CN110865296B - 测试方法、装置及相关产品 - Google Patents

Abstract

本公开涉及一种测试方法、装置及相关产品，所述产品包括控制模块，所述控制模块包括：指令缓存单元、指令处理单元和存储队列单元；所述指令缓存单元，用于存储所述人工神经网络运算关联的计算指令；所述指令处理单元，用于对所述计算指令解析得到多个运算指令；所述存储队列单元，用于存储指令队列，该指令队列包括：按该队列的前后顺序待执行的多个运算指令或计算指令。

Description

测试方法、装置及相关产品

技术领域

本公开涉及集成电路测试技术领域，尤其涉及一种测试方法、装置及相关产品。

背景技术

在人工智能技术领域，神经网络算法是最近非常流行的一种机器学习算法，在各种领域中都取得了非常好的效果，比如图像识别、语音识别、自然语言处理等。为了适应神经网络算法而设计了专门的人工智能芯片，传统的对芯片测试结果进行有效性和良率分析的方法不适用于人工智能芯片产品。

发明内容

有鉴于此，本公开提出了一种人工智能芯片的有效性的测试方法及装置，将人工智能模块和人工智能以外的模块的测试结果分开分析，根据人工智能模块的测试结果以及其他模块的测试结果判定所述人工智能芯片是否有效，有利于筛选出虽然存在测试项失效但不影响正常使用的产品，能够提高测试效率，降低芯片生产的成本。

根据本公开的一方面，提供了一种人工智能芯片的有效性的测试方法，所述方法包括：

获取人工智能芯片的测试数据，所述测试数据包括人工智能芯片的各个模块的测试结果；

根据人工智能模块的测试结果以及其他模块的测试结果判定所述人工智能芯片是否有效，

其中，所述其他模块为人工智能芯片上除了人工智能模块以外的模块。

根据本公开的另一方面，提供了一种人工智能芯片的有效性的测试装置，所述装置包括：

获取模块，用于获取人工智能芯片的测试数据，所述测试数据包括人工智能芯片的各个模块的测试结果；

判定模块，用于根据人工智能模块的测试结果以及其他模块的测试结果判定所述人工智能芯片是否有效，

其中，所述其他模块为人工智能芯片上除了人工智能模块以外的模块。

根据本公开的另一方面，提供了一种人工智能芯片的有效性的测试装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述方法。

根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。

通过将人工智能模块和人工智能以外的模块的测试结果分开分析，根据人工智能模块的测试结果以及其他模块的测试结果判定所述人工智能芯片是否有效，有利于筛选出虽然存在测试项失效但不影响正常使用的产品，能够提高测试效率，降低芯片生产的成本。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开一实施例的测试方法的流程图。

图2示出根据本公开一实施例的应用场景的示意图。

图3示出根据本公开一实施例的步骤S12的方法的流程图。

图4示出根据本公开一实施例的统计报告中饼状图的示意图。

图5示出根据本公开一实施例的测试方法的应用环境的示意图。

图6示出根据本公开一实施例的测试装置的框图。

图7示出根据本公开一实施例的测试装置的框图。

图8是根据一示例性实施例示出的一种用于人工智能芯片的有效性的测试装置的框图。

图9是根据一示例性实施例示出的一种用于人工智能芯片的有效性的测试装置的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

名词解释：

晶圆良率:一枚晶圆的合格芯片与该晶圆总芯片数的百分比。

集成电路测试在人工智能芯片产品开发的过程中扮演着越来越重要的角色。集成电路测试是在芯片制造出来后使用ATE(automatic test equipment)设备通过可测性逻辑对芯片施加激励进行测试，挑选出没有制造缺陷的芯片。

目前，业界在决定芯片质量优劣等级时通常采用以整颗芯片(Die)为单位进行计算，即整颗Die中有一个测试项失效或一个模块失效的话即认为芯片是劣质品。但是对于人工智能芯片，在有些情况下，有一个测试项或者某几个测试项失效的情况下或有一个模块失效或某几个模块失效的情况下，人工智能芯片仍然可以正常工作。这种传统的晶圆良率的划分方法并不适用于人工智能芯片产品。因此，针对人工智能芯片产品，提供一种有效性的测试方法以及装置，解决现有技术中的芯片有效性判断以及良率分析方法导致的误杀正常产品的问题。

本公开的人工智能芯片的有效性的测试方法将人工智能模块和人工智能以外的模块的测试结果分开分析，根据人工智能模块的测试结果以及其他模块的测试结果判定所述人工智能芯片是否有效，有利于筛选出虽然存在测试项失效但不影响正常使用的产品，能够提高测试效率，降低芯片生产的成本。比如说，对于部分人工智能模块未通过测试而全部其他模块通过测试的人工智能芯片可以判定为有效。

图1示出根据本公开一实施例的人工智能芯片的有效性的测试方法的流程图。如图1所示，本公开提供的人工智能芯片的有效性的测试方法可以包括以下步骤：

步骤S11，获取人工智能芯片的测试数据，所述测试数据包括人工智能芯片的各个模块的测试结果；

步骤S12，根据人工智能模块的测试结果以及其他模块的测试结果判定所述人工智能芯片是否有效，

其中，所述其他模块为人工智能芯片上除了人工智能模块以外的模块。

在一种可能的实现方式中，本公开的测试方法可以用于处理器，图2示出根据本公开一实施例的应用场景的示意图，如图2所示，ATE设备1上可以设置有处理器，处理器可以安装有ATE测试工具，ATE设备连接待测试的人工智能芯片2，人工智能芯片2也可以设置在ATE测试机台(未示出)上，ATE设备也可以连接ATE测试机台，ATE设备可以通过ATE测试机台对待测试的人工智能芯片进行测试获得测试数据，通过ATE测试工具可以对获取的测试数据进行分析，判断芯片是否有效。

上述处理器可以是通用处理器，例如CPU(Central Processing Unit，中央处理器)，也可以是用于执行人工智能运算的人工智能处理器(IPU)。人工智能运算可包括机器学习运算，类脑运算等。其中，机器学习运算包括神经网络运算、k-means运算、支持向量机运算等。该人工智能处理器可例如包括GPU(Graphics Processing Unit，图形处理单元)、NPU(Neural-Network Processing Unit，神经网络处理单元)、DSP(Digital SignalProcess，数字信号处理单元)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)芯片等中的一种或组合。本公开对处理器的具体类型不作限制。

图5示出根据本公开一实施例的人工智能芯片的有效性的测试方法的应用环境的示意图。如图5所示，处理器100可以包括多个处理单元101以及存储单元102，多个处理单元101用于执行指令序列，存储单元102用于存储数据，可包括随机存储器(RAM，RandomAccess Memory)和寄存器堆。处理器100中的多个处理单元101既可共用部分存储空间，例如共用部分RAM存储空间和寄存器堆，又可同时拥有各自的存储空间。

上述人工智能芯片可以是指包含人工智能模块的芯片，人工智能模块可以是用于执行上述人工智能运算的模块，人工智能模块可以是人工智能芯片的核或人工智能处理单元，多个人工智能模块对应人工智能芯片的多个核或多个人工智能处理单元。

人工智能芯片上还可以包括SOC(System on Chip，片上系统)模块、PCI-E(Peripheral Component Interconnect–Express)模块、DDR(Double Data Rate)模块、CPU模块等模块，统称为其他模块，其他模块可以是根据实际功能的需求而设置的，本公开对其他模块的具体类型不作限定。

人工智能芯片上可以包括一个或两个以上人工智能模块，和/或，一个或两个以上其他模块，人工智能芯片的测试数据可以是以模块划分的数据，例如，人工智能芯片的测试数据可以包括各个人工智能模块的测试结果和各个其他模块的测试结果。各个模块的测试结果可以是指各个模块通过测试或者未通过测试，例如，各个人工智能模块的测试结果可以包括通过测试和未通过测试，各个其他模块的测试结果也可以包括通过测试和未通过测试。

在一种可能的实现方式中，可以对一个模块进行一项或者两项以上的测试，也就是说对一个模块进行测试后可以得到一个测试项的测试结果或者两个以上测试项的测试结果，测试项的测试结果仍然可以包括通过测试或者未通过测试。如果对一个模块进行了一项测试，那么该测试项的测试结果就可以代表该模块的测试结果。如果对一个模块进行了两项以上的测试，那么所有的测试项的测试结果都是通过测试，可以确定该模块的测试结果为通过测试，如果有一项以上的测试项的测试结果为未通过测试，那么该模块的测试结果为未通过测试。

举例来说，人工智能模块和其他模块的测试项可以包括多种，例如，可以包括stuck、transition、mbist(memory built-in self test)、chain测试项，也可以包括以上测试项中的一种或者两种以上，本公开对此不作限定。对于一个模块，该模块的每个测试项对应的测试结果都是通过测试，则该模块的测试结果为通过测试，该模块对应的任意一个测试项对应的测试结果为未通过测试，则该模块的测试结果为未通过测试。

在一种可能的实现方式中，每个测试项可以在一种或者两种以上的测试电压下测试。对于采用两种以上测试电压下进行测试的测试项，该测试项在对其测试的所有测试电压下的测试结果都为通过测试，则该测试项的测试结果为通过测试，若有任意一种测试电压下的测试结果为未通过测试，则该测试项的测试结果为未通过测试。举例来说，每个测试项可以在3种不同的测试电压下测试，每种测试电压下的测试结果都是通过测试，则该测试项的测试结果为通过测试。

本公开的测试方法可以用于对一颗人工智能芯片进行有效性测试，也可以用于对两颗以上人工智能芯片进行有效性测试，对于两颗以上的人工智能芯片可以对测试结果进行统计分析。

在一种可能的实现方式中，在完成晶圆的制作后，可以切割成多颗单个的人工智能芯片，将人工智能芯片设置在ATE测试机台上，可以采用ATE测试机台对单颗的人工智能芯片进行测试，逐个测试获得每个人工智能芯片的测试数据。例如，采用ATE测试机台结合可测性逻辑对人工智能芯片施加测试激励(例如，上述的测试电压)进行测试，从而获得人工智能芯片的测试数据。

在另一种可能的实现方式中，在完成晶圆的制作后，可以采用DFT工程师设计的ATE测试向量在ATE测试机台直接对晶圆或晶圆上的人工智能芯片进行测试，例如，采用ATE测试机台结合可测性逻辑对晶圆或晶圆上的人工智能芯片施加测试激励进行测试，从而获得晶圆上多颗人工智能芯片的测试数据。

然后，可以采用人工的方式或者自动加载的方式(如图2)从ATE测试机台以文件的形式导出测试数据，并将文件加载到处理器中，处理器获取到人工智能芯片的测试数据，处理器可以对文件进行格式转换等。举例来说，在将文件加载到处理器后，处理器可以使用Python脚本语言对文件进行格式转换得到txt格式的文件，txt格式的文件中包含一颗或者多颗人工智能芯片的测试数据。

图3示出根据本公开一实施例的步骤S12的方法的流程图。

对于步骤S12，如图3所示，在一种可能的实现方式中，步骤S12可以包括：

步骤S121，对于全部人工智能模块未通过测试的人工智能芯片可以判定为无效。

对于人工智能芯片，如果芯片上的人工智能模块全部未通过测试，那么就无法执行人工智能运算，因此，不管其他模块是否通过测试，这种情况下，都可以判定为无效。

在一种可能的实现方式中，如图3所示，步骤S12还可以包括：

步骤S122，对于部分或全部人工智能模块通过测试、其他模块都通过测试的人工智能芯片判定为有效。

对于其他模块都通过测试的人工智能芯片，芯片可以正常使用。如果全部人工智能模块通过测试，人工智能芯片是有效的。如果部分人工智能模块通过测试，也不影响人工智能芯片的正常使用，只是人工智能芯片的核或人工智能处理单元的数量相比于全部人工智能模块通过的少。因此，以上两类芯片都可以判定为有效。

在一种可能的实现方式中，如图3所示，步骤S12还可以包括：

步骤S123，对于全部其他模块均未通过测试的人工智能芯片判定为无效。

其他模块均未通过的人工智能芯片，无法正常工作。因此，不管人工智能模块是否通过测试，这种情况下，都可以判定为无效。

在一种可能的实现方式中，如图3所示，步骤S12还可以包括：

步骤S124，对于部分其他模块未通过测试、至少一个人工智能模块通过测试的人工智能芯片进行进一步分析。

进一步分析的人工智能芯片为至少一个人工智能模块通过测试、部分其他模块未通过测试，因为全部人工智能模块或全部其他模块未通过测试的人工智能芯片判定为无效。部分其他模块未通过测试可能不影响人工智能芯片的正常使用，因此，可以对这类芯片进行进一步的分析，以确定人工智能芯片是否有效以及无效的原因，等等。

进一步分析可以采用多种不同的分类方式，比如说根据通过测试或者未通过测试的人工智能模块的数量、其他模块的测试结果以及其他模块的测试项的测试结果等等。本公开将以两个示例为例进行介绍。

示例1

在一种可能的实现方式中，对于部分其他模块未通过测试、至少一个人工智能模块通过测试的人工智能芯片进行进一步分析，可以包括：根据通过测试或者未通过测试的人工智能模块的数量对所述人工智能芯片进行分类得到第一级分类结果。

一块芯片上可以包括一个或者两个以上的人工智能模块，那么可以根据通过测试和未通过测试的人工智能模块的数量对芯片进行分类得到第一级分类结果，需要说明的是，第一级分类结果中的人工智能芯片的其他模块为未通过测试，因为有部分的其他模块未通过测试。例如，第一级分类结果中可以包括：一个人工智能模块通过测试、其他模块未通过测试，两个人工智能模块通过测试、其他模块未通过测试，三个以上人工智能模块通过测试、其他模块未通过测试，全部人工智能模块通过测试、其他模块未通过测试等；或者，也可以分为：一个人工智能模块未通过测试、其他模块未通过测试，两个人工智能模块未通过测试、其他模块未通过测试，三个以上人工智能模块未通过测试、其他模块未通过测试，等等。需要说明的是，以上第一级分类结果的分类方式仅仅是本公开的一些示例，不以任何方式限制本公开。

通过根据人工智能模块通过测试或者未通过测试的数量对人工智能芯片进行分类，便于评估人工智能芯片的价值，可以应用于对人工智能芯片进行定价等场景中，提高工作效率、降低生产成本。根据分析的结果还可以进行前项的反馈，排查生产流程中的问题，从而提高生产效率、降低生产成本。在一种可能的实现方式中，如果对多颗人工智能芯片进行了本公开的有效性的测试和分析，可以对分类结果进行统计，统计每一类第一级分类结果的人工智能芯片的数量，得到统计结果。

在一种可能的实现方式中，所述方法还包括：根据所述统计结果输出统计报告，所述统计报告中可以包括饼状图，也就是说可以以饼状图的形式输出统计结果。还可以以柱状图等形式输出统计结果，本公开对输出统计结果的具体表现形式不作限定，只要便于用户分析统计结果即可。

在一种可能的实现方式中，对于部分其他模块未通过测试、至少一个人工智能模块通过测试的人工智能芯片进行进一步分析，还可以包括：对于第一级分类结果，根据其他模块的测试结果对所述第一级分类结果继续进分类得到第二级分类结果。

换言之，对于上述第一级分类结果中的每一类结果，可以根据其他模块的测试结果对该类结果继续进行分类得到第二级分类结果。根据其他模块的测试结果对该类结果继续进行分类可以是指：根据通过测试或者未通过测试的其他模块的数量、类型等对所述第一级分类结果继续进行分类得到第二级分类结果。举例来说，其他模块可以包括SOC模块、PCI-E模块、DDR模块、CPU模块，以第一级分类结果中的全部人工智能模块通过测试、其他模块未通过测试的一类结果为例，该类第一级分类结果的第二级分类结果可以包括：1、全部人工智能模块通过测试、SOC模块未通过测试，PCI-E模块、DDR模块和CPU模块通过测试；2、全部人工智能模块通过测试、PCI-E模块未通过测试，SOC模块、DDR模块和CPU模块通过测试；3、全部人工智能模块通过测试，DDR模块未通过测试，PCI-E模块、SOC模块和CPU模块通过测试，等等。

全部人工智能模块通过测试、其他模块未通过测试，可以是指：一个人工智能芯片上所有的人工智能模块全部通过测试、其他模块中至少有一个模块未通过测试。以上仅仅以第一级分类结果中的一类结果为例对第二级分类结果进行了说明，对于第一级分类结果中的其他几类结果也可以以相同或者类似的方式进行分类，本公开不限于上述示例中的分类方式。

通过根据其他模块的测试结果进一步分类，可以更准确的分析出人工智能芯片出现问题的原因，以便于对人工智能芯片是否有效进行准确的判定。比如说，若某一个(或者几个)其他模块未通过测试不影响人工智能芯片的正常使用，那么可以将该其他模块未通过测试、剩余的其他模块通过测试的人工智能芯片分为一类第二级分类结果，属于该类第二级分类结果的人工智能芯片可以判定为有效。

在一种可能的实现方式中，可以将第二级分类结果进行统计并输出到统计报告中，例如，同样可以采用饼状图的方式展示统计结果。

根据其他模块的测试结果对第一级分类结果进一步分析得到第二级分类结果，可以根据分析结果排查生产流程中的问题，从而提高生产效率、降低生产成本。

在一种可能的实现方式中，所述其他模块的测试结果包括多个测试项的测试结果，对于部分其他模块未通过测试、至少一个人工智能模块通过测试的人工智能芯片进行进一步分析，还可以包括：

根据其他模块的每个测试项的测试结果对所述第二级分类结果进行分类得到第三级分类结果。

对于未通过测试的其他模块，可以根据这些未通过测试的其他模块的测试项的测试结果对芯片继续进行分类，然后可以对第三极分类结果进行统计，根据统计结果可以进一步确定是哪些测试项未通过测试导致其他模块未通过测试，有利于查找人工智能芯片生产流程中的问题，从而进行反馈，提高生产效率、降低生产成本。

示例2

在该示例中，对于部分其他模块未通过测试、至少一个人工智能模块通过测试的人工智能芯片进行进一步分析，可以包括：

根据其他模块的测试结果对所述人工智能芯片进行分类得到第一级分类结果；

和/或，

根据其他模块的每个测试项的测试结果和/或通过测试或者未通过测试的人工智能模块的数量，对所述第一级分类结果进行分类得到第二级分类结果。

上述示例1和示例2得到的第一级分类结果是不同的，第二级分类结果也是不同的。也就是说，可以根据实际的需求调整分类的标准和每一级分类标准的顺序，从而有利于后期的统计分析，对人工智能芯片的有效性进行判定和查找人工智能芯片无效的原因。

在一种可能的实现方式中，如图3所示，步骤S12还可以包括：步骤S125，对于部分人工智能模块未通过测试、全部其他模块通过测试的人工智能芯片进行进一步分析。

在一种可能的实现方式中，对于部分人工智能模块未通过测试、全部其他模块通过测试的人工智能芯片进行进一步分析，也可以包括：根据通过测试或者未通过测试的人工智能模块的数量对所述人工智能芯片进行分类得到第一级分类结果。

其他模块全部通过测试，根据通过测试或者未通过测试的人工智能模块的数量进行分类的方式可以参见上文中的实施例，例如，可以包括：一个人工智能模块通过测试、两个人工智能模块通过测试、三个以上人工智能模块通过测试；或者，也可以包括：一个人工智能模块未通过测试、两个人工智能模块未通过测试、三个以上人工智能模块未通过测试等。

对于其他模块全部通过测试、部分人工智能模块未通过测试的人工智能芯片，通过进一步分类可以更准确的分析出人工智能芯片出现问题的原因，可以根据分析结果排查生产流程中的问题，从而提高生产效率、降低生产成本。

图3中步骤的执行顺序仅仅是本公开的一个示例，不以任何方式限制本公开，比如说判定有效、无效的顺序以及分析的顺序不分先后。

需要说明的是，对于对多颗人工智能芯片进行了本公开的有效性的测试和分析的情况，都可以对各级分类结果进行统计，统计每一级分类结果中每一类的人工智能芯片的数量，得到统计结果。根据所述统计结果输出统计报告，可以以饼状图的形式输出统计结果。通过统计分析并输出统计报告，可以更直观的确定芯片的有效率。

在一种可能的实现方式中，可以采用脚本语言对所述测试数据进行处理，以根据人工智能模块的测试结果以及其他模块的测试结果判定人工智能芯片是否有效，以及根据人工智能模块的测试结果以及其他模块的测试结果对所述多颗芯片进行分类得到分类结果，对所述分类结果进行统计，得到统计结果，也可以是采用脚本语言对分类结果进行统计，得到统计结果。其中，脚本语言可以是Python脚本语言。通过脚本语言进行有效性判定、分类及统计，可以自动完成人工智能芯片的有效性测试。

一个应用示例

使用Python脚本语言处理从ATE测试机台获取的测试数据，根据每个人工智能芯片的测试数据(人工智能模块的测试结果和其他模块的测试结果)，对该人工智能芯片的有效性进行判定，以及根据人工智能模块的测试结果和其他模块的测试结果对人工智能芯片进行分类得到分类结果，并可以对分类结果进行统计分析，该方法具体实施步骤可以如下：

1)使用Python脚本语言处理ATE测试机台获取的测试数据，将测试数据转换为某种格式的文件，文件可以命名为device.txt，device文件含有多颗芯片(大批量生产过程中可能有数百万颗芯片)中各个模块的各个测试项信息；

2)使用Python脚本语言处理device.txt文件，根据未通过测试(或者通过测试)的人工智能模块的数量将device文件中记录的测试项信息分为十二种测试结果(Bin0～Bin11，第一级分类结果的示例)，Bin表示自动测试过程中的一种分类关键词，通过Bin值可以索引器件属于哪一类失效；第一级分类结果表示如下:

a)Bin0：人工智能模块测试结果pass，其他模块测试结果pass；

b)Bin1：有一个人工智能模块测试结果fail，其他模块测试结果pass；

c)Bin2：有两个人工智能模块测试结果fail，其他模块测试结果pass；

d)Bin3：有三个人工智能模块测试结果fail，其他模块测试结果pass；

e)Bin4：有大于三个人工智能模块测试结果fail，其他模块测试结果pass；

f)Bin5：人工智能模块测试结果pass，部分其他模块测试结果fail；

g)Bin6：有一个人工智能模块测试结果fail，部分其他模块测试结果fail；

h)Bin7：有两个人工智能模块测试结果fail，部分其他模块测试结果fail；

i)Bin8：有三个人工智能模块测试结果fail，部分其他模块测试结果fail；

j)Bin9：有大于三个人工智能模块测试结果fail，部分其他模块测试结果fail；

k)Bin10：全部人工智能模块测试结果fail；

l)Bin11：全部其他模块测试结果fail。

3)对于分入类别Bin10和Bin11中的人工智能芯片判定为无效；

对于分入类别Bin0～Bin4中的人工智能芯片可以判定为有效，Bin1～Bin4是对于部分人工智能模块未通过测试、全部其他模块通过测试的人工智能芯片进行进一步分析得到的第一级分类结果的一个示例；

如上所述的Bin5～bin9为对于部分其他模块未通过测试的人工智能芯片进一步分析得到的第一级分类结果一个示例；

需要说明的是，本公开不限于先对人工智能芯片进行分类得到上述第一级分类结果，再判定人工智能芯片的有效性，还可以先对有效性进行判定，然后再进行分类。

4)对于第一类分类结果中的Bin5～bin9，还可以根据其他模块的测试结果对所述第一级分类结果继续进分类得到第二级分类结果。

以类别Bin5为例，对于分入类别Bin5的人工智能芯片，人工智能模块测试结果均是pass的，部分他模块测试结果fail的人工智能芯片有可能还是能够正常工作的，将继续分析人工智能模块测试结果pass、其他模块测试结果fail的信息。其他模块可以包含(A、B、C、D、E)五种不同的模块，这些模块的fail信息统一分在了其他模块测试结果fail的信息中，现在需要将这些fail信息进行单独的分析，得到第二级分类结果，具体包括如下：

a)Bin12：仅仅A模块fail

b)Bin13：仅仅B模块fail

c)Bin14：仅仅C模块fail

d)Bin15：仅仅D模块fail

e)Bin16：仅仅E模块fail

f)Bin17：两个或者两个以上模块fail

对于第一级分类结果中的类别Bin6～Bin9也可以进行如上所述的二级分类得到第二级分类结果，可以更准确的分析出人工智能芯片出现问题的原因，以便于对人工智能芯片是否有效进行准确的判定。

5)对于第二级分类结果，还可以根据其他模块的每个测试项的测试结果对所述第二级分类结果进行分类得到第三级分类结果。

举例来说，对于ABCDE五个单独的模块，继续探究每个模块是由哪个测试项导致失效的，将这些信息进行单独分析，以A模块为例，具体包括：

a)Bin101：A1测试项fail

b)Bin102：A2测试项fail

c)Bin103：A3测试项fail

d)Bin104：A4测试项fail

……

根据分析结果可以进一步确定是哪些测试项未通过测试导致其他模块未通过测试，有利于查找人工智能芯片生产流程中的问题，从而进行反馈，提高生产效率、降低生产成本。

6)使用Python脚本语言，处理device.txt信息，使用python matplotlib函数将所测人工智能芯片的统计结果打印输出成饼状图较为直观的显示出来。

图4示出根据本公开一实施例的统计报告中饼状图的示意图。图4中仅示出一个模块的测试项的统计结果(第三级分类结果)，其他模块未示出。如图4所示，可以直观的看到各类芯片占全部芯片的比例、以及各种测试项导致芯片失效所占的比例等信息。

7)统计芯片量产良率，形成芯片良率测试统计报告。

本公开实施例提供的人工智能芯片的有效性的测试方法，通过使用Python脚本语言处理从ATE测试机台获取的测试数据，将每颗芯片的测试项进行分析，根据分析结果判定芯片的有效性、以及得到芯片良率的统计信息，针对人工智能模块进行专门的统计，解决现有技术中芯片良率划分导致误杀产品良率的问题，从而达到降低集成电路生产成本，提高集成电路测试效率的技术效果。

针对以上示例，采用现有技术中的芯片良率划分方式，Bin1～Bin4中的人工智能芯片可能被划分为失效芯片。如图4所示，采用现有技术中的芯片良率划分方式，对于Bin5类的芯片也将被划分为失效芯片，而根据本公开的划分方式，Bin1～Bin4中的人工智能芯片被划分为有效，Bin5类芯片可以被筛选出来做进一步分析，根据分析结果确定是否能继续使用。针对Bin1、Bin2、Bin3等模块，还可以根据人工智能模块的测试通过率可以对芯片进行估价销售。通过以上方式都可以降低成本，以上仅仅是一种应用场景的示例，不以任何方式限制本公开。

基于Python脚本语言来实现，还可以达到设计代码统一管理、高效，自动化碎片处理以及提高工作效率的技术效果。

本公开还提供了一种人工智能芯片的有效性的测试装置，该装置可以应用于上文所述的处理器中，图6示出根据本公开一实施例的人工智能芯片的有效性的测试装置的框图。

如图6所示，所述装置可以包括：

获取模块51，用于获取人工智能芯片的测试数据，所述测试数据包括人工智能芯片的各个模块的测试结果；

判定模块52，用于根据人工智能模块的测试结果以及其他模块的测试结果判定所述人工智能芯片是否有效，

其中，所述其他模块为人工智能芯片上除了人工智能模块以外的模块。

通过将人工智能模块和人工智能以外的模块的测试结果分开分析，根据人工智能模块的测试结果以及其他模块的测试结果判定所述人工智能芯片是否有效，有利于筛选出虽然存在测试项失效但不影响正常使用的产品，能够提高测试效率，降低芯片生产的成本。

图7示出根据本公开一实施例的人工智能芯片的有效性的测试装置的框图。如图7所示，在一种可能的实现方式中，所述判定模块52可以包括：

第一判定单元521，用于对于全部人工智能模块未通过测试的人工智能芯片判定为无效；

第二判定单元522，用于对于部分或全部人工智能模块通过测试、其他模块都通过测试的人工智能芯片判定为有效；

第三判定单元523，用于对于全部其他模块均未通过测试的人工智能芯片判定为无效。

在一种可能的实现方式中，所述判定模块52还包括：

第一分析单元524，用于对于部分其他模块未通过测试、至少一个人工智能模块通过测试的人工智能芯片进行进一步分析。

在一种可能的实现方式中，所述第一分析单元524还用于根据通过测试或者未通过测试的人工智能模块的数量对所述人工智能芯片进行分类得到第一级分类结果。

在一种可能的实现方式中，所述第一分析单元524还用于对于第一级分类结果，根据其他模块的测试结果对所述第一级分类结果继续进分类得到第二级分类结果。

在一种可能的实现方式中，所述其他模块的测试结果包括多个测试项的测试结果，所述第一分析单元524还用于根据其他模块的每个测试项的测试结果对所述第二级分类结果进行分类得到第三级分类结果。

在一种可能的实现方式中，所述判定模块52还包括：第二分析单元525，用于对于部分人工智能模块未通过测试、全部其他模块通过测试的人工智能芯片进行进一步分析。

图8是根据一示例性实施例示出的一种用于人工智能芯片的有效性的测试装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图8，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由装置800的处理器820执行以完成上述方法。

图9是根据一示例性实施例示出的一种用于人工智能芯片的有效性的测试装置1900的框图。例如，装置1900可以被提供为一服务器。参照图9，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

依据以下条款可更好地理解前述内容：

条款A1.一种人工智能芯片的有效性的测试方法，所述方法包括：

获取人工智能芯片的测试数据，所述测试数据包括人工智能芯片的各个模块的测试结果；

根据人工智能模块的测试结果以及其他模块的测试结果判定所述人工智能芯片是否有效，

其中，所述其他模块为人工智能芯片上除了人工智能模块以外的模块。

条款A2.根据条款A1所述的方法，根据人工智能模块的测试结果以及其他模块的测试结果判定所述人工智能芯片是否有效，包括：

对于全部人工智能模块未通过测试的人工智能芯片判定为无效；

对于部分或全部人工智能模块通过测试、其他模块都通过测试的人工智能芯片判定为有效；

对于全部其他模块均未通过测试的人工智能芯片判定为无效。

条款A3.根据条款A1或A2所述的方法，根据人工智能模块的测试结果以及其他模块的测试结果判定所述人工智能芯片是否有效，包括：

对于部分其他模块未通过测试、至少一个人工智能模块通过测试的人工智能芯片进行进一步分析。

条款A4.根据条款A3所述的方法，对于部分其他模块未通过测试、至少一个人工智能模块通过测试的人工智能芯片进行进一步分析，包括：

根据通过测试或者未通过测试的人工智能模块的数量对所述人工智能芯片进行分类得到第一级分类结果。

条款A5.根据条款A4所述的方法，对于部分其他模块未通过测试、至少一个人工智能模块通过测试的人工智能芯片进行进一步分析，还包括：

对于第一级分类结果，根据其他模块的测试结果对所述第一级分类结果继续进分类得到第二级分类结果。

条款A6.根据条款A5所述的方法，所述其他模块的测试结果包括多个测试项的测试结果，

对于部分其他模块未通过测试、至少一个人工智能模块通过测试的人工智能芯片进行进一步分析，还包括：

根据其他模块的每个测试项的测试结果对所述第二级分类结果进行分类得到第三级分类结果。

条款A7.根据条款A1或条款A2所述的方法，根据人工智能模块的测试结果以及其他模块的测试结果判定所述人工智能芯片是否有效，还包括：对于部分人工智能模块未通过测试、全部其他模块通过测试的人工智能芯片进行进一步分析。

条款A8.根据条款A3所述的方法，对于部分其他模块未通过测试、至少一个人工智能模块通过测试的人工智能芯片进行进一步分析，包括：

根据其他模块的测试结果对所述人工智能芯片进行分类得到第一级分类结果。

条款A9.根据条款A8所述的方法，对于部分其他模块未通过测试、至少一个人工智能模块通过测试的人工智能芯片进行进一步分析，还包括：

根据其他模块的每个测试项的测试结果和/或通过测试或者未通过测试的人工智能模块的数量，对所述第一级分类结果进行分类得到第二级分类结果。

条款A10.一种人工智能芯片的有效性的测试装置，所述装置包括：

获取模块，用于获取人工智能芯片的测试数据，所述测试数据包括人工智能芯片的各个模块的测试结果；

判定模块，用于根据人工智能模块的测试结果以及其他模块的测试结果判定所述人工智能芯片是否有效，

其中，所述其他模块为人工智能芯片上除了人工智能模块以外的模块。

条款A11.根据条款A10所述的装置，所述判定模块包括：

第一判定单元，用于对于全部人工智能模块未通过测试的人工智能芯片判定为无效；

第二判定单元，用于对于部分或全部人工智能模块通过测试、其他模块都通过测试的人工智能芯片判定为有效；

第三判定单元，用于对于全部其他模块均未通过测试的人工智能芯片判定为无效。

条款A12.根据条款A10或A11所述的装置，所述判定模块还包括：

第一分析单元，用于对于部分其他模块未通过测试、至少一个人工智能模块通过测试的人工智能芯片进行进一步分析。

条款A13.根据条款A12所述的装置，所述第一分析单元还用于

根据通过测试或者未通过测试的人工智能模块的数量对所述人工智能芯片进行分类得到第一级分类结果。

条款A14.根据条款A13所述的装置，所述第一分析单元还用于

对于第一级分类结果，根据其他模块的测试结果对所述第一级分类结果继续进分类得到第二级分类结果。

条款A15.根据条款A14所述的装置，所述其他模块的测试结果包括多个测试项的测试结果，

所述第一分析单元还用于

根据其他模块的每个测试项的测试结果对所述第二级分类结果进行分类得到第三级分类结果。

条款A16.根据条款A11所述的装置，所述判定模块还包括：第二分析单元，用于对于部分人工智能模块未通过测试、全部其他模块通过测试的人工智能芯片进行进一步分析。

条款A17.根据条款A12所述的装置，所述第一分析单元还用于

根据其他模块的测试结果对所述人工智能芯片进行分类得到第一级分类结果。

条款A18.根据条款A17所述的装置，所述第一分析单元还用于

根据其他模块的每个测试项的测试结果和/或通过测试或者未通过测试的人工智能模块的数量，对所述第一级分类结果进行分类得到第二级分类结果。

条款A19.一种人工智能芯片的有效性的测试装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行指令时实现条款A1至A9中任意一项所述的方法。

条款A20.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现条款A1至条款A9中任意一项所述的方法。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (13)

1.一种人工智能芯片的有效性的测试方法，其特征在于，所述方法包括：

获取人工智能芯片的测试数据，所述测试数据包括人工智能芯片的各个模块的测试结果；

根据人工智能模块的测试结果以及其他模块的测试结果判定所述人工智能芯片是否有效，

其中，所述其他模块为人工智能芯片上除了人工智能模块以外的模块；

其中，根据人工智能模块的测试结果以及其他模块的测试结果判定所述人工智能芯片是否有效，包括：

对于全部人工智能模块未通过测试的人工智能芯片判定为无效；

对于部分或全部人工智能模块通过测试、其他模块都通过测试的人工智能芯片判定为有效；

对于全部其他模块均未通过测试的人工智能芯片判定为无效。

2.根据权利要求1所述的方法，其特征在于，根据人工智能模块的测试结果以及其他模块的测试结果判定所述人工智能芯片是否有效，包括：

对于部分其他模块未通过测试、至少一个人工智能模块通过测试的人工智能芯片进行进一步分析。

3.根据权利要求2所述的方法，其特征在于，对于部分其他模块未通过测试、至少一个人工智能模块通过测试的人工智能芯片进行进一步分析，包括：

根据通过测试或者未通过测试的人工智能模块的数量对所述人工智能芯片进行分类得到第一级分类结果。

4.根据权利要求3所述的方法，其特征在于，对于部分其他模块未通过测试、至少一个人工智能模块通过测试的人工智能芯片进行进一步分析，还包括：

对于第一级分类结果，根据其他模块的测试结果对所述第一级分类结果继续进分类得到第二级分类结果。

5.根据权利要求4所述的方法，其特征在于，所述其他模块的测试结果包括多个测试项的测试结果，

对于部分其他模块未通过测试、至少一个人工智能模块通过测试的人工智能芯片进行进一步分析，还包括：

根据其他模块的每个测试项的测试结果对所述第二级分类结果进行分类得到第三级分类结果。

6.根据权利要求1所述的方法，其特征在于，根据人工智能模块的测试结果以及其他模块的测试结果判定所述人工智能芯片是否有效，还包括：对于部分人工智能模块未通过测试、全部其他模块通过测试的人工智能芯片进行进一步分析。

7.根据权利要求2所述的方法，其特征在于，对于部分其他模块未通过测试、至少一个人工智能模块通过测试的人工智能芯片进行进一步分析，包括：

根据其他模块的测试结果对所述人工智能芯片进行分类得到第一级分类结果。

8.根据权利要求7所述的方法，其特征在于，对于部分其他模块未通过测试、至少一个人工智能模块通过测试的人工智能芯片进行进一步分析，还包括：

根据其他模块的每个测试项的测试结果和/或通过测试或者未通过测试的人工智能模块的数量，对所述第一级分类结果进行分类得到第二级分类结果。

9.一种人工智能芯片的有效性的测试装置，其特征在于，所述装置包括：

获取模块，用于获取人工智能芯片的测试数据，所述测试数据包括人工智能芯片的各个模块的测试结果；

判定模块，用于根据人工智能模块的测试结果以及其他模块的测试结果判定所述人工智能芯片是否有效，

其中，所述其他模块为人工智能芯片上除了人工智能模块以外的模块；

其中，所述判定模块包括：

第一判定单元，用于对于全部人工智能模块未通过测试的人工智能芯片判定为无效；

第二判定单元，用于对于部分或全部人工智能模块通过测试、其他模块都通过测试的人工智能芯片判定为有效；

第三判定单元，用于对于全部其他模块均未通过测试的人工智能芯片判定为无效。

10.根据权利要求9所述的装置，其特征在于，所述判定模块还包括：

第一分析单元，用于对于部分其他模块未通过测试、至少一个人工智能模块通过测试的人工智能芯片进行进一步分析。

11.根据权利要求10所述的装置，其特征在于，所述第一分析单元还用于根据通过测试或者未通过测试的人工智能模块的数量对所述人工智能芯片进行分类得到第一级分类结果。

12.一种人工智能芯片的有效性的测试装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行指令时实现权利要求1至8中任意一项所述的方法。

13.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。

Images