الحاق یا درج نقطه تست (تست پوینت) با استفاده از شبکه‌های عصبی مصنوعی

روشی برای جمع‌آوری اطلاعات، روش های آموزش، و استفاده از شبکه‌های عصبی مصنوعی (‏ANN ها)‏ برای ارزیابی کیفیت نحوه ی الحاق نقطه تست (TP)‏ در این مطالعه، ارائه شده‌است. روش TPI ارائه‌شده، از ANN از طریق شبیه‌سازی خطا برای ارزیابی کیفیت TP ها، استفاده می‌کند و از ANN از طریق شبیه‌سازی خطا برای ارزیابی کیفیت آزمون خطا، استفاده می‌کند. زمان استخراج ویژگی ها به طور قابل‌توجهی نسبت به ارزیابی TP پایه مبتنی بر الگوریتم، سریع‌تر است، و تاثیر TP های وارد شده برای ارائه پوشش خطا در مقایسه با روش‌های مرسوم آزمایش پذیری مبتنی بر روش های اکتشافی مرسوم، نشان‌داده شده‌است.

A method of data collecting, training, and using artificial neural networks (ANNs) for evaluating test point (TP) quality for TP insertion (TPI) is presented in this study. The TPI method analyzes a digital circuit and determines where to insert TPs to improve fault coverage under pseudo-random stimulus, but in contrast to conventional TPI algorithms using heuristically-calculated testability measures, the proposed method uses an ANN trained through fault simulation to evaluate a TP’s quality. The time of feature extraction is demonstrated to be significantly faster compared to heuristic-based TP evaluation, and the impact of inserted TPs is shown to provide superior stuck-at fault coverage compared to conventional heuristic-based testability analysis.