Ferramenta automática para geração de conjuntos de testes e avaliação de DfT em circuitos analógicos integrados

Abstract

Este trabalho apresenta o desenvolvimento, aprimoramento e validação de uma ferramenta computacional para geração automática e otimização de conjuntos de testes aplicados à detecção de falhas em circuitos integrados analógicos. A ferramenta, originalmente implementada em MATLAB, foi totalmente reestruturada em Python, incorporando novas funcionalidades que ampliam significativamente sua capacidade analítica. Dentre as melhorias implementadas destacam-se: (i) inclusão da medição de correntes em testes AC (Alternating Current), DC (Direct Current) e transientes; (ii) suporte simultâneo a módulo e fase em análises AC; (iii) mecanismos de combinação de testes complementares (AC módulo/fase e transientes de overshoot/tempo de acomodação); e (iv) avaliação automatizada de testes transientes derivados de dois testes DC previamente selecionados. O algoritmo de seleção foi também reformulado para reduzir o tempo de busca e melhorar sua escalabilidade. Vários estudos de caso foram conduzidos para validar e comparar as versões MATLAB e Python. O primeiro consiste em um filtro Butterworth de segunda ordem, implementado com um amplificador operacional totalmente diferencial em tecnologia CMOS (Complementary Metal Oxide Semiconductor) de 180 nm. Utilizando dois testes AC, dois DC e um teste transitório, a ferramenta obteve uma cobertura de falhas simulada de 96,87%. No segundo estudo, a campanha de injeção de falhas considerou uma abordagem baseada em testes funcionais, com cobertura de falhas de apenas 78,13%, demonstrando a superioridade da abordagem estrutural automatizada. O terceiro estudo avalia a aplicação de técnicas de DfT (Design-for-Testability) em um filtro de dois estágios, também baseado no mesmo amplificador operacional. Foi observado que, através de técnicas de DfT, a cobertura de falhas poderia ser aumentada de 87,15% para 95,83%. O quarto estudo de caso compara os resultados de simulação da ferramenta com um experimento físico de injeção de falhas em hardware, baseado na emulação do circuito, com resultados de injeção física de 48 falhas em hardware, obtendo 41 falhas detectadas experimentalmente, em comparação a 43 falhas previstas em simulação, demonstrando consistência entre o comportamento real e o simulado. Além disso, as novas funcionalidades da ferramenta desenvolvida em Python foram utilizadas em três circuitos do conjunto de benchmarks IEEE P2427. Para o amplificador operacional (OPAMP1), a cobertura de falhas passou de 77,53% (somente tensão de saída) para 96,63% com a inclusão de medições de corrente e testes transientes, utilizando apenas seis testes no conjunto final. Para o regulador de tesão (VREG1), o uso exclusivo de medições de tensão levou a uma cobertura de 97,09% com cinco testes; ao incluir medições de corrente, a ferramenta identificou um conjunto reduzido para apenas três testes, alcançando 100% de cobertura das 103 falhas avaliadas. Para o comparador de tensão (COMP1), a cobertura inicial de 72,36% (considerando apenas medições de tensão de saída) foi ampliada para 94,31% com três testes transientes baseados exclusivamente em medições de corrente. Uma verificação exaustiva demonstrou que nenhuma combinação de até quatro testes superou o conjunto determinado automaticamente pelo algoritmo, confirmando sua eficácia do algoritmo de escolha. Os resultados obtidos demonstram a robustez, a flexibilidade e a eficiência da nova versão da ferramenta, bem como seu potencial de aplicação em diferentes cenários de teste de circuitos integrados analógicos, contribuindo para o avanço das técnicas de detecção de falhas e para a automação do processo de geração de testes.

This work presents the development, enhancement, and validation of a computational tool for the automatic generation and optimization of test sets applied to fault detection in analog integrated circuits. The tool, originally implemented in MATLAB, was fully restructured in Python, incorporating new functionalities that significantly expand its analytical capabilities. The main improvements include: (i) support for current measurements in AC (Alternating Current), DC (Direct Current) and transient tests; (ii) simultaneous support for magnitude and phase in AC analyses; (iii) mechanisms for combining complementary tests (AC magnitude/phase and transient overshoot/settling time); and (iv) automated assessment of transient tests derived from pairs of previously selected DC tests. The test-selection algorithm was also redesigned to reduce search time and improve scalability. Several case studies were conducted to validate and compare the MATLAB and Python versions of the tool. The first involves a second-order Butterworth filter implemented with a fully differential operational amplifier in 180-nm CMOS (Complementary Metal Oxide Semiconductor) technology; using two AC tests, two DC tests, and one transient test, the tool achieved a simulated fault coverage of 96.87%. In the second case study, a functional-test-based campaign obtained only 78.13% fault coverage, demonstrating the superiority of the automated structural approach. The third study evaluates the application of DfT techniques to a two-stage filter based on the same operational amplifier, where fault coverage increased from 87.15% to 95.83% through DfT (Design-for-Testability) insertion. The fourth case study compares simulation results with a physical fault-injection experiment using hardware emulation: among 48 injected faults, 41 were detected experimentally versus 43 predicted in simulation, showing strong consistency between real and simulated behavior. In addition, the new functionalities implemented in Python were applied to three circuits from the IEEE P2427 benchmark set. For the operational amplifier (OPAMP1), fault coverage increased from 77.53% (using only output-voltage measurement) to 96.63% with the inclusion of current measurements and transient tests, using only six tests in the final set. For the voltage regulator (VREG1), exclusive use of voltage measurements yielded 97.09% coverage with five tests; by incorporating current measurements, the tool identified a reduced set of only three tests achieving 100% coverage of the 103 evaluated faults. For the voltage comparator (COMP1), the initial coverage of 72.36% (using only output-voltage monitoring) rose to 94.31% with three transient tests based solely on current measurements. An exhaustive verification demonstrated that no combination of up to four tests surpassed the set determined automatically by the algorithm, confirming the effectiveness of the test-selection algorithm. The results confirm the robustness, flexibility, and efficiency of the new Python-based version of the tool, as well as its potential applicability to a wide range of analog-circuit testing scenarios. The work contributes to advancing fault-detection techniques and to the automation of test-set generation for analog integrated circuits.