An implementation of domain specific languages to microprocessor's Memory Built in Self Repair testing
Notice bibliographique
Résumé
Memory Built in Self Repair (MBISR) test in microprocessor testing has always been a very challenging. The main challenges are the complexity of the memory structure and the device to device design variations. Because of this complexity, separate groups with different focus are needed to address the challenge. The test engineers are the experts on Automated Test Equipment (ATE) platforms, while the IP owners are the experts on particular microprocessor's IP. To minimize the test program development and maintenance costs, the test engineers aim to provide a generic solution for all devices. Therefore, to cater for the variations, XML (Extensible Markup Language) has been used to represent the product specific definitions and configurations which will be maintained by the IP owners. However, the surge of new microprocessor designs and more advance innovation to the memory IPs lead to device to device variations increase. In the other hand XML is too static to handle these variations increase and has limited capability to express higher-order structures like conditionals. Therefore a domain specific language (DSL) is adapted to effectively deal with this issue. DSL as opposed to XML is a programming language which provides flexibility as offered by the general purpose languages, such as Java and C++. Yet, it is targeted to a particular kind of problem with its purpose of having separation of business and technical aspect, making it concise and easy to understand by the domain specialists. Therefore DSL fits perfectly as an easy to use language for the IP owners to express freely the product specifications. This paper showcases an example of DSL based solution to MBISR testing in microprocessor.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».