基于机器学习的高效率集成电路DFT技术研究 |
| |
作者姓名: | 蔡志匡 赵泽宇 杨涵 王子轩 郭宇锋 |
| |
作者单位: | 1. 南京邮电大学集成电路科学与工程学院;2. 南京邮电大学射频集成与微组装技术国家地方联合工程实验室 |
| |
基金项目: | 国家重点研发计划项目(No.2018YFB2202005);;国家自然科学基金(No.61974073,No.U22B2024)~~; |
| |
摘 要: | 本文提出了一种基于机器学习的高效率集成电路可测性设计技术.该技术以自动收集的数据作为训练集,以决定系数为评价指标,为每类目标参数选择出最佳预测模型,并预测出基于不同配置参数的可测性设计结构所对应的目标参数,最后使用最优配置推断技术,以目标参数差值的加权和作为衡量指标,输出最优的可测性设计配置参数.实验数据表明,针对可测性设计技术中最重要的测试覆盖率参数,平均预测误差仅为0.075 6%;根据目标参数差值的加权和的最小值情况,实现高效推断芯片可测性设计的最优配置参数.该技术的预测效果具有高可靠性,能够在保证高测试覆盖率的前提下,有效减少测试成本和面积开销等.
|
关 键 词: | 可测性设计 测试压缩 测试覆盖率 测试时间 机器学习 |
|