Ce chapitre a mis en place différents cas d’utilisation mettant en œuvre notre méthode. Le point commun entre tous ces cas d’utilisation est de réduire le coût associé à l’observation d’un ensemble de performances, tout en conser- vant des métriques de test satisfaisantes. Les métriques de test utilisées ici sont celles définies au chapitre I. Il s’agit de la précision et du taux de faux positifs,
0 0.5 1 1.5 2 2.5 3 ·10−2 2 4 6 8 10 Seuil CDC-FOCUS Coût
Figure IV.18 – Évolution du coût des caractéristiques sélectionnées en fonction du paramètre de CDC-FOCUS
deux notions reliées aux problématiques de performance des tests.
En simulation, l’utilisation de notre méthode permet de remplacer une mesure que l’on sait chère par un ensemble de mesures de coût plus faible, ou de sélectionner un sous-ensemble de mesures de performances permettant de réduire le coût du test sans déteriorer les métriques de test.
La méthode est appliquée sur des données issues de mesures pour désigner des mesures à faible coût permettant de remplacer des mesures à coût élevé. Ces dernières sont pour la plupart des mesures en fréquence ou des mesures en temps. En effet, celles-ci monopolisent le circuit testé et le testeur pendant une longue durée, et demandent des capacités de calcul particulières (entre autres, conversion et calcul dans le domaine de Fourier) qui sont elles aussi onéreuses. Appliquer notre méthode permet ainsi de définir des mesures de substitution permettant de réaliser les tests à un coût plus faible, et ce sans avoir de connaissances a priori sur la conception du circuit.
Les résultats présentés dans ce chapitre montrent que le choix du paramètre CDC-FOCUS est critique car il impacte fortement la qualité des résultats obtenus. Rappelons que ce seuil a été introduit dans CDC-FOCUS par C- FOCUS afin d’utiliser des données continues. Les auteurs de C-FOCUS ont alors gardé ouvert la question du choix de ce seuil. Dans nos travaux, nous montrons qu’une analyse de la base de données permet d’obtenir a priori une valeur de paramètre fournissant à la fois de “bonnes” métriques de test et un coût de test réduit. Cependant, l’implémentation que nous avons choisi pour CDC-FOCUS ne permet pas d’utiliser des seuils différents par caractéristiques, ce qui serait requis pour appliquer correctement les résultats de l’analyse de la base de données. L’algorithme CDC-FOCUS doit donc être légèrement modifié
Conclusion et Perspectives
Avec l’évolution des technologies, la caractérisation des performances des circuits et leur mesure demandent des outils plus rapides et plus précis. Parallè- lement, le temps de test de chaque circuit augmente en raison de performances plus strictes et d’un nombre de performances à tester plus élevé. Le coût total du test est donc affecté et il devient nécessaire d’un point de vue économique de chercher à le réduire.
Nos travaux ont proposé une méthodologie de réduction du coût de test des circuits analogiques par sélection des caractéristiques pertinentes, le coût du test étant pris en compte au moment de cette sélection. Nous avons établi une démarche construite en trois étapes fondamentales, représentée sur la figure V.1. Cette démarche a été établie à l’issue du chapitre I où une rapide revue de l’état de l’Art a été menée. L’approche proposée est suffisamment générique pour répondre à différentes situations.
V.A
Résumé de la Méthodologie complète
Cette démarche en trois étapes permet de rendre notre méthodologie appli- cable en simulation pendant la conception d’un circuit, mais aussi au moment du test en utilisant des mesures du circuit. Dans le premier cas, le but recherché est l’établissement d’une stratégie de test qui minimise le coût du test. Dans le second, l’objectif est la diminution du coût d’une stratégie de test déjà établie. Les trois étapes fondamentales de la méthode proposée sont l’acquisition d’informations sur le circuit, la recherche de signaux d’intérêts, et la construc- tion de modèles de classification. L’acquisition d’informations est réalisée soit par simulations pendant le développement du circuit, soit par mesures. La recherche de signaux d’intérêts permet d’extraire les mesures d’intérêt pour valider le bon fonctionnement du circuit. Enfin, la dernière étape construit
Acquisition des données (Simulations, mesures) Recherche de si- gnaux d’intérêt CDC-FOCUS Modélisation (e.g. MARS, kNN, SVM, DT) Gestion de la précision A nalyse de br uit, PA C-le arning Information Coût de mesure Information pertinente la moins chère Modèles de classification
Figure V.1 – Rappel de la méthodologie proposée
un modèle permettant de relier les mesures sélectionnées à l’état du circuit, à savoir fonctionnel ou défectueux.
Nous avons analysé et comparé des algorithmes existant dans l’état de l’Art et déjà utilisé dans le cadre du test des circuits pour répondre à notre problématique. Les métriques que nous avons considéré sont la précision des modèles et le taux de faux positifs. Ces grandeurs sont intéressantes car elles sont fortement liées à l’aspect économique du test, à savoir vendre un produit fonctionnel ou vendre un produit défectueux. La vente de produits défectueux entraîne généralement un coût élevé induit par le “retour client” qu’il faut traiter. D’autres métriques sont aussi proposées par l’analyse des matrices de confusion, en particulier le taux de faux négatifs. Le coût associé est alors la perte sèche des produits fonctionnels invendus.
Les algorithmes de modélisation que nous avons utilisés sont les “k-plus proches voisins”, les “Machine à Vecteurs de Supports” (Support Vector Ma- chine), les “Arbres de Décision” et le “MARS” (Multivariate Adaptive Regres- sion Splines). Le chapitre IV a montré que les résultats les plus satisfaisants ont été obtenus par MARS. Dans nos travaux nous utilisons MARS pour établir le modèle de classification mais MARS est avant tout un modèle de régression. Ainsi, nous régressons les performances des circuits à partir des mesures d’intérêt et comparons ces performances régressées aux spécifications. Cette méthodologie a été présentée dans une publication sous le titre de
“Weight Based Feature Selection Algorithm for Alternative Measurements” (M. Verdy et al.) (STEM workshop, 2014).