基于联合分类的集成电路有效测试模式重选方法及装置制造方法及图纸

本发明专利技术公开了基于联合分类的集成电路有效测试模式重选方法及装置，所述方法包括：生成电路的测试向量集；对电路进行故障注入，判断此电路是否存在故障，并作为目标结果；通过K均值聚类对测试向量集进行预处理，删除无用测试向量，对剩余的测试向量不加权以及多次进行不同加权情况下分别执行mRMR算法，每次执行mRMR算法时计算得到每个测试向量的MIQ值，按MIQ值大小对测试向量进行降序重排得到多组备选特征子集；多组备选特征子集分别输入SVM分类器中，将分类正确率最高的且维数最低的备选特征子集作为最优测试集；本发明专利技术的优点在于：减少测试向量冗余，降低测试时间，提高故障芯片的测试效率，有效降低测试成本。有效降低测试成本。有效降低测试成本。

【技术实现步骤摘要】
基于联合分类的集成电路有效测试模式重选方法及装置


[0001]本专利技术涉及集成电路测试
，更具体涉及基于联合分类的集成电路有效测试模式重选方法及装置。

技术介绍

[0002]随着现代半导体工艺的迅猛发展，超大规模集成电路(VISI)的研发和制造技术日臻成熟，一个普通芯片，甚至由几亿个晶体管组成正成为现实。截至2020年底，芯片性能的变化率已较过去增加了69％，测试程序的验证是开发的重要组成部分。
[0003]针对集成电路测试，主要的流程如下：
[0004]1.根据待测电路的内部结构进行分析建模，运用测试向量生成工具(Automatic Test Pattern Generation,ATPG)生成针对此电路的测试向量。在此过程中要尽量保证电路达到较高的故障覆盖率。
[0005]2.得到测试向量后，将测试向量集输入自动化测试设备ATE中，对每一个待测电路进行测试。如果测试向量命中任一故障，则说明此芯片存在问题，无法使用。如果芯片通过全部测试向量，则说明此芯片通过测试，没有出现故障，则说明此芯片无任何故障，可以投入使用。
[0006]目前，自动化测试设备ATE的造价昂贵，科技含量高，更新换代代价巨大。然而，随着CMOS工艺水平的飞速发展，芯片的制造规模越大，自动测试设备(ATE)只能用大量增加测试向量来应对，直接导致测试中的测试向量数目急剧增加，大大增加了芯片测试过程中芯片的功耗和芯片的损坏风险。例如，中国专利公开号CN112083321A公开了基于隐马尔可夫模型的电路测试方法、存储介质及装置，通过对测试向量进行重排序减少测试向量之间的翻转，从而避免电路温度过高，降低了损坏芯片的风险，提高了测试的可靠性。但是在生成测试向量时，很多测试向量都会检测到多个相同的故障，即这些测试向量中包含了较多的信息重复，进而导致了测试向量的冗余问题，导致测试时间过长，效率较为低下，测试成本不断攀升的问题。只有充分利用现有设备，优化测试集，才能减少测试向量冗余，降低测试时间，提高故障芯片的测试效率，有效降低测试成本。

技术实现思路

[0007]本专利技术所要解决的技术问题在于集成电路测试过程中如何减少测试向量冗余，降低测试时间，提高故障芯片的测试效率，有效降低测试成本。
[0008]本专利技术通过以下技术手段实现解决上述技术问题的：基于联合分类的集成电路有效测试模式重选方法，所述方法包括：
[0009]步骤一：利用测试向量生成工具生成电路的测试向量集；
[0010]步骤二：对电路进行故障注入，判断此电路是否存在故障，并作为目标结果；
[0011]步骤三：通过K均值聚类对测试向量集进行预处理，删除无用测试向量，对剩余的测试向量不加权以及多次进行不同加权情况下分别执行mRMR算法，每次执行mRMR算法时计
算得到每个测试向量的MIQ值，按MIQ值大小对测试向量进行降序重排得到多组备选特征子集；
[0012]步骤四：多组备选特征子集分别输入SVM分类器中，将分类正确率最高的且维数最低的备选特征子集作为最优测试集，进行电路测试，测试结果与目标结果比对，如果相同，则采纳最优测试集，后续利用最优测试集对电路进行测试，如果不同，则返回步骤三重新进行特征选择，直到测试结果与目标结果相同或者达到预设迭代次数。
[0013]有益效果：本专利技术通过K均值聚类对测试向量集进行预处理，删除无用测试向量，并且利用mRMR算法选取多组备选特征子集，多组备选特征子集分别输入SVM分类器中，将分类正确率最高的且维数最低的备选特征子集作为最优测试集，从而大大减少测试向量冗余，降低测试时间，提高故障芯片的测试效率，有效降低测试成本。
[0014]进一步地，所述步骤一中测试向量生成工具是ATPG。
[0015]进一步地，所述步骤二包括：
[0016]对电路进行故障注入，将测试向量集输入自动化测试设备ATE中，对每一个待测电路进行测试，如果测试向量命中任一故障，则说明待测电路存在故障；如果待测电路通过全部测试向量，则说明待测电路通过测试，没有出现故障，将故障判别结果作为目标结果。
[0017]进一步地，所述步骤三，包括：
[0018]通过K均值聚类对测试向量集进行预处理，删除无用测试向量，计算剩余的每个测试向量与目标类别c之间的相关性I(x
i
；c)，若相关性I(x
i
；c)最大的测试向量大于等于相关性阈值μ则执行mRMR算法，按MIQ值的大小对测试向量进行降序重排得到一组备选特征子集；若相关性I(x
i
；c)最大的测试向量小于相关性阈值μ则执行引入特征相关冗余权重因子α的mRMR算法，每个测试向量加权以后计算MIQ值，按MIQ值的大小对测试向量进行降序重排得到一组备选特征子集，对不同加权值下的测试向量重新计算MIQ值并对测试向量进行降序重排得到多组备选特征子集。
[0019]更进一步地，所述目标类别是K均值聚类删除无用测试向量以后剩余的测试向量的集合。
[0020]更进一步地，所述K均值聚类，包括：
[0021]步骤311：从n个测试向量中选取k个测试向量作为聚类中心；
[0022]步骤312：根据剩下的n
‑
k个测试向量，计算每个测试向量到聚类中心的距离，将每个测试向量指派到与其最近的聚类中心中，构成k个聚类；
[0023]步骤313：对已聚类的结果，计算当前每个聚类中各测试向量的均值，作为该聚类的聚类中心，得到k个新的聚类中心；
[0024]步骤314：返回执行步骤312至步骤313，直到聚类结果不发生改变则聚类停止；
[0025]步骤315：针对聚类结果中的测试向量，根据预设条件筛选测试向量，删除无用的测试向量。
[0026]更进一步地，所述步骤三还包括：
[0027]MIQ值越大说明测试向量与目标类别c的相关性越强，并且测试向量之间的冗余性更小，则删除MIQ值低于预设值的测试向量，对剩下的测试向量按MIQ值的大小对测试向量进行降序重排。
[0028]更进一步地，所述相关性阈值μ的计算方式为：
[0029]通过公式获取相关性阈值，其中，N为K均值聚类以后删除无用测试向量之后剩下的测试向量的总数。
[0030]更进一步地，所述若相关性最大的测试向量小于相关性阈值则执行引入特征相关冗余权重因子α的mRMR算法，每个测试向量加权以后计算MIQ值，按MIQ值的大小对测试向量进行降序重排得到一组备选特征子集，对不同加权值下的测试向量重新计算MIQ值并对测试向量进行降序重排得到多组备选特征子集，包括：
[0031]步骤321：当I(x
i
；c)<μ时，对每个测试向量进行加权后重新计算MIQ值；
[0032]步骤322：对重新计算MIQ值后的测试向量进行排序，按MIQ值的大小降序排列，得到一组备选特征子集；
[0033]步骤323：返回执行步骤321至步骤322，对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于联合分类的集成电路有效测试模式重选方法，其特征在于，所述方法包括：步骤一：利用测试向量生成工具生成电路的测试向量集；步骤二：对电路进行故障注入，判断此电路是否存在故障，并作为目标结果；步骤三：通过K均值聚类对测试向量集进行预处理，删除无用测试向量，对剩余的测试向量不加权以及多次进行不同加权情况下分别执行mRMR算法，每次执行mRMR算法时计算得到每个测试向量的MIQ值，按MIQ值大小对测试向量进行降序重排得到多组备选特征子集；步骤四：多组备选特征子集分别输入SVM分类器中，将分类正确率最高的且维数最低的备选特征子集作为最优测试集，进行电路测试，测试结果与目标结果比对，如果相同，则采纳最优测试集，后续利用最优测试集对电路进行测试，如果不同，则返回步骤三重新进行特征选择，直到测试结果与目标结果相同或者达到预设迭代次数。2.根据权利要求1所述的基于联合分类的集成电路有效测试模式重选方法，其特征在于，所述步骤一中测试向量生成工具是ATPG。3.根据权利要求1所述的基于联合分类的集成电路有效测试模式重选方法，其特征在于，所述步骤二包括：对电路进行故障注入，将测试向量集输入自动化测试设备ATE中，对每一个待测电路进行测试，如果测试向量命中任一故障，则说明待测电路存在故障；如果待测电路通过全部测试向量，则说明待测电路通过测试，没有出现故障，将故障判别结果作为目标结果。4.根据权利要求1所述的基于联合分类的集成电路有效测试模式重选方法，其特征在于，所述步骤三，包括：通过K均值聚类对测试向量集进行预处理，删除无用测试向量，计算剩余的每个测试向量与目标类别c之间的相关性I(x
i
；)，若相关性I(x
i
；)最大的测试向量大于等于相关性阈值μ则执行mRMR算法，按MIQ值的大小对测试向量进行降序重排得到一组备选特征子集；若相关性I(x
i
；)最大的测试向量小于相关性阈值μ则执行引入特征相关冗余权重因子α的mRMR算法，每个测试向量加权以后计算MIQ值，按MIQ值的大小对测试向量进行降序重排得到一组备选特征子集，对不同加权值下的测试向量重新计算MIQ值并对测试向量进行降序重排得到多组备选特征子集。5.根据权利要求4所述的基于联合分类的集成电路有效测试模式重选方法，其特征在于，所述目标类别是K均值聚类删除无用测试向量以后剩余的测试向量的集合。6.根据权利要求4所述的基于联合分类的集成电路有效测试模式重选方法，其特征在于，所述K均值聚类，包括：步骤311：从n个测试向量中选取k个测试向量作为聚类中心；步骤312：根据剩下的n
‑
k个测试向量，计算每个测试向量到聚类中心的距离，将每个测试向量指派到与...

【专利技术属性】
技术研发人员：詹文法，张鲁萍，张庆平，蔡雪原，江健生，郑江云，章礼华，潘盼，孙秀芳，余储贤，胡心怡，
申请(专利权)人：安庆师范大学，
类型：发明
国别省市：