全新Cadence Modus测试解决方案最高可将系统级芯片测试时间缩短三倍

8小时前浏览3

物理感知2D弹性压缩架构可将测试逻辑线长缩短2.6倍，且在不影响设计尺寸的前提下使压缩比高达400余倍

2016年2月2日，加利福尼亚州圣何塞—Cadence Design System, Inc.（现已正式更名为楷登电子，NASDAQ：CDNS）今日宣布推出全新Modus™测试解决方案。该方案助设计工程师将产品测试时间缩短最高三倍，从而降低生产测试成本，进一步提高硅产品利润率。新一代测试解决方案采用物理感知2D弹性压缩架构，在不影响设计尺寸及布线的前提下使压缩比高达400余倍。目前，此项技术专利正在申请中。

针对测试设计过程中的挑战，Cadence® Modus测试解决方案采用以下创新功能：

2D压缩：扫描压缩逻辑可在晶片平面布局上构成二维物理感知网格，从而提高压缩比并缩短线长。在压缩比为100倍的情况下，2D压缩线长最高可比业内现行扫描压缩架构缩短2.6倍。
弹性压缩：在自动测试模式生成（ATPG）期间，通过嵌入在解压逻辑中的寄存器，按序控制多个扫描周期的关注数据位，确保压缩比提高至400倍以上时，仍可保持满意的故障覆盖率。
嵌入式存储器总线支撑：插入共享测试访问总线，同一IP核中的多个嵌入式存储器可全速执行可编程存储器内建自测试（PMBIST）。该功能还包括针对鳍式场效应晶体静态随机存储器（FinFETSRAM）和汽车安全应用的全新可编程软件测试算法。
强大的通用脚本和集成调试环境：可测性设计（DFT）逻辑插入及ATPG功能采用全新、且标准统一的TCL脚本语言和调试环境，兼容CadenceGenus™ 综合解决方案、Innovus™ 设计实现系统及Tempus™ 时序签核解决方案。

“Cadence新一代Modus测试解决方案采用全新的创新功能，可以从根本上改变设计和测试工程师解决测试问题的方式。目前，我们正在为这项技术申请专利。”Cadence数字和签核事业部高级副总裁兼总经理Anirudh Devgan博士表示：“Modus测试解决方案通过搭建物理感知的2D网格架构，并按序压缩测试模式（pattern），较传统方法显著缩短了测试时间，为Cadence客户带来又一重要的盈利优势。”

欲了解Modus测试解决方案的更多信息，请访问www.cadence.com/news/modus。

客户好评

“Modus 测试解决方案在不影响设计布线或故障范围覆盖率的前提下，将我们一位客户网络芯片的测试时间缩短3.6 倍。毫无疑问，这一技术极大降低了生产测试成本。全新 Modus 测试解决方案、Innovus设计实现系统、Tempus 时序签核解决方案、及 Voltus™ IC 电源完整性解决方案为我们位于全球各地的设计中心及专用集成电路（ASIC）客户提供了顶尖的 14 纳米端对端设计流程。

－Sue Bentlag，GLOBALFOUNDRIESASIC设计与方法研究总监

“对于高容量且对价格及其敏感的市场（比如嵌入式处理）来说，将测试成本最小化尤为关键。在不影响设计收敛的前提下，Modus测试解决方案将我们尺寸最大，设计最复杂的嵌入式处理器芯片的数字测试时间缩短了1.7倍。”

－Roger Peters，德州仪器MCU硅产品开发部门

“使用Modus测试解决方案，我们将压缩逻辑相关的线长显著的缩短了2.6倍，并减少了两倍的扫描时间。压缩逻辑线长的大幅缩短，使我们能够在更小的工艺节点和设计规模尺寸中，解决设计收敛的关键挑战。”

-Alan Nakamoto，Microsemi Corp 工程服务部副总裁

“测试时间对半导体产品的成本及产能影响巨大，因此缩短测试时间至关重要。在不影响故障范围覆盖率或芯片尺寸的前提下，Modus测试解决方案将我们的测试时间缩短了2倍。”

－Chris Malkin，Sequans基带集成电路经理

关于Cadence

Cadence 公司致力于推动全球电子设计创新，在开创集成电路和电子产品中发挥着核心作用。客户采用Cadence 的软件、硬件、IP 和服务，设计并验证尖端半导体器件、消费电子产品、网络架构和通讯设备以及计算机系统。Cadence公司总部位于美国加州圣荷塞市，在世界各地均设有销售办事处、设计中心和研究机构，为全球电子产业提供服务。

来源：Cadence楷登

百科时间 - 为什么人工智能需要神经网络？

▍上周小编带来了Cadence发布业界首款独立完整的神经网络(CNN) DSP IP核心Tensilica Vision C5 DSP的重磅好消息。那么什么是卷积神经网络（CNN），为什么人工智能需要神经网络呢？下面的技术小文给您带来一些有关神经网络的介绍。卷积神经网络（CNN）执行数据密集型机器学习任务的关键现如今，随着计算任务的愈发繁重复杂，实时系统面临着一个前所未有的挑战 - 不仅要快速处理所有数据，还要针对下一步工作作出智能的决策。卷积神经网络(CNN)是快速处理海量数据的关键，作为业界领先解决方案，量身定制的Tensilica® 处理器及 DSP 可以高效执行性能需求极高的 CNN 运算，是用户的不二之选。CNN 的应用领域非常广泛，主要包括图像和模式识别、语音识别、自然语言处理，以及视频分析。从智能手机到智能手表，从高级驾驶辅助系统（ADAS）到虚拟现实游戏机，再到无人机控制和安防设备，依赖高分辨率成像（1080p，4K，甚至更高）的应用领域正在快速发展。发展至今，高分辨度成像技术已经非常成熟，无论智能手机的人脸检测功能，安防系统的人脸识别功能，还是智能车辆的交通标志识别功能都已经离不开它；未来，它还将继续为无人驾驶的实现保驾护航（详细内容请参阅 Tensilica视觉 DSP，或点击阅读原文）。我们非常看好 CNN 技术在计算机视觉领域的应用前景，它将推动成像精度和准确度的大幅增强。神经网络由信息共享的人工互联“神经元”构成，每个互联神经元的数字权重都通过反复训练而得到持续优化，经过良好训练的神经网络可以对图像或模式作出精准识别。神经网络包括多个由特征检测“神经元”组成的数据层，每一层的神经元都会对前一层不同组合的数据输入作出回应。图一：人工神经网络示意图卷积神经网络（CNN）是上述神经网络的其中一种，由一个或多个卷积层组成。CNN 通常包括一个下采样层，以及与标准神经网络一致的一个或多个全连接层。随着半导体技术的发展，芯片尺寸更小，高度并行处理器的功耗更低，基于卷积神经网络的计算机视觉解决方案将不再是纸上谈兵。来源：Cadence楷登