【技术实现步骤摘要】
本专利技术属于集成电路可测性设计的，尤其涉及一种基于图神经网络的集成电路故障可测性预测方法。
技术介绍
1、atpg(automatic test pattern generation)即自动测试向量生成，是在集成电路测试中使用的测试向量由程序自动生成的过程，其中的一个重要步骤是判断特定故障是否可测，即是否存在一个测试向量能够检测到该故障。然而，随着集成电路规模和复杂度的不断增加，传统的故障可测性分析方法面临着计算效率低下、资源消耗巨大等挑战。
2、近年来，布尔可满足性问题(sat)求解技术在atpg领域的应用取得了显著进展。通过将电路故障检测问题转化为布尔可满足性问题，sat求解技术利用高效的cnf(合取范式)求解器求得正确的变量输入，从而获得正确的测试向量。然而对于不可测故障，现有技术无法在进行atpg前判断故障的可测试性，造成大量计算时间和资源的浪费。因此，如何准确高效地预测故障可测性，有针对性地生成测试向量，避免在不可测故障上浪费计算资源和时间，在保证准确性的同时降低测试成本，是现在亟需解决的问题。
技术实现思路
1、为解决上述技术问题，本专利技术提供了一种基于图神经网络的集成电路故障可测性预测方法，能够解决传统自动测试向量生成过程中，在不可测故障上资源浪费的问题。
2、本专利技术所述的一种基于图神经网络的集成电路故障可测性预测方法，包括以下步骤：
3、步骤1、读入网表文件，制作cnf故障数据集，并按照预设比例将该cnf故障数据集随机分为
4、步骤2、构建neurosat图神经网络模型，将训练集和验证集输入到所述neurosat网络模型中进行训练和验证，获得训练权重文件，并基于损失函数调整参数优化neurosat网络模型；
5、步骤3、读入新的网表文件,枚举故障并使用优化后的neurosat网络模型推理,得到故障可测性；
6、步骤4、根据所述故障可测性，决定是否进行自动测试向量生成或布尔可满足性分析，并根据结果进一步优化故障可测性预测模型。
7、进一步的，步骤1中，在制作所述cnf故障数据集时，将电路中的每个逻辑门转换为等价的cnf子句，并针对故障扇出锥内的每个门添加敏化约束子句和故障激活子句；
8、将所述cnf故障数据集分别划分为训练集、验证集和测试集。
9、进一步的，所述neurosat图神经网络模型包括一个输入处理层，两个初始化向量层，两个多层感知机，两个归一化层以及一个输出层；
10、所述输入处理层将cnf公式编码成包含文字节点和子句节点的无向图；
11、所述初始化向量层用于初始化无向图中的所有文字节点和子句节点的嵌入向量；
12、所述多层感知机用于处理初始化后的文字节点的消息并进行t轮迭代；
13、所述归一化层接收t轮迭代后的相邻文字节点的消息并更新嵌入；
14、所述输出层计算所有更新嵌入后文字投票的平均值作为最终的预测输出。
15、进一步的，初始化向量层使用的预定义向量linit初始化文字节点表达式如下，其中l(t)表示在第t次迭代时的文字嵌入矩阵，2n表示文字数量，d表示嵌入维度，
16、初始化向量层使用的预定义向量cinit初始化子句节点表达式如下，其中c(t)表示在第t次迭代时的子句嵌入矩阵，m表示子句数量，d表示嵌入维度，
17、
18、更新子句节点嵌入表达式如下，其中c_u表示归一化层更新子句嵌入的网络，c_h(t):网络的隐藏状态，mt表示邻接矩阵的转置，l_msg表示多层感知机层处理文字消息的传递；
19、更新文字节点嵌入表达式如下，其中l_u归一化层表示更新文字嵌入的网络，l_h(t)表示网络的隐藏状态，flip表示交换互补文字的函数，m表示邻接矩阵，c_msg表示多层感知机层处理子句消息的传递；
20、
21、输出层使用的损失函数为sigmoid交叉熵损失函数，表达式如下，其中l表示损失函数即交叉熵，y表示真实标签，σ(x)表示模型输出的sigmoid激活：
22、l＝-[yln(σ(x))+(1-y)ln(1-σ(x))]。
23、进一步的，步骤3具体为：在使用优化后的neurosat网络模型进行推理时,将新网表文件中的每个故障点转化为cnf公式，编码成包含文字节点和子句节点的无向图；将编码后的无向图输入到所述优化后的neurosat网络模型中,得到对应的故障可测性预测值。
24、进一步的，步骤4具体为：
25、对于判定为可测故障的故障点，进行自动测试向量生成；
26、对于判定为不可测的故障，进行布尔可满足性求解分析并跳过测试向量生成过程。
27、本专利技术所述的有益效果为：本专利技术引入专用cnf故障数据集，通过将电路故障编码为cnf公式，数据集保留了故障的逻辑特性，使模型能够学习到更深层次的故障模式；本专利技术引入了改进的neurosat网络模型，在原有的neurosat图神经网络模型基础上，设置了初始化向量层、多层感知机层和归一化层，改进后的neurosat网络将sat问题编码为包含文字节点和子句节点的无向图,这种表示方法保留了问题的结构信息,有助于网络学习到更深层的逻辑关系；采用图神经网络的消息传递机制,使得网络能够在图结构上进行推理,这对于处理sat这类组合问题非常适合；采用多轮消息传递迭代,网络能够模拟搜索过程。本专利技术利用图神经网络优化sat atpg的数字电路后端测试，能够有效捕捉电路拓扑和故障特征之间的复杂关系，有效避免在不可测故障上的无效开支，解决了传统方法面临的效率和资源消耗问题。
本文档来自技高网...【技术保护点】
1.一种基于图神经网络的集成电路故障可测性预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于图神经网络的集成电路故障可测性预测方法，其特征在于，步骤1中，在制作所述CNF故障数据集时，将电路中的每个逻辑门转换为等价的CNF子句，并针对故障扇出锥内的每个门添加敏化约束子句和故障激活子句；
3.根据权利要求2所述一种基于图神经网络的集成电路故障可测性预测方法，其特征在于，所述NeuroSAT图神经网络模型包括一个输入处理层，两个初始化向量层，两个多层感知机，两个归一化层以及一个输出层；
4.根据权利要求3所述一种基于图神经网络的集成电路故障可测性预测方法，其特征在于，
5.根据权利要求1所述一种基于图神经网络的集成电路故障可测性预测方法，其特征在于，步骤3具体为：在使用优化后的NeuroSAT网络模型进行推理时,将新网表文件中的每个故障点转化为CNF公式，编码成包含文字节点和子句节点的无向图；将编码后的无向图输入到所述优化后的NeuroSAT网络模型中,得到对应的故障可测性预测值。
6.根据权利要求1所述一
...【技术特征摘要】
1.一种基于图神经网络的集成电路故障可测性预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于图神经网络的集成电路故障可测性预测方法，其特征在于，步骤1中，在制作所述cnf故障数据集时，将电路中的每个逻辑门转换为等价的cnf子句，并针对故障扇出锥内的每个门添加敏化约束子句和故障激活子句；
3.根据权利要求2所述一种基于图神经网络的集成电路故障可测性预测方法，其特征在于，所述neurosat图神经网络模型包括一个输入处理层，两个初始化向量层，两个多层感知机，两个归一化层以及一个输出层；
【专利技术属性】
技术研发人员：严大鹏，冒邓捷，蔡志匡，柏晞琼，郭静静，
申请(专利权)人：南京邮电大学，
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。