【技术实现步骤摘要】
本专利技术涉及集成电路测试，具体涉及芯粒故障定位方法及系统。
技术介绍
1、随着半导体工艺尺寸逐渐逼近物理极限，芯片的性能和面积的提升随着工艺制程进步越来越小，半导体技术进入“后摩尔时代”。chiple(芯粒)技术应运而生。芯粒是指预先制造好、具有特定功能、可组合集成的晶片(die)，集成芯片就是将制造为特定功能的芯粒按照应用需求通过半导体集成技术集成制造为芯片，芯粒的出现为集成电路设计带来了更大的灵活性和定制化的可能性。
2、然而，随着芯粒技术的发展，其复杂性不断增加，芯粒化技术也带来了新的挑战。芯粒在封装后可能会由于互连问题或长时间运行损耗会导致一个或多个芯粒故障。现有技术常基于工作模式获取芯粒互联关系，从而确定检测点进行检测；或对集成芯片芯粒进行分组，基于故障指数进行判断。
3、如何快速准确定位故障的芯粒是我们目前迫切深入研究的方向。
4、当前芯粒故障诊断中，往往会由于多个芯粒复杂互连与通信难以确定问题的根源，且传统的故障诊断方法可能需要耗费大量的时间来确定故障的准确位置，需要昂贵的设备或专业知识，从而增加了系统维护与修复的成本。
5、现有技术基于工作模式获取芯粒的关联关系，确定检测点进行判断定位故障芯粒，操作较为复杂，同时需要耗费大量时间；基于故障指数判断可能涉及主观判断和设定阈值，会导致不同使用者在不同情况下得出故障指数不一致，缺乏客观性，并且可能无法覆盖所有故障类型，导致判断不准确。
6、公布号为cn106886843a的现有专利技术专利申请文献《基于改进粒
7、公布号为cn116340072a的现有专利技术专利申请文献《一种多芯粒芯片的故障检测方法和装置》，该现有方法包括：获取目标多芯粒芯片的运行数据；对运行数据进行解析，确定目标多芯粒芯片中各芯粒之间的关联关系；其中，关联关系用于表征芯粒之间的通信连接关系；根据每个关联关系，确定包括位于芯粒上的待检测位点；基于预先训练的故障检测模型，根据运行数据对每个待检测位点进行故障检测，得到故障检测结果。其中，s1：确定粒子群的规模、维数、预设迭代次数、初始化粒子群的位置、速度；s2：构建深度信念网络，根据所述粒子群对所述深度信念网络的权值和网络隐藏节点数值进行初始化，得到初始化深度信念网络，将所述初始化深度信念网络作为当前的深度信念网络执行步骤s3；s3：根据当前的深度信念网络，利用所述粒子群优化算法进行迭代，得到当前最优解；s4：将所述当前最优解作为初始点，获取所述当前最优解的位置和速度；s5：根据所述当前最优解的位置和速度，利用共轭梯度更新所述当前最优解的速度，得到全局最优解；s6：根据所述全局最优解更新所述粒子群的位置、速度、所述深度信念网络的权值和网络隐藏节点数值，得到新的深度信念网络；判断当前迭代次数是否小于所述预设迭代次数；若是，将该新的深度信念网络作为当前的深度信念网络返回步骤s3；否则，将该新的深度信念网络输出为优化深度信念网络。由前述现有技术的具体实施方案内容可知，引入了关联关系的概念来表征芯粒间的通信连接，使用这些关系来确定检测位点。使用粒子群优化算法对深度信念网络dbn进行优化，并利用共轭梯度法进一步优化粒子群的搜索效果，以建立一个优化的故障检测模型。
8、由于芯粒的故障模式可能非常复杂，涉及多种物理和逻辑因素，传统的pso或bfs算法需要针对具体的故障类型和芯片架构进行大量的定制化修改。同时，结合这两种算法需要深入理解芯粒故障的内在机制，以及如何通过算法有效地映射这些机制。在传统的pso算法中，每个粒子的位置和速度是根据自身经验和群体经验来更新。
9、综上，前述现有技术存在故障定位精度较低、定位效率低、故障检测成本高以及适用场景较少的技术问题。
技术实现思路
1、本专利技术所要解决的技术问题在于：如何解决现有技术中故障定位精度较低、定位效率低、故障检测成本高以及适用场景较少的技术问题。
2、本专利技术是采用以下技术方案解决上述技术问题的：芯粒故障定位方法包括：
3、s1、获取并根据芯粒历史运行数据，构建故障检测模型，对故障检测模型进行模型预训练，以得到适用故障检测模型；
4、s2、当判定芯片发生故障时，获取所有芯粒运行数据；
5、s3、定义一个队列，任意选取一个芯粒，将该芯粒放入队列；
6、s4、从队列中取出一个芯粒，获取该芯粒的运行数据，标记当前的芯粒为已选取芯粒，基于适用故障检测模型进行故障判定；在芯片发生故障时，进行故障标记操作；
7、s5、访问已选取芯粒的邻接芯粒，将邻接芯粒放入队列中；
8、s6、循环执行步骤s4至步骤s5，直到队列为空；
9、s7、获取所已选取芯粒，以得到故障芯粒。
10、本专利技术基于图的广度优先算法(bfs，breadth first search)及粒子群算法(pso，particle swarm optimization)进行芯粒故障检测。通过bfs快速遍历集成芯片中所有互连芯粒，并通过基于pso的故障诊断模型进行故障诊断从而实现快速且精确地定位故障芯粒。使用pso可根据搜索过程的反馈信息动态调整参数，适应不同故障诊断场景，可应用于不同类型和规模诊断问题。
11、具体地，本专利技术利用广度优先搜索bfs，能够快速遍历集成电路中所有的芯粒，这种方法时间复杂度低，实现简单，有助于快速定位故障发生的区域。
12、在更具体的技术方案中，s1包括：
13、s11、从芯粒历史运行数据中提取数据特征，进行归一化处理；
14、s12、建立bp神经网络模型，确定bp神经网络模型的拓扑结构，并定义适用于pso适应度函数；
15、s13、随机生成一群粒子，设置最大迭代数，在每一次迭代中，更新每个粒子的位置和速度；
16、s14、基于历史运行数据，对bp神经网络模型进行预训练操作，以得到适用故障检测模型。
17、本专利技术通过模型预训练，利用历史数据预训练故障检测模型，提高了模型的预测准确性和反应速度，减少了实时计算的需求，从而降低了检测成本。
18、在更具体的技术方案中，s11中，利用芯粒历史运本文档来自技高网...
【技术保护点】
1.芯粒故障定位方法，其特征在于，所述方法包括：
2.根据权利要求1所述的芯粒故障定位方法，其特征在于，所述S1包括：
3.根据权利要求2所述的芯粒故障定位方法，其特征在于，所述S11中，利用所述芯粒历史运行数据，构建多芯粒芯片历史运行数据集。
4.根据权利要求2所述的芯粒故障定位方法，其特征在于，所述S13中，粒子更新操作包括：PSO粒子群优化算法。
5.根据权利要求4所述的芯粒故障定位方法，其特征在于，所述PSO粒子群优化算法包括：
6.根据权利要求1所述的芯粒故障定位方法，其特征在于，所述S3中，以所述芯粒为顶点进行互连操作，以得到无向图。
7.根据权利要求5所述的芯粒故障定位方法，其特征在于，所述顶点之间的边，代表所述芯粒的互连关系。
8.根据权利要求1所述的芯粒故障定位方法，其特征在于，所述步骤S3中，定义所述队列，存放待访问的所述芯粒。
9.根据权利要求1所述的芯粒故障定位方法，其特征在于，所述步骤S5包括：
10.芯粒故障定位系统，其特征在于，所述系统包括：<...
【技术特征摘要】
1.芯粒故障定位方法，其特征在于，所述方法包括：
2.根据权利要求1所述的芯粒故障定位方法，其特征在于，所述s1包括：
3.根据权利要求2所述的芯粒故障定位方法，其特征在于，所述s11中，利用所述芯粒历史运行数据，构建多芯粒芯片历史运行数据集。
4.根据权利要求2所述的芯粒故障定位方法，其特征在于，所述s13中，粒子更新操作包括：pso粒子群优化算法。
5.根据权利要求4所述的芯粒故障定位方法，其特征在于，所述pso粒子群优化算法包括：
...【专利技术属性】
技术研发人员：詹文法，周杨心梓，张悦，郑江云，杨爱民，蔡雪原，张珺瑚，张庆平，潘盼，章礼华，吴兆旺，
申请(专利权)人：安庆师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。