Algoritmos genéticos: los beneficios en su implementación para la generación de patrones automáticos de pruebas en Microprocesadores Protocolo de tesis.

Presentación del tema: "Algoritmos genéticos: los beneficios en su implementación para la generación de patrones automáticos de pruebas en Microprocesadores Protocolo de tesis."— Transcripción de la presentación:

1 Algoritmos genéticos: los beneficios en su implementación para la generación de patrones automáticos de pruebas en Microprocesadores Protocolo de tesis para obtener el grado de Maestro en Tecnologías de la Información Hugo Aldo Soto López Guadalajara, Jalisco, México

2 Índice de contenido Planteamiento del problema Justificación
Cuadro de análisis de congruencia Marco teórico Métodos y técnicas de investigación Objetivos Cronograma Bibliografía

3 Planteamiento del problema
La industria se ve afectada por el tamaño y la complejidad de la verificación funcional de microprocesadores [1] Las pruebas de verificación representan cerca del 60% del costo total de desarrollo [6] Desarrollar algoritmos para generar patrones de prueba no es una tarea fácil y se requiere que personas experimentadas los desarrollen [12]

4 Justificación Los costos, el tiempo y dificultades en la validación de microprocesadores abren un área de oportunidad para la optimización de los modelos actuales de validación [6][1] Las pruebas de verificación representan cerca del 60% del costo total de desarrollo [6]

5 Justificación Las empresas no pueden darse el lujo de retrasar la salida de un nuevo microprocesador al mercado El conocimiento que se obtiene con la realización de esta investigación favorecerá en la determinación de los casos donde es óptimo el uso de algoritmos genéticos para la generación de patrones de prueba en microprocesadores

6 Cuadro de análisis de congruencia
TEMA TÍTULO OBJETIVO PREGUNTA HIPÓTESIS VARIABLES INTERVINIENTES Técnicas de verificación y validación de microprocesadores • Algoritmos genéticos, los beneficios en su implementación para la generación de patrones automáticos de pruebas Analizar los posibles beneficios que se obtienen al implementar algoritmos genéticos en un generador de patrones de prueba (ATPG). ¿Qué beneficios se obtienen con la implementación de algoritmos genéticos en la generación de patrones pruebas para la validación de microprocesadores? Los algoritmos genéticos optimizan la generación automática de patrones de prueba para los microprocesadores. Efectividad en encontrar defectos. Número de patrones de prueba generados. Tamaño del conjunto de pruebas.

7 Marco teórico ¿Para qué validar microprocesadores?
Previene que circuitos defectuosos sean manufacturados y asegura que el diseño cumpla con los requerimientos de los desarrolladores [2][6] ¿Qué es un patrón de pruebas? Es la secuencia de entradas capaces de distinguir entre un comportamiento defectuoso y otro sin errores [13]

8 Marco teórico ¿Qué es un algoritmo genético?
Son una técnica de optimización que simula el fenómeno de la evolución natural. En vez de optimizar una única solución, trabaja con una población de soluciones candidatas [8] Extraído de: Jones, M. T. (2003). Genetic algorithm high-level flow.. AI application programming (p. 116). Hingham, Mass.: Charles River Media. [8]

9 Marco teórico ¿Por qué son útiles los ATPG?
La densidad de circuitos en un microprocesador está aumentando constantemente. Ley de Moore [1] La densidad aumenta y con ello la cantidad de posibles defectos [5] Los ATPG están basados en “Fault Models” que son abstracciones de posibles defectos en un microprocesador [14]

10 Marco teórico ¿Cómo funciona un ATPG? ¿Cómo funciona un ATPG?
Extraído de: Pradhan, D. (2009) Closed-loop generation scheme. Practical design verification (p. 146). Cambridge: Cambridge University Press. [12]

11 Marco teórico ¿Cómo implementar un algoritmo genético en ATPG?
Extraído de: Corno, F., Squillero, G., & Reorda, M. S. (2003). Code generation for functional validation of pipelined microprocessors. Test Workshop, Proceedings. The Eighth IEEE European, 1, 114 [15]

12 Métodos y técnicas de investigación
Método experimental Se investigarán los diferentes procesos y técnicas para el desarrollo de ATPG Identificar un modelo y desarrollar una propuesta Experimentar con el modelo Medir el “fitness” de los algoritmos genéticos Conclusiones

13 Objetivos Objetivo general
Analizar los posibles beneficios que se obtienen al implementar algoritmos genéticos en un generador de patrones de prueba (ATPG) Objetivos específicos Investigar casos donde podrían ser utilizados los ATPG diseñados con algoritmos genéticos Diseñar un circuito adecuado para llevar a cabo las pruebas de los ATPG con los algoritmos genéticos Diseñar un algoritmo genético que optimice la generación de patrones de prueba respecto a los generadores aleatorios de patrones de prueba Comparar la aplicación de un algoritmo genético versus un generador aleatorio de patrones de prueba

14 Cronograma

15 Bibliografía [1] Adir, A., Copty, S., Landa, S., Nahir, A., Shurek, G., Ziv, A., et al. (2011). A unified methodology for pre-silicon verification and post-silicon validation. Design, Automation & Test in Europe Conference & Exhibition (DATE), 1, 1-6. [2] Corno, F., Squillero, G., & Reorda, M. S. (2003). Code generation for functional validation of pipelined microprocessors. Test Workshop, Proceedings. The Eighth IEEE European, 1, [3] Hurst, S. L. (1998). Test Pattern Generation and Design-for-Testability. VLSI custom microelectronics digital, analog, and mixed-signal (pp ). New York: Marcel Dekker. [4] Kirkland, T., & Mercer, M. R. (1988). Algorithms for automatic test-pattern generation. Design & Test of Computers, IEEE, 5(3), [5] Wang, L. (2009). Fault Simulation and Test Generation. Electronic design automation synthesis, verification, and test (pp ). Burlington, MA: Morgan Kaufmann Publishers/Elsevier. [6] Corno, F., Sanchez, E., Reorda, M., & Squillero, G. (2005). Automatic test generation for verifying microprocessors. Potentials, IEEE, 24(1), [7] Corno, F., Cumani, G., Reorda, M., & Squillero, G. (2003). Fully automatic test program generation for microprocessor cores. Design, Automation and Test in Europe Conference and Exhibition, 2003, 1, [8] Jones, M. T. (2003). Introduction to Genetic Algorithms. AI application programming (pp ). Hingham, Mass.: Charles River Media.

16 Bibliografía [9] Eberhart, R. C., & Shi, Y. (2007). Evolutionary Computation Concepts and Paradigms. Computational intelligence concepts to implementations (pp ). Amsterdam: Elsevier/Morgan Kaufmann Publishers. [10] Cruzatti, I. (2008). Los experimentos. Tiempo de investigar, proyectos de ciencia (pp ). Quito: EDITEKA Ediciones. [11] Cruzatti, I. (2008). Diseño de proyectos experimentales y tecnológicos. Tiempo de investigar, proyectos de ciencia (pp ). Quito: EDITEKA Ediciones. [12] Pradhan, D. (2009). Stimuli Generation Methods. Practical design verification (pp ). Cambridge: Cambridge University Press. [13] Xiu, L. (2008). WHAT IS AUTOMATIC TEST PATTERN GENERATION (ATPG)?. VLSI circuit design methodology demystified: a conceptual taxonomy (pp ). Hoboken, N.J.: Wiley. [14] Crowell, G., & Press, R. (2004). Using Scan Based Techniques for Fault Isolation in Logic Devices. Microelectronics failure analysis desk reference (5th ed., pp ). Materials Park, Ohio: ASM International. [15] Corno, F., Squillero, G., & Reorda, M. S. (2003). Code generation for functional validation of pipelined microprocessors. Test Workshop, Proceedings. The Eighth IEEE European, 1, [16] Squillero, G. (n.d.). µGP (MicroGP). µGP (MicroGP). Retrieved May 21, 2013, from

17 Gracias