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

Abstract

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.

In analog ICs, a significant portion of the final product cost is concentrated in the test stage, especially when functional test is used. The high quality of this type of test is achieved by verifying all circuit specifications. Expensive automated test equipment is used, which has high-resolution instruments and requires long test times. An alternative in the search for a reduction in the cost generated by functional test is the indirect test. In this technique, the functional parameters of a particular circuit are estimated from a set of low-cost measurements. In this work, a method for generating indirect tests of analog circuits based on machine learning is proposed. It aims to identify which indirect measurements (IMs) and learning algorithms are most suitable for implementing the indirect test of a given circuit. The objective is to assist the test engineer in evaluating the feasibility of the indirect test in relation to the conventional test. For this purpose, SPICE simulations of the circuit under test are performed, creating a set of synthetic data that allows training and evaluating learning models. The models are compared to each other, and those with the best performance are selected to integrate the indirect test. The methodology was validated through experiments with two case studies: a low-pass filter and an open loop FDA. The first case resulted in indirect tests that use a total of 19 IMs and the MARS and MLR learning algorithms, resulting in a R2 score equal to 0.76, 0.76 and 0.98, for predicting the DC gain, cutoff frequency and SR, respectively. In the second case study, a total of 27 IMs were identified, which should be used to train MARS and MLR models. The generated models presented good performances, with a R2 score approximately equal to 1 for estimating the DC gain, GBW and SR of the circuit. Finally, it is possible to affirm that the presented method facilitates the implementation of the indirect test in analog circuits. A wide range of design parameters can be explored, selecting those that best contribute to indirect test quality.