講演抄録/キーワード |
講演名 |
2020-02-26 10:25
畳み込みニューラルネットワークを活用したLSIテスト不良予測 ○岡 龍之介・大竹哲史(大分大)・熊木光一(ルネサス エレクトロニクス) DC2019-87 |
抄録 |
(和) |
近年,LSI は高集積化技術の発展や低価格化を要因として信頼性を保証するテストに関するコストが増大している.これまでに,機械学習などのデータマイニング技術を用いて不良予測モデルを作成し,テストコストを削減する手法が提案されてきた.本稿では不良予測モデルの判別精度を向上するためにディープラーニング技術の1 つである畳み込みニューラルネットワーク(CNN) を適用する手法を提案する.CNN の特徴抽出構造を活用した学習を行うことで,複雑なデータ解析や特徴量工学を自動化し,精度の高い不良予測が行えることを期待する.また,歩留まり率を考慮した不良予測による新たなコスト削減手法を検討する.提案手法の有効性を実際の製造データを使用した実験結果により示す. |
(英) |
In recent years, the cost of LSI testing which guarantees reliability has relatively increased due to the development of high integration technology and lower prices. So far, method to defective prediction modeling for test cost reduction using data mining techniques such as machine learning has been proposed. This paper propose a method to improve the discrimination accuracy of defective prediction models by applying convolutional neural networks (CNN) which is one of the recent deep learning techniques. We expected to automate complicated data analysis and feature engineering with highly accurate defective prediction by utilizing the feature extraction structure of CNN. In addition, we investigate a new cost reduction method based on defective prediction considering yield rate. The effectiveness of the proposed method is shown by experimental results using actual manufacturing data. |
キーワード |
(和) |
データマイニング / LSIテスト / 畳み込みニューラルネットワーク / 不良予測 / / / / |
(英) |
Data mining / LSI testing / Convolutional neural network / Defective prediction / / / / |
文献情報 |
信学技報, vol. 119, no. 420, DC2019-87, pp. 7-12, 2020年2月. |
資料番号 |
DC2019-87 |
発行日 |
2020-02-19 (DC) |
ISSN |
Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
DC2019-87 |
研究会情報 |
研究会 |
DC |
開催期間 |
2020-02-26 - 2020-02-26 |
開催地(和) |
機械振興会館 |
開催地(英) |
|
テーマ(和) |
VLSI設計とテストおよび一般 |
テーマ(英) |
|
講演論文情報の詳細 |
申込み研究会 |
DC |
会議コード |
2020-02-DC |
本文の言語 |
日本語 |
タイトル(和) |
畳み込みニューラルネットワークを活用したLSIテスト不良予測 |
サブタイトル(和) |
|
タイトル(英) |
Defective Chip Prediction Modeling Using Convolutional Neural Networks |
サブタイトル(英) |
|
キーワード(1)(和/英) |
データマイニング / Data mining |
キーワード(2)(和/英) |
LSIテスト / LSI testing |
キーワード(3)(和/英) |
畳み込みニューラルネットワーク / Convolutional neural network |
キーワード(4)(和/英) |
不良予測 / Defective prediction |
キーワード(5)(和/英) |
/ |
キーワード(6)(和/英) |
/ |
キーワード(7)(和/英) |
/ |
キーワード(8)(和/英) |
/ |
第1著者 氏名(和/英/ヨミ) |
岡 龍之介 / Ryunosuke Oka / オカ リュウノスケ |
第1著者 所属(和/英) |
大分大学 (略称: 大分大)
Oita University (略称: Oita Univ.) |
第2著者 氏名(和/英/ヨミ) |
大竹 哲史 / Satoshi Ohtake / オオタケ サトシ |
第2著者 所属(和/英) |
大分大学 (略称: 大分大)
Oita University (略称: Oita Univ.) |
第3著者 氏名(和/英/ヨミ) |
熊木 光一 / Kouichi Kumaki / クマキ コウイチ |
第3著者 所属(和/英) |
ルネサスエレクトロニクス株式会社 (略称: ルネサス エレクトロニクス)
Renesas Electronics Corporation (略称: Renesas) |
第4著者 氏名(和/英/ヨミ) |
/ / |
第4著者 所属(和/英) |
(略称: )
(略称: ) |
第5著者 氏名(和/英/ヨミ) |
/ / |
第5著者 所属(和/英) |
(略称: )
(略称: ) |
第6著者 氏名(和/英/ヨミ) |
/ / |
第6著者 所属(和/英) |
(略称: )
(略称: ) |
第7著者 氏名(和/英/ヨミ) |
/ / |
第7著者 所属(和/英) |
(略称: )
(略称: ) |
第8著者 氏名(和/英/ヨミ) |
/ / |
第8著者 所属(和/英) |
(略称: )
(略称: ) |
第9著者 氏名(和/英/ヨミ) |
/ / |
第9著者 所属(和/英) |
(略称: )
(略称: ) |
第10著者 氏名(和/英/ヨミ) |
/ / |
第10著者 所属(和/英) |
(略称: )
(略称: ) |
第11著者 氏名(和/英/ヨミ) |
/ / |
第11著者 所属(和/英) |
(略称: )
(略称: ) |
第12著者 氏名(和/英/ヨミ) |
/ / |
第12著者 所属(和/英) |
(略称: )
(略称: ) |
第13著者 氏名(和/英/ヨミ) |
/ / |
第13著者 所属(和/英) |
(略称: )
(略称: ) |
第14著者 氏名(和/英/ヨミ) |
/ / |
第14著者 所属(和/英) |
(略称: )
(略称: ) |
第15著者 氏名(和/英/ヨミ) |
/ / |
第15著者 所属(和/英) |
(略称: )
(略称: ) |
第16著者 氏名(和/英/ヨミ) |
/ / |
第16著者 所属(和/英) |
(略称: )
(略称: ) |
第17著者 氏名(和/英/ヨミ) |
/ / |
第17著者 所属(和/英) |
(略称: )
(略称: ) |
第18著者 氏名(和/英/ヨミ) |
/ / |
第18著者 所属(和/英) |
(略称: )
(略称: ) |
第19著者 氏名(和/英/ヨミ) |
/ / |
第19著者 所属(和/英) |
(略称: )
(略称: ) |
第20著者 氏名(和/英/ヨミ) |
/ / |
第20著者 所属(和/英) |
(略称: )
(略称: ) |
講演者 |
第1著者 |
発表日時 |
2020-02-26 10:25:00 |
発表時間 |
25分 |
申込先研究会 |
DC |
資料番号 |
DC2019-87 |
巻番号(vol) |
vol.119 |
号番号(no) |
no.420 |
ページ範囲 |
pp.7-12 |
ページ数 |
6 |
発行日 |
2020-02-19 (DC) |