EDA基础08

探针卡是一种测试接口,主要对裸芯进行测试,通过连接测试机和芯片,通过传输信号对芯片参数进行测试.。

边界扫描(Boundary Scan)测试发展于上个世纪90年代,随着大规模集成电路的出现,印制电路板制造工艺向小,微,薄发展,传统的ICT 测试已经没有办法满足这类产品的测试要求。由于芯片的引脚多,元器件体积小,板的密度特别大,根本没有办法进行下探针测试。一种新的测试技术产生了,联合测试行为组织(Joint Test Action Group)简称JTAG 定义这种新的测试方法即边界扫描测试。

 

在20世纪八十年代,联合测试行动小组(JTAG,Joint Test Action Group)开发了IEEE1149.1(JTAG)边界扫描测试技术规范。该规范提供了有效的测试引线间隔致密的电路板上的集成电路芯片的能力,主要用于芯片测试和配置等功能。大多数的FPGA厂家遵守IEEE规范,并为输入引脚、输出引脚和专用配置引脚提供边界扫描测试能力。
        JTAG最初用于芯片功能的测试,其工作原理是在器件内部定义一个测试访问端口(Test Access Port,TAP),通过专用的JTAG测试工具对内部节点进行测试和调试。TAP是一个通用的端口,外部控制器通过TAP可以访问芯片提供的所有数据寄存器和指令寄存器。现在JTAG接口还常用于芯片的在线配置,对PLD、Flash等器件进行配置。为了完成系统的调试,任何原型系统都支持JTAG配置方式,因而JTAG配置也就成为最广泛支持的配置方式。不同厂商和不同型号的绝大部分FPGA芯片都支持JTAG配置方式。
        JTAG边界扫描测试是一种可测试结构技术,它采用集成电路的内部外围所谓的“电子引脚”(边界)模拟传统的在线测试的物理引脚,对器件内部进行扫描测试,JTAG接口由4个必需的信号,以及1个可选信号构成。它是在芯片的I/O端上增加移位寄存器,把这些寄存器连接起来,加上时钟复位、测试方式选择以及扫描输入和输出端口,而形成边界扫描通道。边界扫描结构如图所示。

图 边界扫描结构

该方法提供了一个串行扫描路径,它能捕获器件核心逻辑的内容,或者遵守IEEE规范的器件之间的引脚连接。IEEE 1149.1 标准规定了一个四线串行接口(TDI、TD0、TMS和TCK),及第五条线TRST是可选的,该接口称作测试访问端口 (TAP),用于访问复杂的集成电路 (IC),例如微处理器、DSP、ASIC 和 CPLD 等。边界扫描IO引脚功能如表9.1所示。在TDI(测试数据输入)引线上输入到芯片中的数据存储在指令寄存器中或一个数据寄存器中。串行数据从 TDO(测试数据输出)引线上输出。边界扫描逻辑由TCK(测试时钟)上的信号计时,而且TMS(测试模式选择)信号控制驱动 TAP 控制器的状态。 TRST*(测试重置)是可选项,可作为硬件重置信号,一般不用。

表1 边界扫描IO引脚功能

低电平有效,异步复位边界扫描电路(在IEEE规范中,该引脚可选)。
        设计人员使用BST规范测试引脚连接时,再也不需要物理探针了,甚至能够在器件正常工作时捕获功能数据。器件的边界扫描单元能够从逻辑跟踪引脚信号,或是从引脚或器件核心逻辑信号中捕获数据。测试数据串行地移入边界扫描单元,捕获的数据串行移出芯片的外部同预期的结果相比较。

JTAG的主要功能有两种,一种用于测试芯片的电气特性;另一种用于Debug,对各类芯片机器外围设备进行调试。工作原理:在器件内部定义一个TAP(Test Access Port),通过专用的JTAG测试工具对内部节点进行测试和调试。

1 边界扫描(Boundary-Scan)

靠近芯片的输入、输出引脚上增加一个移位寄存器,也就是边界扫描寄存器。当芯片处于调试状态时,边界扫描寄存器可以将芯片与外围的输入、输出隔离。从而实现对芯片输入、输出信号的观察和控制。在正常的运行状态下,这些寄存器对芯片是透明的。另外,芯片输入、输出引脚上的边界扫描寄存器可以相互连接起来,形成边界扫描链,串行的输入和输出,通过相应的时钟信号和控制信号观察和控制芯片。一般的芯片会提供几条独立的边界扫描链,来实现完整的测试功能。

2 测试访问接口TAP(Test Access Port)

在IEEE1149.1里,寄存器分为数据寄存器(DR)和指令寄存器(IR)。边界扫描链就是数据寄存器的一种。指令寄存器用于控制数据寄存器,例如选择一条目标扫描链。

TAP是一个通用的端口,通过TAP可以访问芯片提供的所有数据寄存器和指令寄存器。以下是TAP的接口信号:◇TCK:时钟信号,为TAP的操作提供了一个独立的、基本的时钟信号。

  ◇TMS:模式选择信号,用于控制TAP状态机的转换。

  ◇TDI:数据输入信号。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值