生成驗證測試向量，許多的研究早已提出提高驗證層次的方法(例如:行為層 (behavior-level)測試向量生成法)以及研發功能更強的測試向量搜尋技術(例如: 混合領域解決引擎(hybrid-domain solvers))。雖然這些技術的開發是基本而且重要的，但是我們相信在實務上模擬資料的再運用將會可以有效的來輔助決定性驗證測試向量生成法。為了更有效的利用模擬資料，我們需要開發一系列計算智能方法能在這些模擬資料上進行邏輯推理(reasoning)與抽像化處理(abstraction)。本質上，我們所面對的問題非常類似於計算學習領域中的黑盒子問題(Black-Box problems)。雖然許多的計算學習技術能為我們借鏡，但是兩個領域的問題們存在一個根本的差異性。傳統計算學習技術的目的是為了能導出一個模型用來仿真底層結構的行為並且高準確地用它來推測新輸入樣本的輸出結果。然而，在我們的情況中高準確度的要求被大幅的放寬了，但是卻多了另一項向量反推(Justification)的要求。換言之，給定一個目標的輸出結果，為了能成功的在輸入端產生一組測試向量，我們所演繹的模型必須要能夠產生多組的試驗樣本(trial instances)。只要其中一組試驗樣本能成功驅動目標輸出端結果，我們的任務就完成了。從這個觀點來看，這個計畫的獨創性就在於發展多樣計算智能技術以有效地從模擬資料中擷取資訊並進階地協助驗證測試向量生成的工作。本計畫的最後目標是希望能完成一個軟體套件。它應用許多知識發現與資料探勘技術來幫助表現隱藏在模擬資料中的有用資訊。我們的工具把模擬資料當作輸入然後把發現的知識轉換成學習模型放進資料庫裡。應用性來說，使用者或者是測試向量搜尋引擎可以向我們的工具來查詢。例如：一個時序性自動測試向量產生器 (ATPG)想要嘗試為一條關鍵路徑產生一組測試向量。他在邏輯反推過程中停在一個邏輯模組(module)M 的輸出端向我們的工具查詢。我們的工具將會用從測試模版 (template)導出的模型L 中產生多組的嘗試樣本(trial pattern)。接著我們使用這些嘗試樣本做正向模擬並且在邏輯模組M 上觀察是否任一樣本能成功產生自動測試向量產生器(ATPG)想要的結果。另外一方面對於人工撰寫測試樣本來說，使用者可能想要知道如何在多個週期下控制某一訊號。於是使用者送出了他欲觀察的訊號以及輸出值向我們的工具詢問，然後我們的工具將會進行學習然後檢驗每一個模版的時序模型(temporal model)看看是否能在多個週期之中成功的驅動此目標訊號。總結來說，從應用的觀點來看，我們的知識發現與資料探勘軟體套件以將大量的模擬資料重新組織成新的有效率的表示法來方便使用者和其他的工具查詢有用的資訊以協助完成其工作。
針對3D整合之電子設計自動化技術開發---子計畫五：應用在驗證與測試3D IC整合過程中以計算智慧為基礎的測試向量產生方法(I)
(2009)
溫宏斌
;
Wen Hung-Pin
;
國立交通大學電信工程學系(所)
3D 電路設計整合提供了一個利用堆疊數層電路作為解決電路大小問題的方法。先前的研究主要著重於解決實體層上的驗證問題，例如全域繞線、功率消耗與電阻電容所造成的延遲效應。然而,除了3D 電路設計整合中實體層級的問題，測試向量生成(TPG)也扮演著相當重要的角色。除了必須解決多層電路的複雜度問題，它同時也因為電路設計不再是獨立而是相互的影響以致更複雜如串音和時序延遲的物理現象，對於測試及驗證是更大的挑戰。為了克服電路設計與其物理現象的高複雜度問題，一個由計算智能的學習方法可以用來解釋由大量的模擬資料所得到電路的資訊。傳統上，電腦科學中的學習方法的目標是為了推導出一個稱為預圖象的模型，它可以仿真電路的基本機制，以及對於新的情況提供足夠的精確度。然而，為了加速3D 電路整合中不同物理層級的驗證問題，雖然高準確度的要求被求被大幅的放寬了，但是卻多了另一項向量反推(Justification)的要求。進一步來說，利用計算智能所學習到電路的預圖象，可以由功能性的觀點找到電路設計中不足的地方，而不必透過電路結構的分析，這將使得驗證和測試的困難被降低了。這個計畫的第一步是要有效開發一個整合計算智能方法與有限制的決定性測試向量產生器，以加速基於模擬資料的3D 電路整合分析。由這個架構所產生的測試向量，可以應用在收歛分析報告中未達到的角落以及TSV 插入點的適當位置。這個計畫最終的目標是為了要將此學習架構連結到3D 電路整合的設計流程當中，以確保電路在經過不同層級的電路設計自動化流程後，達成期待的效能。