CN110968985B - 集成电路修补算法确定方法及装置、存储介质、电子设备 - Google Patents

集成电路修补算法确定方法及装置、存储介质、电子设备 Download PDF

Info

Publication number
CN110968985B
CN110968985B CN201811155358.6A CN201811155358A CN110968985B CN 110968985 B CN110968985 B CN 110968985B CN 201811155358 A CN201811155358 A CN 201811155358A CN 110968985 B CN110968985 B CN 110968985B
Authority
CN
China
Prior art keywords
repair
algorithm
integrated circuit
failure
candidate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811155358.6A
Other languages
English (en)
Other versions
CN110968985A (zh
Inventor
汪锡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changxin Memory Technologies Inc
Original Assignee
Changxin Memory Technologies Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changxin Memory Technologies Inc filed Critical Changxin Memory Technologies Inc
Priority to CN201811155358.6A priority Critical patent/CN110968985B/zh
Publication of CN110968985A publication Critical patent/CN110968985A/zh
Application granted granted Critical
Publication of CN110968985B publication Critical patent/CN110968985B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Design And Manufacture Of Integrated Circuits (AREA)

Abstract

本公开涉及计算机技术领域,尤其涉及一种集成电路修补算法确定方法及装置、存储介质、电子设备。所述方法包括:获取待修补集成电路的失效测试单元数据;根据所述失效测试单元数据并结合由深度学习网络构建的类型分析模型获取所述待修补集成电路的失效单元分布类型;根据所述失效单元分布类型在修补算法库中获取各候选修补算法对所述失效单元分布类型的修补性能指标,并将所述修补性能指标最优的所述候选修补算法确定为目标修补算法。本公开使得对每个待修补集成电路的修补均可达到修补率最高、修补电路的使用数量最少、修补分析时间最短等,同时提高了修补效率和准确率,同时也降低了修补成本。

Description

集成电路修补算法确定方法及装置、存储介质、电子设备
技术领域
本公开涉及计算机技术领域,尤其涉及一种集成电路修补算法确定方法及装置、存储介质、电子设备。
背景技术
目前,在集成电路的生产过程中需对集成电路进行测试,以得到测试数据,并通过判断测试数据是否存在失效测试单元数据以判断集成电路是否通过测试。为了提高生产良率,对于未通过测试的集成电路,即在测试数据中存在失效测试单元数据时,可以通过修补算法并结合测试数据中的失效测试单元数据生成该集成电路的修补配解信息,并根据修补配解信息对集成电路进行修补。
在现有的修补过程中,针对所有未通过测试的集成电路均采用同一个修补算法进行修补,然而,由于每个集成电路的测试数据中的失效测试单元数据不同,因此,对于所有的未通过测试的集成电路,采用同一个修补算法,无法使得对每个集成电路的修补均达到修补率最高、修补电路的使用数量最少、修补分析时间最短等。
因此,需要提供一种新的集成电路修补算法确定方法,以根据该集成电路修补算法确定方法对每个集成电路进行修补,使得对每个集成电路的修补均达到修补率最高、修补电路的使用数量最少、修补分析时间最短等等。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种集成电路修补算法确定方法及装置、存储介质、电子设备,进而至少在一定程度上克服由于使用同一个修补算法而无法使得对每个集成电路的修补均达到修补率最高、修补电路的使用数量最少、修补分析时间最短等问题。
根据本公开的一个方面,提供一种集成电路修补算法确定方法,包括:
获取待修补集成电路的失效测试单元数据;
根据所述失效测试单元数据并结合由深度学习网络构建的类型分析模型获取所述待修补集成电路的失效单元分布类型;
根据所述失效单元分布类型在修补算法库中获取各候选修补算法对所述失效单元分布类型的修补性能指标,并将所述修补性能指标最优的所述候选修补算法确定为目标修补算法。
在本公开的一种示例性实施例中,在所述获取待修补集成电路的失效测试单元数据之前还包括:
获取多个集成电路样本的失效测试单元数据;
对各所述集成电路样本的失效单元分布类型进行标记;
根据各所述集成电路样本的失效测试单元数据以及各所述集成电路样本的失效单元分布类型对所述深度学习网络进行训练以得到所述类型分析模型。
在本公开的一种示例性实施例中,所述根据所述失效单元分布类型在修补算法库中获取各候选修补算法对所述失效单元分布类型的修补性能指标,并将所述修补性能指标最优的所述候选修补算法确定为目标修补算法包括:
获取用户对所述待修补集成电路的修补需求信息;
根据所述失效单元分布类型在修补算法库中获取各候选修补算法对所述失效单元分布类型的修补性能指标;
将所述修补需求信息与各所述候选修补算法对所述失效单元分布类型的修补性能指标进行匹配,并将匹配的所述候选修补算法确定为目标修补算法。
在本公开的一种示例性实施例中,所述方法还包括:构建所述修补算法库,其中,所述构建所述修补算法库包括:
获取各所述候选修补算法对各所述失效单元分布类型的修补性能指标;
根据各所述候选修补算法对各所述失效单元分布类型的修补性能指标构建所述修补算法库。
在本公开的一种示例性实施例中,所述修补性能指标包括修补率、修补电路的使用数量、修补分析时间中的至少一个。
在本公开的一种示例性实施例中,所述修补需求信息包括修补率、修补电路的使用数量、修补分析时间中的至少一个。
在本公开的一种示例性实施例中,所述候选修补算法包括基于穷举法的修补算法、基于贪心算法的修补算法、基于遗传算法的修补算法。
根据本公开的一个方面,提供一种集成电路修补算法确定装置,包括:
获取模块,用于获取待修补集成电路的失效测试单元数据;
分析模块,用于根据所述失效测试单元数据并结合由深度学习网络构建的类型分析模型获取所述待修补集成电路的失效单元分布类型;
确定模块,用于根据所述失效单元分布类型在修补算法库中获取各候选修补算法对所述失效单元分布类型的修补性能指标,并将所述修补性能指标最优的所述候选修补算法确定为目标修补算法。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的集成电路修补算法确定方法。
根据本公开的一个方面,提供一种电子设备,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行上述中任意一项所述的集成电路修补算法确定方法。
本公开一种示例实施例提供的集成电路修补算法确定方法及装置、存储介质、电子设备。根据待修补集成电路的失效测试单元数据并结合由深度学习网络构建的类型分析模型获取待修补集成电路的失效单元分布类型,以及根据失效单元分布类型在修补算法库中获取各候选修补算法对失效单元分布类型的修补性能指标,并将修补性能指标最优的所述候选修补算法确定为目标修补算法。一方面,通过类型分析模型获取待修补集成电路的失效单元分布类型,并在修补算法库中获取对该失效单元分布类型的修补性能指标最优的候选修补算法,并将该候选修补算法确定为目标修补算法,以根据该目标修补算法对该待修补集成电路进行修补,即可以根据待修补集成电路的失效单元分布类型确定目标修补算法,从而使得对每个待修补集成电路的修补均可达到修补率最高、修补电路的使用数量最少、修补分析时间最短等;另一方面,由于对每个待修补集成电路的修补均可达到修补率最高、修补电路的使用数量最少、修补分析时间最短等,因此提高了修补效率和准确率,同时也降低了修补成本;又一方面,由于通过类型分析模型即可获取待修补集成电路的失效单元分布类型,不需人工标注,降低了人工的工作量,提高了获取失效单元分布类型的效率,同时,避免了人为因素的影响,进而提高了获取失效单元分布类型的准确率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
通过参照附图来详细描述其示例性实施例,本公开的上述和其它特征及优点将变得更加明显。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本公开一种集成电路修补算法确定方法的流程图;
图2为本公开一示例性实施例中提供的条状失效单元分布类型的示意图;
图3为本公开一示例性实施例中提供的块状失效单元分布类型的示意图;
图4为本公开一示例性实施例中提供的环状失效单元分布类型的示意图;
图5为本公开一示例性实施例中提供的分散型失效单元分布类型的示意图;
图6为本公开一示例性实施例中提供的根据深度学习网络构建类型分析模型的流程图;
图7为本公开一示例性实施例中提供的确定目标修补算法的流程图;
图8为本公开一种集成电路修补算法确定装置的框图;
图9为本公开示一示例性实施例中的电子设备的模块示意图;
图10为本公开一示例性实施例中的程序产品示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有所述特定细节中的一个或更多,或者可以采用其它的方法、组元、材料、装置、步骤等。在其它情况下,不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例性实施例中首先公开了一种集成电路修补算法确定方法,参照图1所示,所述集成电路修补算法确定方法可以包括以下步骤:
步骤S110、获取待修补集成电路的失效测试单元数据;
步骤S120、根据所述失效测试单元数据并结合由深度学习网络构建的类型分析模型获取所述待修补集成电路的失效单元分布类型;
步骤S130、根据所述失效单元分布类型在修补算法库中获取各候选修补算法对所述失效单元分布类型的修补性能指标,并将所述修补性能指标最优的所述候选修补算法确定为目标修补算法。
根据本示例性实施例中的集成电路修补算法确定方法,一方面,通过类型分析模型获取待修补集成电路的失效单元分布类型,并在修补算法库中获取对该失效单元分布类型的修补性能指标最优的候选修补算法,并将该候选修补算法确定为目标修补算法,以根据该目标修补算法对该待修补集成电路进行修补,即可以根据待修补集成电路的失效单元分布类型确定目标修补算法,从而使得对每个待修补集成电路的修补均可达到修补率最高、修补电路的使用数量最少、修补分析时间最短等;另一方面,由于对每个待修补集成电路的修补均可达到修补率最高、修补电路的使用数量最少、修补分析时间最短等,因此提高了修补效率和准确率,同时也降低了修补成本;又一方面,由于通过类型分析模型即可获取待修补集成电路的失效单元分布类型,不需人工标注,降低了人工的工作量,提高了获取失效单元分布类型的效率,同时,避免了人为因素的影响,进而提高了获取失效单元分布类型的准确率。
下面,将参照图1对本示例性实施例中的集成电路修补算法确定方法做进一步说明。
在步骤S110中,获取待修补集成电路的失效测试单元数据。
在本示例性实施例中,在完成集成电路的制程后,可以执行与集成电路对应的测试程序以对集成电路进行测试,以得到测试数据。所述测试数据中包括对集成电路中的各个测试单元的测试数据。判断测试数据中的每个测试单元的测试数据是否符合测试标准,若测试数据中的至少一个测试单元的测试数据不符合测试标准时,将该集成电路确定为待修补集成电路,并将不符合测试标准的测试单元的测试数据确定为失效测试单元数据。一个待修补集成电路中的失效测试单元数据的数量至少为一个,即失效测试单元的数据的数量与所述待修补集成电路中测试数据不符合标准的测试单元的数量相同。需要说明的是,每个失效测试单元数据均可以包括测试单元的位址以及失效数据等,本示例性实施例对此不作特殊限定。
例如,在待修补集成电路为DRAM(Dynamic Random Access Memory,即动态随机存取存储器)时,由于DRAM包括多个存储单元,因此一个存储单元可以看做是一个测试单元,基于此,DRAM的测试数据包括对各存储单元的测试数据,并将DRAM的测试数据中的每个不符合测试标准的存储单元的测试数据确定为一个失效测试单元数据。
需要说明的是,所述待修补集成电路例如还可以为静态随机存取存储器等,本示例性实施例对此不作特殊限定。
在步骤S120中,根据所述失效测试单元数据并结合由深度学习网络构建的类型分析模型获取所述待修补集成电路的失效单元分布类型。
在本示例性实施例中,可以将失效测试单元数据输入至类型分析模型中,以使类型分析模型输出待修补集成电路的失效单元分布类型。所述失效单元分布类型可以包括条状失效单元分布类型、块状失效单元分布类型、环状失效单元分布类型以及分散型失效单元分布类型等,本示例性实施例对此不作特殊限定。图2中示出了一种条状失效单元分布类型的示意图。图3示出了一种块状失效单元分布类型的示意图。图4中示出了一种环状失效单元分布类型的示意图。图5示出了一种分散型失效单元分布类型的示意图。图2~图5中用灰色标记出的测试单元均为测试数据不符合测试标准的测试单元。
下面,结合图6所示,对根据深度学习网络构建类型分析模型的过程进行说明,所述根据深度学习网络构建类型分析模型的过程可以包括以下步骤:
步骤S610、获取多个集成电路样本的失效测试单元数据。
在本示例性实施例中,可以从历史测试数据库中获取多个集成电路的失效测试单元数据,并将每个集成电路作为一个集成电路样本,将集成电路样本对应的集成电路的失效测试单元数据作为该集成电路样本的失效测试单元数据。
步骤S620、对各所述集成电路样本的失效单元分布类型进行标记。
在本示例性实施例中,可以根据各集成电路样本的失效测试单元数据对各集成电路的失效单元分布类型进行标记。具体的,可以分析集成电路样本的各失效测试单元数据中的测试单元的位址之间的关系,并根据集成电路样本的各失效测试单元数据中的测试单元的位址之间的关系对各集成电路样本的失效单元分布类型进行标记。
步骤S630、根据各所述集成电路样本的失效测试单元数据以及各所述集成电路样本的失效单元分布类型对所述深度学习网络进行训练以得到所述类型分析模型。
在本示例性实施例中,可以将各集成电路样本的失效测试单元数据作为输入,并将各集成电路样本的失效单元分布类型作为输出,输入至深度学习网络中,以使深度学习网络对各集成电路样本的失效测试单元数据和失效单元分布类型进行学习,得到深度学习网络中的各连接的权重值,以及根据深度学习网络中的各连接的权重值构建类型分析模型。所述深度学习网络例如可以为卷积神经网络、递归神经网络等,本示例性实施例对此不作特殊限定。
在步骤S130中,根据所述失效单元分布类型在修补算法库中获取各候选修补算法对所述失效单元分布类型的修补性能指标,并将所述修补性能指标最优的所述候选修补算法确定为目标修补算法。
在本示例性实施例中,所述修补算法库中包括每个候选修补算法对每个失效单元分布类型的修补性能指标。所述候选修补算法可以包括基于穷举法的修补算法、基于贪心算法的修补算法、基于遗传算法的修补算法等,本示例性实施例对此不作特殊限定。所述修补性能指标可以包括修补率、修补电路的使用数量、修补分析时间等中的至少一个。
在获取到待修补集成电路的失效单元分布类型后,在修补算法库中筛选出每个候选修补算法对该失效单元分布类型的修补性能指标,并将每个候选修补算法对该失效单元分布类型的修补指标进行比较,将修补性能指标最优(例如,修补率最高、修补电路的使用数量最少、修补分析时间最短)的候选修补算法确定为目标修补算法。
为了满足用户的需求,如图7所述,所述根据所述失效单元分布类型在修补算法库中获取各候选修补算法对所述失效单元分布类型的修补性能指标,并将所述修补性能指标最优的所述候选修补算法确定为目标修补算法可以包括以下步骤:
步骤S710、获取用户对所述待修补集成电路的修补需求信息。在本示例性实施例中,可以在确定目标修补算法之前,生成获取修补需求信息的指令,并响应该指令获取用户输入的对待修补集成电路的修补需求信息。所述修补需求信息可以包括修补率、修补电路的使用数量、修补分析时间中的至少一个。
步骤S720、根据所述失效单元分布类型在修补算法库中获取各所述候选修补算法对所述失效单元分布类型的修补性能指标。在本示例性实施例中,在获取到待修补集成电路的失效单元分布类型后,在修补算法库中筛选出每个候选修补算法对该失效单元分布类型的修补性能指标。
步骤S730、将所述修补需求信息与各所述候选修补算法对所述失效单元分布类型的修补性能指标进行匹配,并将匹配的所述候选修补算法确定为目标修补算法。在本示例性实施例中,将修补需求信息与一个候选修补算法对失效单元分布类型的修补性能指标进行匹配的过程可以包括:将修补需求信息中的每个需求信息(例如,修补率、修补电路的使用数量、修补分析时间等)与该候选修补算法对失效单元分布类型的修补性能指标中的对应的指标(例如,修补率、修补电路的使用数量、修补分析时间等)进行一一匹配,以得到匹配度,所述匹配度例如可以为修补需求信息中的需求信息与候选修补算法对失效单元分布类型的修补性能指标中的指标的匹配数量等,本示例性实施例对此不作特殊限定,重复上述过程,即可得到修补需求信息与其他各候选修补算法对失效单元分布类型的修补性能指标的匹配度,将匹配度最高的候选修补算法确定为目标修补算法。
在确定目标修补算法后,可以通过目标修补算法并结合待修补集成电路的失效测试单元数据生成配解文件,该配解文件中包括对待修补集成电路中每个未通过测试的测试单元的配解。所述各未通过测试的测试单元的配解包括修补对应的未通过测试的测试单元的修补电路。在生成配解文件后,可以根据配解文件中的每个未通过测试的测试单元的配解获取修补每个未通过测试的测试单元的修补电路,并根据修补每个未通过测试的测试单元的修补电路对对应的各未通过测试的测试单元进行修补。
下面,对修补算法库的构建过程进行说明,具体的,构建所述修补算法库可以包括:获取各所述候选修补算法对各所述失效单元分布类型的修补性能指标;根据各所述候选修补算法对各所述失效单元分布类型的修补性能指标构建所述修补算法库。
在本示例性实施例中,所述获取各候选修补算法对各失效单元分布类型的修补性能指标的方式可以包括以下两种,其中:
第一种,可以从历史修补数据库中,获取一候选修补算对多个同失效单元分布类型的集成电路中的每个集成电路的修补性能指标,根据每个集成电路的修补性能指标中的各指标的数值求各指标的平均值,并将每个指标的平均值进行集合后作为该候选修补算法对该失效单元分布类型的修补性能指标。按照上述原理即可得到该候选修补算法对其他各失效单元分布类型的修补性能指标。
需要说明的是,由于计算每个候选修补算法对每个失效单元分布类型的修补性能指标的原理相同,因此此处不再对计算其他各候选修补算法对每个失效单元分布类型的修补性能指标的过程进行说明。
第二种,可以获取多个同失效单元分布类型的集成电路的失效测试单元数据,并根据上述各集成电路的失效测试单元数据并利用一候选修补算法对每个集成电路进行修补,以获取每个集成电路的修补性能指标,根据每个集成电路的修补性能指标中的各指标的数值求各指标的平均值,并将各指标的平均值进行集合后作为该候选修补算法对该失效单元分布类型的修补性能指标。按照上述原理即可得到该候选修补算发对其他各失效单元分布类型的修补性能指标。
需要说明的是,由于计算每个候选修补算法对每个失效单元分布类型的修补性能指标的原理相同,因此此处不再对计算其他各候选修补算法对每个失效单元分布类型的修补性能指标的过程进行说明。
在获取到各候选修补算法对各失效单元分布类型的修补性能指标后,将各候选修补算法对各失效单元分布类型的修补性能指标保存至修补算法库中,即可完成对修补算法库的构建。
综上所述,通过类型分析模型获取待修补集成电路的失效单元分布类型,并在修补算法库中获取对该失效单元分布类型的修补性能指标最优的候选修补算法,并将该候选修补算法确定为目标修补算法,以根据该目标修补算法对该待修补集成电路进行修补,即可以根据待修补集成电路的失效单元分布类型确定目标修补算法,从而使得对每个待修补集成电路的修补均可达到修补率最高、修补电路的使用数量最少、修补分析时间最短等;另外,由于对每个待修补集成电路的修补均可达到修补率最高、修补电路的使用数量最少、修补分析时间最短等,因此提高了修补效率和准确率,同时也降低了修补成本;此外,由于通过类型分析模型即可获取待修补集成电路的失效单元分布类型,不需人工标注,降低了人工的工作量,提高了获取失效单元分布类型的效率,同时,避免了人为因素的影响,进而提高了获取失效单元分布类型的准确率。
需要说明的是,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
在本公开的示例性实施例中,还提供了一种集成电路修补算法确定装置,如图8所示,集成电路修补算法确定装置800可以包括:获取模块801、分析模块802、确定模块803,其中:
获取模块801,可以用于获取待修补集成电路的失效测试单元数据;
分析模块802,可以用于根据所述失效测试单元数据并结合由深度学习网络构建的类型分析模型获取所述待修补集成电路的失效单元分布类型;
确定模块803,可以用于根据所述失效单元分布类型在修补算法库中获取各候选修补算法对所述失效单元分布类型的修补性能指标,并将所述修补性能指标最优的所述候选修补算法确定为目标修补算法。
上述中各集成电路修补算法确定装置模块的具体细节已经在对应的集成电路修补算法确定方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图9来描述根据本发明的这种实施方式的电子设备900。图9显示的电子设备900仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示,电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于:上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930、显示单元940。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元910执行,使得所述处理单元910执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元910可以执行如图1中所示的步骤S110、获取待修补集成电路的失效测试单元数据;步骤S120、根据所述失效测试单元数据并结合由深度学习网络构建的类型分析模型获取所述待修补集成电路的失效单元分布类型;步骤S130、根据所述失效单元分布类型在修补算法库中获取各候选修补算法对所述失效单元分布类型的修补性能指标,并将所述修补性能指标最优的所述候选修补算法确定为目标修补算法。
存储单元920可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)9201和/或高速缓存存储单元9202,还可以进一步包括只读存储单元(ROM)9203。
存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204,这样的程序模块9205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线930可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备900也可以与一个或多个外部设备970(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备900交互的设备通信,和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且,电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器960通过总线930与电子设备900的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备900使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图10所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品1000,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (9)

1.一种集成电路修补算法确定方法,其特征在于,包括:
获取待修补集成电路的失效测试单元数据;
根据所述失效测试单元数据并结合由深度学习网络构建的类型分析模型获取所述待修补集成电路的失效单元分布类型;
根据所述失效单元分布类型在修补算法库中获取各候选修补算法对所述失效单元分布类型的修补性能指标,并将所述修补性能指标最优的所述候选修补算法确定为目标修补算法;
其中,所述根据所述失效单元分布类型在修补算法库中获取各候选修补算法对所述失效单元分布类型的修补性能指标,并将所述修补性能指标最优的所述候选修补算法确定为目标修补算法包括:
获取用户对所述待修补集成电路的修补需求信息;根据所述失效单元分布类型在修补算法库中获取各候选修补算法对所述失效单元分布类型的修补性能指标;将所述修补需求信息与各所述候选修补算法对所述失效单元分布类型的修补性能指标进行匹配,并将匹配的所述候选修补算法确定为目标修补算法。
2.根据权利要求1所述的集成电路修补算法确定方法,其特征在于,在所述获取待修补集成电路的失效测试单元数据之前还包括:
获取多个集成电路样本的失效测试单元数据;
对各所述集成电路样本的失效单元分布类型进行标记;
根据各所述集成电路样本的失效测试单元数据以及各所述集成电路样本的失效单元分布类型对所述深度学习网络进行训练以得到所述类型分析模型。
3.根据权利要求1所述的集成电路修补算法确定方法,其特征在于,所述方法还包括:构建所述修补算法库,其中,所述构建所述修补算法库包括:
获取各所述候选修补算法对各所述失效单元分布类型的修补性能指标;
根据各所述候选修补算法对各所述失效单元分布类型的修补性能指标构建所述修补算法库。
4.根据权利要求1所述的集成电路修补算法确定方法,其特征在于,所述修补性能指标包括修补率、修补电路的使用数量、修补分析时间中的至少一个。
5.根据权利要求1所述的集成电路修补算法确定方法,其特征在于,所述修补需求信息包括修补率、修补电路的使用数量、修补分析时间中的至少一个。
6.根据权利要求1~5中任一项所述的集成电路修补算法确定方法,其特征在于,所述候选修补算法包括基于穷举法的修补算法、基于贪心算法的修补算法、基于遗传算法的修补算法。
7.一种集成电路修补算法确定装置,其特征在于,包括:
获取模块,用于获取待修补集成电路的失效测试单元数据;
分析模块,用于根据所述失效测试单元数据并结合由深度学习网络构建的类型分析模型获取所述待修补集成电路的失效单元分布类型;
确定模块,用于根据所述失效单元分布类型在修补算法库中获取各候选修补算法对所述失效单元分布类型的修补性能指标,并将所述修补性能指标最优的所述候选修补算法确定为目标修补算法;
所述确定模块,还用于获取用户对所述待修补集成电路的修补需求信息;根据所述失效单元分布类型在修补算法库中获取各候选修补算法对所述失效单元分布类型的修补性能指标;将所述修补需求信息与各所述候选修补算法对所述失效单元分布类型的修补性能指标进行匹配,并将匹配的所述候选修补算法确定为目标修补算法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~6中任意一项所述的集成电路修补算法确定方法。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求 1~6中任意一项所述的集成电路修补算法确定方法。
CN201811155358.6A 2018-09-30 2018-09-30 集成电路修补算法确定方法及装置、存储介质、电子设备 Active CN110968985B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811155358.6A CN110968985B (zh) 2018-09-30 2018-09-30 集成电路修补算法确定方法及装置、存储介质、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811155358.6A CN110968985B (zh) 2018-09-30 2018-09-30 集成电路修补算法确定方法及装置、存储介质、电子设备

Publications (2)

Publication Number Publication Date
CN110968985A CN110968985A (zh) 2020-04-07
CN110968985B true CN110968985B (zh) 2022-05-13

Family

ID=70028614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811155358.6A Active CN110968985B (zh) 2018-09-30 2018-09-30 集成电路修补算法确定方法及装置、存储介质、电子设备

Country Status (1)

Country Link
CN (1) CN110968985B (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11797371B2 (en) 2020-08-18 2023-10-24 Changxin Memory Technologies, Inc. Method and device for determining fail bit repair scheme
CN114078564B (zh) * 2020-08-18 2023-09-12 长鑫存储技术有限公司 失效位元的修补方法及装置
CN114078563B (zh) * 2020-08-18 2023-09-12 长鑫存储技术有限公司 失效位元的修补方法及装置
EP3985675B1 (en) 2020-08-18 2024-01-31 Changxin Memory Technologies, Inc. Method and device for repairing fail bits
CN114078562B (zh) * 2020-08-18 2023-08-25 长鑫存储技术有限公司 失效位元的修补方法及装置
CN114078561B (zh) * 2020-08-18 2023-09-12 长鑫存储技术有限公司 失效位元修补方案的确定方法及装置
US11791010B2 (en) 2020-08-18 2023-10-17 Changxin Memory Technologies, Inc. Method and device for fail bit repairing
US11887685B2 (en) 2020-08-18 2024-01-30 Changxin Memory Technologies, Inc. Fail Bit repair method and device
CN114186524A (zh) 2020-08-28 2022-03-15 长鑫存储技术有限公司 晶圆探测数据的处理方法和计算机可读存储介质
EP3992972A4 (en) 2020-09-01 2023-07-05 Changxin Memory Technologies, Inc. METHOD AND APPARATUS FOR DETERMINING A FAILED BIT REPAIR PATTERN, AND CHIP
CN114121129B (zh) * 2020-09-01 2023-09-12 长鑫存储技术有限公司 失效位元修补方案的确定方法、装置及芯片
CN114171103B (zh) * 2020-09-11 2023-09-12 长鑫存储技术有限公司 失效位元的修补方案的确定方法
US11776654B2 (en) 2020-09-11 2023-10-03 Changxin Memory Technologies, Inc. Fail bit repair solution determination method and device
US11984179B2 (en) 2021-03-26 2024-05-14 Changxin Memory Technologies, Inc. Redundant circuit assigning method and device, and medium
US11791012B2 (en) 2021-03-31 2023-10-17 Changxin Memory Technologies, Inc. Standby circuit dispatch method, apparatus, device and medium
CN112908402B (zh) * 2021-03-31 2022-05-10 长鑫存储技术有限公司 备用电路分派方法、装置、设备及介质
CN112908403B (zh) * 2021-03-31 2022-05-17 长鑫存储技术有限公司 备用电路分派方法、装置、设备及介质
US11881278B2 (en) 2021-03-31 2024-01-23 Changxin Memory Technologies, Inc. Redundant circuit assigning method and device, apparatus and medium
CN115223878A (zh) * 2021-04-15 2022-10-21 长鑫存储技术有限公司 失效位置的修补方法和装置
CN115599576A (zh) * 2021-07-08 2023-01-13 长鑫存储技术有限公司(Cn) 修补算法的验证方法、电子设备及存储介质
CN113539347B (zh) * 2021-07-21 2023-08-18 长鑫存储技术有限公司 存储器修补线路确定方法及装置、存储介质及电子设备
CN115732347A (zh) * 2021-09-01 2023-03-03 长鑫存储技术有限公司 集成电路修补方法、装置、电子设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW297125B (zh) * 1995-06-28 1997-02-01 Samsug Electronics Co Ltd
JP2013062008A (ja) * 2011-09-14 2013-04-04 Ricoh Co Ltd 半導体集積回路
TW201335938A (zh) * 2012-02-29 2013-09-01 Samsung Electronics Co Ltd 記憶體系統以及使用測試元件傳輸失效位址至記憶體元件的操作方法
CN105469832A (zh) * 2014-09-26 2016-04-06 联发科技股份有限公司 集成电路和用于集成电路的存储器自我测试方法
CN107707392A (zh) * 2017-09-26 2018-02-16 厦门集微科技有限公司 通道修复方法及装置、终端
CN108153618A (zh) * 2017-12-22 2018-06-12 国网浙江杭州市萧山区供电有限公司 硬盘数据恢复方法、装置及硬盘数据恢复设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200622275A (en) * 2004-09-06 2006-07-01 Mentor Graphics Corp Integrated circuit yield and quality analysis methods and systems
US7292058B2 (en) * 2004-11-03 2007-11-06 Texas Instruments Incorporated Method for estimating the early failure rate of semiconductor devices

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW297125B (zh) * 1995-06-28 1997-02-01 Samsug Electronics Co Ltd
US5703816A (en) * 1995-06-28 1997-12-30 Samsung Electronics Co., Ltd. Failed memory cell repair circuit of semiconductor memory
JP2013062008A (ja) * 2011-09-14 2013-04-04 Ricoh Co Ltd 半導体集積回路
TW201335938A (zh) * 2012-02-29 2013-09-01 Samsung Electronics Co Ltd 記憶體系統以及使用測試元件傳輸失效位址至記憶體元件的操作方法
CN105469832A (zh) * 2014-09-26 2016-04-06 联发科技股份有限公司 集成电路和用于集成电路的存储器自我测试方法
CN107707392A (zh) * 2017-09-26 2018-02-16 厦门集微科技有限公司 通道修复方法及装置、终端
CN108153618A (zh) * 2017-12-22 2018-06-12 国网浙江杭州市萧山区供电有限公司 硬盘数据恢复方法、装置及硬盘数据恢复设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Acoustic imaging of bump defects in flip-chip devices using split spectrum analysis;Sebastian Tismer等;《2013 IEEE International Ultrasonics Symposium (IUS)》;20140130;全文 *
嵌入式存储器空间单粒子效应失效率评估方法研究;支天等;《电子与信息学报》;20141231;全文 *

Also Published As

Publication number Publication date
CN110968985A (zh) 2020-04-07

Similar Documents

Publication Publication Date Title
CN110968985B (zh) 集成电路修补算法确定方法及装置、存储介质、电子设备
CN107506300B (zh) 一种用户界面测试方法、装置、服务器和存储介质
US20120216076A1 (en) Method and system for automatic memory leak detection
CN113837596B (zh) 一种故障确定方法、装置、电子设备及存储介质
CN109669853A (zh) 测试报告生成方法及装置、存储介质、电子终端
US20180074936A1 (en) Grouping and isolating software changes to increase build quality
US11619610B2 (en) Computer-implemented processing for non-destructive evaluation of wooden specimen
US9692649B2 (en) Role assignment for servers in a high performance computing system based on measured performance characteristics
CN109710523B (zh) 视觉稿的测试用例生成方法及装置、存储介质、电子设备
Gutiérrez et al. Analysing the energy impact of different optimisations for machine learning models
CN110991124B (zh) 集成电路修补方法及装置、存储介质、电子设备
CN111161884A (zh) 针对不平衡数据的疾病预测方法、装置、设备及介质
CN112905435B (zh) 基于大数据的工作量评估方法、装置、设备及存储介质
CN108897673B (zh) 系统容量评估方法与装置
CN110737509B (zh) 热迁移处理方法及装置、存储介质和电子设备
CN117273376A (zh) 一种电量预测方法、系统、计算机设备和存储介质
US20160209908A1 (en) Cloud-based integrated system for developing and evaluating energy efficient software
CN113688202B (zh) 情感极性分析方法、装置、电子设备以及计算机存储介质
CN112966971B (zh) 一种项目工作量评估方法和装置
US11693921B2 (en) Data preparation for artificial intelligence models
CN111988813B (zh) 移动通信网络中弱覆盖小区的确定方法、装置和计算机设备
CN109783745B (zh) 对页面进行个性化排版的方法、装置和计算机设备
CN112597041A (zh) 代码覆盖率的跨分支合并方法、系统、设备及存储介质
CN109426962B (zh) 一种数据模型校准方法、装置和设备
CN115292146B (zh) 一种系统容量预估方法、系统、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant