CN113567836B - 一种分段预测电路老化系统及方法 - Google Patents
一种分段预测电路老化系统及方法 Download PDFInfo
- Publication number
- CN113567836B CN113567836B CN202110839691.4A CN202110839691A CN113567836B CN 113567836 B CN113567836 B CN 113567836B CN 202110839691 A CN202110839691 A CN 202110839691A CN 113567836 B CN113567836 B CN 113567836B
- Authority
- CN
- China
- Prior art keywords
- aging
- sensor
- circuit
- training
- alu
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000032683 aging Effects 0.000 title claims abstract description 218
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 79
- 239000000872 buffer Substances 0.000 claims description 22
- 230000010355 oscillation Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 abstract 1
- 230000004913 activation Effects 0.000 description 10
- 238000010606 normalization Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003679 aging effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2851—Testing of integrated circuits [IC]
- G01R31/2855—Environmental, reliability or burn-in testing
- G01R31/286—External aspects, e.g. related to chambers, contacting devices or handlers
- G01R31/2868—Complete testing stations; systems; procedures; software aspects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2851—Testing of integrated circuits [IC]
- G01R31/2855—Environmental, reliability or burn-in testing
- G01R31/2872—Environmental, reliability or burn-in testing related to electrical or environmental aspects, e.g. temperature, humidity, vibration, nuclear radiation
- G01R31/2874—Environmental, reliability or burn-in testing related to electrical or environmental aspects, e.g. temperature, humidity, vibration, nuclear radiation related to temperature
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2851—Testing of integrated circuits [IC]
- G01R31/2855—Environmental, reliability or burn-in testing
- G01R31/2872—Environmental, reliability or burn-in testing related to electrical or environmental aspects, e.g. temperature, humidity, vibration, nuclear radiation
- G01R31/2879—Environmental, reliability or burn-in testing related to electrical or environmental aspects, e.g. temperature, humidity, vibration, nuclear radiation related to electrical aspects, e.g. to voltage or current supply or stimuli or to electrical loads
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种分段预测电路老化系统及方法,其系统包括:老化模型传感器、片上数据读出电路和PC机;其方法为:对训练数据进行分段,并对老化预测模型进行分段训练,为了预测电路之后的老化情况,使用查表的方法拟合得到温度和电压信息,作为老化预测模型的输入,得到的模型输出便是对之后一段时间老化情况的预测结果;本发明解决了对电路老化预测精度不高的问题。
Description
技术领域
本发明涉及老化电路预测领域,具体涉及一种分段预测电路老化系统及方法。
背景技术
在集成电路中,随着晶体管工艺尺寸的不断降低,系统的可靠性问题变得日益突出,老化是影响集成电路可靠性的主要因素之一。很多老化机理,例如负偏置温度不稳定性(NBTI)、热载流子注入效应(HCI)、时间相关电介质击穿(TDDB)使集成电路在服役期内失效率随时间的推移而快速升高,对电路的使用寿命造成了严重影响,甚至会导致整个电路系统失效。特别是在高可靠性领域,像太空领域、飞机、动车等系统,一旦发生故障后果不堪设想,这些领域对集成电路老化造成的系统可靠性问题更为看重。因此需要一种面向集成电路中逻辑电路的老化预测方法来对逻辑电路的老化状态进行预测,进而预警可能出现的失效。
半导体器件的老化效应会导致集成电路的某些参数发生变化,例如影响组合逻辑的延迟,进而引发电路时序紊乱,造成电路出现功能故障,发生错误。目前在数字集成电路中,通过感知时序路径的延迟增加间接感知老化程度是一种常见的逻辑电路老化预测方法,其主要分为以下三类:
a、使用复制电路来近似被监测电路的老化特征。复制电路存在的主要问题是没有测量工作电路的真实老化情况,存在工艺、电压、温度的偏差,这种做法会造成监测结果的不准确;
b、以Razor触发器为代表的原位传感器,其原理是直接测量待监测工作电路的老化情况。原位传感器可以较好的解决工艺、电压、温度的偏差问题,但是其侵入性较强,需要对原电路进行修改,从而对电路性能造成一定影响。
c、利用机器学习算法建立电路的信号概率、温度等特征信息与电路延迟增量之间的数学模型,利用该模型进行电路的老化预测。
目前使用机器学习算法建立模型用于电路的老化预测是现在较为流行的方法,使用机器学习模型预测电路老化时,需要大量的训练数据用于训练模型的参数。但在实际的应用场景中,某一时刻的模型是无法使用该时刻之后的数据进行训练的,因此需要分段预测和输入拟合的方法来解决这个问题。
发明内容
针对现有技术中的上述不足,本发明提供的一种分段预测电路老化系统及方法解决了对电路老化预测精度不高的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种分段预测电路老化系统,包括:老化模型传感器、片上数据读出电路和PC机;
所述老化模型传感器包括:RO老化传感器组、ALU老化传感器组、温度传感器和电压传感器;所述片上数据读出电路分别与RO老化传感器组、ALU老化传感器组、温度传感器、电压传感器和PC机连接。
进一步地,RO老化传感器组包括16个RO老化传感器单元;每个RO老化传感器单元包括10个RO老化传感器;所述ALU老化传感器组包括10个ALU老化传感器。
进一步地,RO老化传感器包括:反相器U1、多路选择器U2、缓冲器A1至缓冲器A80共80个缓冲器;
所述多路选择器U2的第一输入端与反相器U1的输出端连接,其输出端与缓冲器A1的输入端连接;所述缓冲器A1至缓冲器A80共80个缓冲器依次连接,所述缓冲器A80的输出端与反相器U1的输入端连接,并作为RO老化传感器的振荡输出端;所述多路选择器U2的第二输入端作为RO老化传感器的老化压力数据输入端,其选择端作为RO老化传感器的测试使能端;所述RO老化传感器的振荡输出端与片上数据读出电路连接。
进一步地,ALU老化传感器包括:线性反馈移位寄存器LFSR、多路选择器U3和算术逻辑单元ALU;
所述线性反馈移位寄存器LFSR的输入端作为ALU老化传感器的反馈控制端,其输出端与多路选择器U3的第二输入端连接;所述多路选择器U3的输出端与算术逻辑单元ALU的输入端连接,其第一输入端与算术逻辑单元ALU的输出端连接,并作为ALU老化传感器的振荡输出端;所述多路选择器U3的选择端作为ALU老化传感器的测试使能端;所述ALU老化传感器的振荡输出端与片上数据读出电路连接。
一种分段预测电路老化方法,包括以下步骤:
S1、通过老化模型传感器采集不同时间段内的老化数据,对老化预测模型进行分段训练,得到训练完成的老化预测模型;
S2、监测电路的工作负载、温度数据和电压数据,建立工作负载、温度和电压的映射表;
S3、根据待测老化电路的工作负载,通过查找映射表,得到待测老化电路的温度数据和电压数据;
S4、对待测老化电路的温度数据和电压数据进行拟合,得到温度电压数据;
S5、将温度电压数据和待测老化电路的工作负载输入训练完成的老化预测模型中,得到待测电路的老化程度。
进一步地,步骤S1包括以下分步骤:
S11、通过老化模型传感器采集第一段时间内的老化数据,构建第一训练集;
S12、采用第一训练集对老化预测模型进行第一次训练,得到第一训练老化模型;
S13、通过老化模型传感器采集第二段时间内的老化数据,构建第二训练集;
S14、采用第二训练集和第一训练集对第一训练老化模型进行训练,得到第二训练老化模型;
S15、通过老化模型传感器采集第三段时间内的老化数据,构建第三训练集;
S16、采用第三训练集、第二训练集和第一训练集对第二训练老化模型进行训练,得到训练完成的老化预测模型。
上述进一步方案的有益效果为:由于在电路老化过程具有时间累积效应,并且在某一时刻无法得到该时刻之后的数据,所以要将采集到的数据进行分段,估计某一段的延迟时,只能利用该段及之前时间段的数据进行训练。在模型训练过程中使用分段训练的方法,能够最大限度地保证估计结果的实时性,充分利用了数据集来提升模型的准确率。
进一步地,步骤S12中老化预测模型包括依次连接的输入层、第一全连接运算层、第一激活运算层、第一批归一化运算层、第二全连接运算层、第二激活运算层、第二批归一化运算层、第三全连接运算层、第三激活运算层、第三批归一化运算层、第四全连接运算层、第四激活运算层、第四批归一化运算层、第五全连接运算层、第五激活运算层、第五批归一化运算层和输出层。
综上,本发明的有益效果为:
(1)、对训练数据进行分段,在某一时刻用于训练的数据只有该时刻之前的所有数据,为了预测电路之后的老化情况,使用查表的方法拟合得到温度、电压信息,作为老化预测模型的输入,得到的模型输出便是对之后一段时间老化情况的预测结果。
(2)、本发明提供的方法及系统,最大限度地保证了预测结果的实时性,在老化实验时间周期长,数据获取困难的情况下能够更有效地利用训练集数据提高老化预测模型的准确率。在实际应用中对电路老化情况作预测时,无法预知当前时刻之后的电路运行环境信息(温度、电压)。因此,通过查表的方法拟合得到温度、电压信息作为老化预测模型的输入,可以得到电路老化情况的预测结果。同时,这个表随着电路运行不断更新,提高了预测结果的准确性。
附图说明
图1为一种分段预测电路老化系统的系统框图;
图2为RO老化传感器的结构示意图;
图3为ALU老化传感器的结构示意图;
图4为一种分段预测电路老化方法的流程图;
图5为对电路老化情况进行预测的流程图;
图6为实验数据对比。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种分段预测电路老化系统,包括:老化模型传感器、片上数据读出电路和PC机;
所述老化模型传感器包括:RO老化传感器组、ALU老化传感器组、温度传感器和电压传感器;所述片上数据读出电路分别与RO老化传感器组、ALU老化传感器组、温度传感器、电压传感器和PC机连接。
RO老化传感器组包括16个RO老化传感器单元;每个RO老化传感器单元包括10个RO老化传感器;所述ALU老化传感器组包括10个ALU老化传感器。
如图2所示,RO老化传感器包括:反相器U1、多路选择器U2、缓冲器A1至缓冲器A80共80个缓冲器;
所述多路选择器U2的第一输入端与反相器U1的输出端连接,其输出端与缓冲器A1的输入端连接;所述缓冲器A1至缓冲器A80共80个缓冲器依次连接,所述缓冲器A80的输出端与反相器U1的输入端连接,并作为RO老化传感器的振荡输出端;所述多路选择器U2的第二输入端作为RO老化传感器的老化压力数据输入端,其选择端作为RO老化传感器的测试使能端;所述RO老化传感器的振荡输出端与片上数据读出电路连接。
RO老化传感器存在两种工作状态:
1、老化状态:断开缓冲器链,设定缓冲器、反相器U1和多路选择器U2的工作条件,使缓冲器、反相器U1和多路选择器U2正常工作老化,具体设定方法为:设定平均信号概率SP和平均信号翻转率SA作为RO老化传感器的老化压力数据输入端的老化压力的输入特征,16个RO老化传感器单元的设定条件如表1所示:
表1
2、测试状态:未断开缓冲器链,即如图2所示这种结构,RO老化传感器的老化压力数据输入端不输入数据,在规定时间内对基于缓冲器链环路的振荡器生成的振荡信号进行计数,作为RO老化传感器的输出,得到RO老化传感器输出的老化延迟数据。
如图3所示,ALU老化传感器包括:线性反馈移位寄存器LFSR、多路选择器U3和算术逻辑单元ALU;
所述线性反馈移位寄存器LFSR的输入端作为ALU老化传感器的反馈控制端(反馈控制是选取不同的线性函数,这样便可以生成不同SP、SA的信号),其输出端与多路选择器U3的第二输入端连接;所述多路选择器U3的输出端与算术逻辑单元ALU的输入端连接,其第一输入端与算术逻辑单元ALU的输出端连接,并作为ALU老化传感器的振荡输出端;所述多路选择器U3的选择端作为ALU老化传感器的测试使能端;所述ALU老化传感器的振荡输出端与片上数据读出电路连接。
ALU老化传感器存在两种工作状态:
1、老化状态:ALU正常工作时,ALU与多路选择器U3不形成环路,测试使能无效,多路选择器U3的输入端连接线性反馈移位寄存器LFSR的输出端,其输出端与ALU的输入端链接。输入的SP和SA不需要提前设定,可以根据输入情况进行计算可以根据ALU的输入情况进行计算。
2、测试状态:由于ALU可以通过特别设置操作码和操作数实现反相器的功能,因此可以将ALU关键路径的输入输出以一定的逻辑形式连接成振荡器环路,即如图3所示的结构,在一段时间内对基于ALU路径环路的振荡器生成的振荡信号进行计数,作为ALU老化传感器的输出,得到ALU老化传感器输出的老化延迟数据。
温度和电压传感器会感知分段预测电路老化系统硬件电路板的温度和电压信息。
片上数据读出电路会定期对RO老化传感器单元1到16、ALU老化传感器组和温度/电压传感器的数据进行依次采样,并发送给PC机。其采样规则为每次采样RO老化传感器单元和ALU老化传感器组的一组数据前都要先采样温度/电压传感器,因此可以认为当前采样到的RO老化传感器组和ALU老化传感器组工作在温度/电压传感器所采样的温度和电压条件下。
PC机端会对接收到的数据进行处理,训练基于深度神经网络的老化预测模型。
老化预测模型包括依次连接的输入层、第一全连接运算层、第一激活运算层、第一批归一化运算层、第二全连接运算层、第二激活运算层、第二批归一化运算层、第三全连接运算层、第三激活运算层、第三批归一化运算层、第四全连接运算层、第四激活运算层、第四批归一化运算层、第五全连接运算层、第五激活运算层、第五批归一化运算层和输出层。
为了加速电路老化,该RO老化传感器组和ALU老化传感器组的电路工作在1.5V高电压下。
如图4所示,一种分段预测电路老化方法,包括以下步骤:
S1、通过老化模型传感器采集不同时间段内的老化数据,对老化预测模型进行分段训练,得到训练完成的老化预测模型;
将在温度和电压条件下,通过测试状态得到的ALU老化传感器输出的老化延迟数据和RO老化传感器输出的老化延迟数据按时间上的先后顺序进行存储,在本实施例中,可按时间顺序存储为3段老化数据,即下面的第一训练集、第二训练集和第三训练集,为了充分利用训练数据,提高模型的准确率,模型的估计分段进行。
步骤S1包括以下分步骤:
S11、通过老化模型传感器采集第一段时间内的老化数据,构建第一训练集;
S12、采用第一训练集对老化预测模型进行第一次训练,得到第一训练老化模型;
S13、通过老化模型传感器采集第二段时间内的老化数据,构建第二训练集;
S14、采用第二训练集和第一训练集对第一训练老化模型进行训练,得到第二训练老化模型;
S15、通过老化模型传感器采集第三段时间内的老化数据,构建第三训练集;
S16、采用第三训练集、第二训练集和第一训练集对第二训练老化模型进行训练,得到训练完成的老化预测模型。
第三段时间后需要对电路后续的老化情况进行预测时,由于此时没有后续时刻的温度、电压、负载等输入条件信息。因此,需要一种方法用于拟合电路后续时刻的环境变量及负载相关信息。得到这些相关信息后,将其作为电路老化的预测模型输入,得到模型输出为电路老化情况,需要进行如下步骤;
如图5所示,S2、监测电路的工作负载、温度数据和电压数据,建立工作负载、温度和电压的映射表;
S3、根据待测老化电路的工作负载,通过查找映射表,得到待测老化电路的温度数据和电压数据;
S4、对待测老化电路的温度数据和电压数据进行拟合,得到温度电压数据;
S5、将温度电压数据和待测老化电路的工作负载输入训练完成的老化预测模型中,得到待测电路的老化程度。
实验过程:采用第一训练老化模型对第一训练集进行处理,得到第一延迟增量,采用第二训练老化模型对第二训练集和第一训练集进行处理,得到第二延迟增量,采用训练完成的老化预测模型对第三训练集、第二训练集和第一训练集进行处理,得到第三延迟增量。从图6可知,这种分段训练分段估计的方法,最大限度的保证了估计结果的实时性,充分利用了数据集来提升模型的准确率。
Claims (2)
1.一种分段预测电路老化方法,用于分段预测电路老化系统,系统包括:老化模型传感器、片上数据读出电路和PC机;
所述老化模型传感器包括:RO老化传感器组、ALU老化传感器组、温度传感器和电压传感器;所述片上数据读出电路分别与RO老化传感器组、ALU老化传感器组、温度传感器、电压传感器和PC机连接;
所述RO老化传感器组包括16个RO老化传感器单元;每个RO老化传感器单元包括10个RO老化传感器;所述ALU老化传感器组包括10个ALU老化传感器;
所述RO老化传感器包括:反相器U1、多路选择器U2、缓冲器A1至缓冲器A80共80个缓冲器;
所述多路选择器U2的第一输入端与反相器U1的输出端连接,其输出端与缓冲器A1的输入端连接;所述缓冲器A1至缓冲器A80共80个缓冲器依次连接,所述缓冲器A80的输出端与反相器U1的输入端连接,并作为RO老化传感器的振荡输出端;所述多路选择器U2的第二输入端作为RO老化传感器的老化压力数据输入端,其选择端作为RO老化传感器的测试使能端;所述RO老化传感器的振荡输出端与片上数据读出电路连接;
所述ALU老化传感器包括:线性反馈移位寄存器LFSR、多路选择器U3和算术逻辑单元ALU;
所述线性反馈移位寄存器LFSR的输入端作为ALU老化传感器的反馈控制端,其输出端与多路选择器U3的第二输入端连接;所述多路选择器U3的输出端与算术逻辑单元ALU的输入端连接,其第一输入端与算术逻辑单元ALU的输出端连接,并作为ALU老化传感器的振荡输出端;所述多路选择器U3的选择端作为ALU老化传感器的测试使能端;所述ALU老化传感器的振荡输出端与片上数据读出电路连接;
其特征在于,包括以下步骤:
S1、通过老化模型传感器采集不同时间段内的老化数据,对老化预测模型进行分段训练,得到训练完成的老化预测模型;
S2、监测电路的工作负载、温度数据和电压数据,建立工作负载、温度和电压的映射表;
S3、根据待测老化电路的工作负载,通过查找映射表,得到待测老化电路的温度数据和电压数据;
S4、对待测老化电路的温度数据和电压数据进行拟合,得到温度电压数据;
S5、将温度电压数据和待测老化电路的工作负载输入训练完成的老化预测模型中,得到待测电路的老化程度;
所述步骤S1包括以下分步骤:
S11、通过老化模型传感器采集第一段时间内的老化数据,构建第一训练集;
S12、采用第一训练集对老化预测模型进行第一次训练,得到第一训练老化模型;
S13、通过老化模型传感器采集第二段时间内的老化数据,构建第二训练集;
S14、采用第二训练集和第一训练集对第一训练老化模型进行训练,得到第二训练老化模型;
S15、通过老化模型传感器采集第三段时间内的老化数据,构建第三训练集;
S16、采用第三训练集、第二训练集和第一训练集对第二训练老化模型进行训练,得到训练完成的老化预测模型。
2.根据权利要求1所述的分段预测电路老化方法,其特征在于,所述步骤S12中老化预测模型包括依次连接的输入层、第一全连接运算层、第一激活运算层、第一批归一化运算层、第二全连接运算层、第二激活运算层、第二批归一化运算层、第三全连接运算层、第三激活运算层、第三批归一化运算层、第四全连接运算层、第四激活运算层、第四批归一化运算层、第五全连接运算层、第五激活运算层、第五批归一化运算层和输出层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110839691.4A CN113567836B (zh) | 2021-07-23 | 2021-07-23 | 一种分段预测电路老化系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110839691.4A CN113567836B (zh) | 2021-07-23 | 2021-07-23 | 一种分段预测电路老化系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113567836A CN113567836A (zh) | 2021-10-29 |
CN113567836B true CN113567836B (zh) | 2023-12-26 |
Family
ID=78167035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110839691.4A Active CN113567836B (zh) | 2021-07-23 | 2021-07-23 | 一种分段预测电路老化系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113567836B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103176944A (zh) * | 2013-03-01 | 2013-06-26 | 福州瑞芯微电子有限公司 | 基于不同制造工艺实现的低功耗多核soc及其设计方法 |
CN110826791A (zh) * | 2019-10-31 | 2020-02-21 | 东北电力大学 | 一种基于长短时记忆神经网络的混合风功率预测方法 |
CN111095663A (zh) * | 2017-09-14 | 2020-05-01 | Abb瑞士股份有限公司 | 用于控制可再充电电池的系统和方法 |
CN112214951A (zh) * | 2020-10-19 | 2021-01-12 | 武汉大学 | 分段式lstm的微网逆变器igbt可靠性评估方法及系统 |
CN112269105A (zh) * | 2020-09-08 | 2021-01-26 | 广西大学 | 一种现场套管油浸纤维素绝缘的水分预测和老化评估方法 |
CN112540318A (zh) * | 2020-12-22 | 2021-03-23 | 武汉理工大学 | 一种起动内燃机的铅酸蓄电池健康状态估算方法 |
CN112698181A (zh) * | 2020-12-07 | 2021-04-23 | 电子科技大学 | 一种状态可配置的原位老化传感器系统 |
CN112765923A (zh) * | 2021-01-28 | 2021-05-07 | 电子科技大学 | 一种基于深度神经网络的逻辑电路老化预测方法 |
-
2021
- 2021-07-23 CN CN202110839691.4A patent/CN113567836B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103176944A (zh) * | 2013-03-01 | 2013-06-26 | 福州瑞芯微电子有限公司 | 基于不同制造工艺实现的低功耗多核soc及其设计方法 |
CN111095663A (zh) * | 2017-09-14 | 2020-05-01 | Abb瑞士股份有限公司 | 用于控制可再充电电池的系统和方法 |
CN110826791A (zh) * | 2019-10-31 | 2020-02-21 | 东北电力大学 | 一种基于长短时记忆神经网络的混合风功率预测方法 |
CN112269105A (zh) * | 2020-09-08 | 2021-01-26 | 广西大学 | 一种现场套管油浸纤维素绝缘的水分预测和老化评估方法 |
CN112214951A (zh) * | 2020-10-19 | 2021-01-12 | 武汉大学 | 分段式lstm的微网逆变器igbt可靠性评估方法及系统 |
CN112698181A (zh) * | 2020-12-07 | 2021-04-23 | 电子科技大学 | 一种状态可配置的原位老化传感器系统 |
CN112540318A (zh) * | 2020-12-22 | 2021-03-23 | 武汉理工大学 | 一种起动内燃机的铅酸蓄电池健康状态估算方法 |
CN112765923A (zh) * | 2021-01-28 | 2021-05-07 | 电子科技大学 | 一种基于深度神经网络的逻辑电路老化预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113567836A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11841395B2 (en) | Integrated circuit margin measurement and failure prediction device | |
TWI813615B (zh) | 積體電路工作負荷、溫度及/或次臨界洩漏感測器 | |
US9535774B2 (en) | Methods, apparatus and system for notification of predictable memory failure | |
CN102812373B (zh) | 半导体装置、检测方法 | |
CN112765923B (zh) | 一种基于深度神经网络的逻辑电路老化预测方法 | |
JP4500063B2 (ja) | 電子装置、予測方法および予測プログラム | |
US10989754B2 (en) | Optimization of integrated circuit reliability | |
US8631290B2 (en) | Automated detection of and compensation for guardband degradation during operation of clocked data processing circuit | |
US11068330B2 (en) | Semiconductor device and analysis system | |
US20220222527A1 (en) | Method for predicting hardware fault using machine learning | |
Zandian et al. | Wearmon: Reliability monitoring using adaptive critical path testing | |
CN113567836B (zh) | 一种分段预测电路老化系统及方法 | |
Taher et al. | A machine learning based hard fault recuperation model for approximate hardware accelerators | |
Deb et al. | Overview of Health Monitoring Techniques for Reliability. | |
Huang et al. | Analog/RF Circuit Aging Prediction based on On-Chip Machine Learning | |
US20180088649A1 (en) | On-chip power sequence validator and monitor | |
US10073138B2 (en) | Early detection of reliability degradation through analysis of multiple physically unclonable function circuit codes | |
Gross et al. | Prognostics of electronic components: Health monitoring failure prediction time to failure | |
CN117370089A (zh) | 一种追踪传感器数据监控过程的测试方法 | |
CN116522998A (zh) | 信息处理方法、装置、设备及介质 | |
Metra et al. | High Testability and Speed Berger Code Checker Based on the Generalized Berger Code Partitioning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |