ՀՀ ԳԱԱ եւ ՀՊՃՀ Տեղեկագիր. Տեխնիկական գիտություններ =Proceedings of the NAS RA and SEUA: Technical Sciences

Machine learning application for the memory bist network design characteristics estimation

Martirosyan, L. A. (2018) Machine learning application for the memory bist network design characteristics estimation. ՀՀ ԳԱԱ Տեղեկագիր: Տեխնիկական գիտություններ, 71 (4). pp. 495-502. ISSN 0002-306X

[img]
Preview
PDF - Requires a PDF viewer such as GSview, Xpdf or Adobe Acrobat Reader
314Kb

Abstract

For embedded memories’ built-in self-test (BIST) and repair systems, one of the most critical design constraints are the gate count and power consumption. This article introduces an automated method for design characteristics estimation of the memory BIST network based on machine learning algorithms. Ներկառուցված հիշողությունների ինքնաթեստավորման և ինքնավերանորոգման համակարգի ամենակարևոր նախագծային սահմանափակումներն են տարրերի քանակը և հզորության սպառումը։ Ներկայացվում է նախագծային բնութագրերի ավտոմատ գնահատման մեթոդ՝ հիշողության ներկառուցված ինքնաթեստավորման ցանցի համար, հիմնված մեքենայական ուսուցման ալգորիթմների վրա։ Для встроенных систем тестирования (BIST) и восстановления памяти одним из наиболее важных ограничений дизайна являются количество вентилей и энергопотребление. Представлен автоматизированный метод оценки дизайн-характеристик сети внедренной системы самотестирования памяти на основе алгоритмов машинного обучения.

Item Type:Article
Additional Information:Մեքենայական ուսուցման կիրառումը հիշողության ներկառուցված ինքնաթեստավորման ցանցի նախագծային բնութագրերի գնահատման համար; Применение машинного обучения для оценки дизайн-характеристик сети внедренной системы самотестирования памяти
Uncontrolled Keywords:Մարտիրոսյան Լ. Ա., Мартиросян Л. А., RTL compiler, gate count, power consumption, characteristics, machine learning
Subjects:T Technology > TK Electrical engineering. Electronics Nuclear engineering
ID Code:4258
Deposited By:Fundamental Scientific Library
Deposited On:19 Sep 2019 12:02
Last Modified:08 Oct 2019 14:25

Repository Staff Only: item control page