MétaCan
Menu
Retour à la cohorte
Enregistrement W2419174344

Designing zero-aliasing space compressors: graph theory approach

2007· article· en· W2419174344 sur OpenAlexaff
Sunil R. Das, Altaf Hossain, Amiya Nayak, Emil M. Petriu, Satyendra N. Biswas, Mehmet Şahinoglu

Notice bibliographique

RevueInternational Conference on Modelling, Identification and Control · 2007
Typearticle
Langueen
DomaineComputer Science
ThématiqueVLSI and Analog Circuit Testing
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésAliasingComputer scienceAlgorithmBuilt-in self-testVery-large-scale integrationAutomatic test pattern generationElectronic circuitComputer engineeringTheoretical computer scienceParallel computingEmbedded systemEngineeringArtificial intelligence
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The design of space-efficient support hardware for builtin self-testing (BIST) is of great significance in the synthesis of VLSI circuits. An approach based on graph theory to designing zero-aliasing space compression hardware for single stuck-line faults is proposed in this paper, extending some of the well-known concepts in switching theory, specifically the notion of compatibility relation as employed in the minimization of incomplete sequential machines, based on optimal generalized sequence mergeability, developed and utilized by the authors in previous works. The suggested compaction technique possesses several advantages over earlier ones, viz. zero-aliasing is achieved here without any modification of the module under test (MUT), and the area overhead and signal propagation delay are relatively low. Besides, the method is suitable for application with both deterministic compacted and pseudorandom test vectors. The paper furnishes details of the algorithms required in the implementation, based on the criteria of merger for an optimal number of outputs of the MUT to realize maximal compaction in the design, along with results of experiments conducted on ISCAS 85 combinational benchmark circuits, with simulation programs ATALANTA and FSIM.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,057
Tête enseignante GPT0,276
Écart entre enseignants0,219 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Conference on Modelling, Identification and ControlMême sujetVLSI and Analog Circuit TestingTravaux en français237 207