RAM Sequential

    前段时间,在公众号上偶然看到一篇很不错的技术分享文章:《南湖处理器DFT设计范例》。文中详细介绍了中科院计算所的RISC-V处理器实施的DFT设计。

    去年,也基于一款处理器应用过Share Test Bus技术,但在memory界面fault测试的问题,我注意到南湖的测试方法(RAM_sequential)更加友好。本文针对这方面内容,做了一些简单的技术总结。

    通常,我们通过memory compiler 编译SRAM时,可以有以下几种选择或者场景:

    编译是否打开Test 专用的pin/bus: TA/A, TD/D

    编译器是否支持embedded scan chain

    然后,环绕memory界面的缺陷测试,我们的通常选择也有如下几种:

    1. RAM Bypass

        在测试模式下,将RAM Bypass, 实现从写一侧逻辑拉到读一侧,提高缺陷测试的覆盖率。

        在该方案下,我们注意到,进出memory的一段Net,实际上测试不到的。那么这部分,其实可以通过MBIST pattern 测试覆盖到。

        

        但是,如果memory 编译时将功能BUS 和MBIST Test BUS 分开的话,这样就没办法用MBIST pattern 覆盖剩下的那部分测试。

    2. Shadow logic

        本质上,就是添加Control Point 和Observe point, 与RAM Bypass 方案其实比较接近。

    3. RAM sequential Test

        如果上述功能BUS与Test BUS 分开的场景;

        或者,有些Core 有专门的Share Test Bus;

        特别是,后者,我们既然已经采用了Share Test Bus 方案,避免了常规MBIST 方案会在SRAM 附近增加很多逻辑(对PD和Timing 很友好)。那么前述的Shadow logic insertion 或者RAM Bypass 方案,都不再合适了。

        那么对,这两种场景,都将需要用到南湖方案:RAM Sequential Pattern.

        首先,以Memory Dataout BUS的Transition 测试流程为例,总结一下这个过程。

        测试流程:

        1. 通过scan chain load 给到Memory 前的Data flops = 0, Addr flops =0;

        2. 通过OCC/OPCG 给定第一个Pulse, 将Data flops (D=0) 读入Memory 相应的地址(Addr =0)。    

        同时,将Data1 flops/Addr1 flops 的值更新到 Data flops/Addr flops

        3. 通过OCC/OPCG 给定第二个Pulse, 将Data flops 的新值(D=1)读入Memory 相应的地址(Addr =1)

        同时,Addr flops 从前级拿到新值,Addr = 0

        4. 通过OCC/OPCG 给定第三个Pulse, 将Addr =0 的值读出到Memory Data Output.

        同时,Addr flops 从前级拿到新值,Addr = 1

        5. 通过OCC/OPCG 给定第四个Pulse, 将Addr = 1的值读出到Memory Data Output.

        同时, Observe flops 读到了前面Addr =0 的值,

        6. 通过OCC/OPCG给定第五个Pulse, 

        同时,Observe flops 读到了前面Addr = 1的值。

    

    下图展示了读端口Transition 测试的时序图:

cf1c62526e2b47c0a7d518208899ee67.png

    下图,展示了,memory及周围电路的示意图:

d8603352b8e547e6a7db19296187be0d.png

    当然,如果Memory有embedded scan chain, 界面测试就更简单一些了。SRAM IP 就像一个IEEE1500 compliant Core 一样了,甚至像一个大号的MUX-D flop.

  • 4
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Sequential是Keras中的一种神经网络框架,它是一个容器,用于封装神经网络的结构。Sequential模型只有一组输入和一组输出,各层按照先后顺序进行堆叠,前一层的输出作为后一层的输入。通过堆叠不同的层,可以构建出神经网络。\[1\]在搭建神经网络时,使用Sequential是非常重要的。通过实践和编写代码,可以更好地理解神经网络的原理和使用方法。\[2\]在使用fit方法时,需要注意validation_split参数用于划分数据集,shuffle参数用于确定是否打乱数据。如果原始数据集本身是有序的,应该在第一轮训练之前先打乱顺序。\[3\] #### 引用[.reference_title] - *1* *3* [多层神经网络 —— Sequential模型](https://blog.csdn.net/xuechanba/article/details/124952150)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* [搭建小实战和sequential的使用](https://blog.csdn.net/weixin_69398563/article/details/126360789)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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