JTAG debug tool for efficient debugging on V93K
Notice bibliographique
Résumé
The JTAG protocol is used extensively in testing today's complex IC devices. It is used to access DFT structures and many other configuration registers in the device. JTAG sequences are used to configure the device in certain modes before test and to obtain information after test. Test engineers needs to learn DFT structure and how to configure the settings to test the device correctly. This “learning” is usually done in real-time on the tester by trial and error, seeing how the device responds as bits are flipped in the configuration registers. This learning involves developing JTAG patterns for all different configurations the engineer wishes to try. It is a process in which the JTAG patterns can change frequently until the right settings are obtained. The time delay for bringing a new JTAG pattern into the test program can be quite costly if the conversion/compiling from STIL to BINL is long: every change or mistake made in the JTAG pattern can translate into hours. Though there are advanced tester tools such as protocol-aware readily available on the Advantest 93K tester platform (referred as V93K in this article), the existing EDA outputs cannot be leveraged without building registers sequence by sequence. We developed a JTAG debug tool on V93K to address this time delay for bringing a new JTAG pattern into an already-loaded test program. The tool has the ability to copy the STIL content directly into the tester vector memory without any delay for conversion to BINL. The tool also takes care of creating pattern burst dynamically, executing and reporting functional test results. The debugged patterns can be used directly for a production run. This tool also can be applied to any other protocol without modification. This paper details the steps used in developing this tool and explains its functionality.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 | 0,001 |
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 ».