Los chips terminados que llegan de la fábrica están sujetos a una batería de pruebas. Para aquellos destinados a sistemas críticos en automóviles, dichas pruebas son particularmente exhaustivas y pueden agregar entre un 5 y un 10 por ciento al costo de un chip. Pero, ¿realmente es necesario realizar cada una de las pruebas?
Ingenieros de NXP han desarrollado un algoritmo de aprendizaje automático que aprende los patrones de los resultados de las pruebas y determina el subconjunto de pruebas que realmente son necesarias y aquellas que se pueden omitir de manera segura. Los ingenieros de NXP describieron el proceso en la Conferencia Internacional de Pruebas IEEE en San Diego la semana pasada.
NXP fabrica una amplia variedad de chips con circuitos complejos y tecnología avanzada de fabricación de chips, incluidos inversores para motores de vehículos eléctricos, chips de audio para productos electrónicos de consumo y transpondedores de llaveros para asegurar tu automóvil. Estos chips se prueban con diferentes señales, a diferentes voltajes y a distintas temperaturas en un proceso de prueba llamado seguir-hasta-fallar. En ese proceso, los chips se prueban en grupos y todos se someten a la batería completa de pruebas, incluso si algunas partes fallan en algunas de las pruebas desde el principio.
Los chips fueron sometidos a entre 41 y 164 pruebas, y el algoritmo pudo recomendar eliminar entre el 42% y el 74% de esas pruebas.
“Tenemos que garantizar estrictos requisitos de calidad en el campo, por lo que tenemos que hacer muchas prueba”, dice Mehul Shroff, un Fellow de NXP que lideró la investigación.
Pero con gran parte de la producción real y el empaquetado de chips subcontratado a otras empresas, las pruebas son uno de los pocos ajustes de control de costos que la mayoría de las empresas de chips pueden realizar.
“Lo que intentamos hacer aquí es encontrar una manera de reducir el costo de las pruebas de manera estadísticamente rigurosa y que nos diera buenos resultados sin comprometer la calidad en el campo”.
Un sistema recomendador de pruebas
Shroff dice que el problema tiene ciertas similitudes con los sistemas de recomendación basados en aprendizaje automático utilizados en el comercio electrónico.
“Tomamos el concepto del mundo minorista, donde un analista de datos puede observar los recibos y ver qué artículos compran juntos las personas”, explica. “En lugar de un recibo de transacción, tenemos un identificador único de pieza y, en lugar de los artículos que compraría un consumidor, tenemos una lista de pruebas fallidas”.
El algoritmo de NXP luego descubrió qué pruebas fallan juntas. Por supuesto, lo que está en juego al analizar si un comprador de pan también querrá comprar mantequilla es muy diferente de si una prueba de una pieza automovilística a una temperatura particular significa que no es necesario realizar otras pruebas.
“Necesitamos tener una certeza del 100% o cercana al 100”, dice Shroff. “Operamos en un espacio diferente en términos de rigor estadístico en comparación con el mundo minorista, pero está basado en el mismo concepto”.
Por rigurosos que sean los resultados, Shroff dice que no deben ser utilizados de forma aislada. Hay que “asegurarse de que tenga sentido desde una perspectiva de ingeniería y que se pueda entender en términos técnicos“, dice. “Solo entonces, se eliminar la prueba“.
Shroff y sus colegas analizaron datos obtenidos de pruebas realizadas a siete microcontroladores y procesadores de aplicaciones construidos utilizando procesos avanzados de fabricación de chips. Dependiendo del chip involucrado, estuvieron sujetos a entre 41 y 164 pruebas, y el algoritmo pudo recomendar la eliminación del 42% al 74% de esas pruebas. Ampliar el análisis a datos de otros tipos de chips llevó a un rango aún mayor de oportunidades para reducir pruebas.
El algoritmo es un proyecto piloto por ahora, y el equipo de NXP busca expandirlo a un conjunto más amplio de piezas, reducir la sobrecarga computacional y hacerlo más fácil de usar.
“Cualquier solución novedosa que ayude a ahorrar tiempo en las pruebas sin perjudicar la calidad es valios”, dice Sriharsha Vinjamury, un ingeniero principal en Arm. “Reducir el tiempo de prueba es esencial, ya que reduce los costo”.
Sugiere que el algoritmo de NXP podría integrarse con un sistema que ajuste el orden de las pruebas, de modo que los fallos puedan detectarse más temprano.
