CN113657022B - 一种芯片故障识别方法及相关设备 - Google Patents
一种芯片故障识别方法及相关设备 Download PDFInfo
- Publication number
- CN113657022B CN113657022B CN202110801966.5A CN202110801966A CN113657022B CN 113657022 B CN113657022 B CN 113657022B CN 202110801966 A CN202110801966 A CN 202110801966A CN 113657022 B CN113657022 B CN 113657022B
- Authority
- CN
- China
- Prior art keywords
- chip
- fault
- local
- segment
- segments
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 239000012634 fragment Substances 0.000 claims abstract description 103
- 230000001364 causal effect Effects 0.000 claims abstract description 96
- 238000012549 training Methods 0.000 claims abstract description 63
- 230000015654 memory Effects 0.000 claims description 53
- 238000003860 storage Methods 0.000 claims description 22
- 238000003745 diagnosis Methods 0.000 claims description 18
- 230000002596 correlated effect Effects 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 12
- 238000013519 translation Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 239000006185 dispersion Substances 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 35
- 238000012545 processing Methods 0.000 description 24
- 238000013461 design Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 20
- 230000007547 defect Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 18
- 239000011159 matrix material Substances 0.000 description 14
- 238000006243 chemical reaction Methods 0.000 description 13
- 239000013598 vector Substances 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 10
- 230000001419 dependent effect Effects 0.000 description 10
- 230000009897 systematic effect Effects 0.000 description 10
- 230000001537 neural effect Effects 0.000 description 9
- 238000007781 pre-processing Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000013500 data storage Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- MHABMANUFPZXEB-UHFFFAOYSA-N O-demethyl-aloesaponarin I Natural products O=C1C2=CC=CC(O)=C2C(=O)C2=C1C=C(O)C(C(O)=O)=C2C MHABMANUFPZXEB-UHFFFAOYSA-N 0.000 description 4
- 238000013145 classification model Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000000306 component Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 101100153586 Caenorhabditis elegans top-1 gene Proteins 0.000 description 2
- 101100370075 Mus musculus Top1 gene Proteins 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 239000000872 buffer Substances 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本申请涉及人工智能领域,公开了一种芯片故障识别方法,包括:获取故障芯片的多个局部片段以及每个局部片段与故障芯片发生故障之间的关联程度;基于多个局部片段之间的结构相似性,对多个局部片段进行聚类,以得到聚类结果;根据聚类结果以及关联程度,训练因果关系模型,并根据聚类结果以及因果关系模型,确定多个片段类别中的每个片段类别导致故障芯片发生故障的概率。本申请基于片段之间的样本相似性,对大量候选的局部片段进行分类,得到多个片段类别,并构建用于进行片段类别对故障影响的根因推断的因果关系模型,避免了等价的局部片段分散候选根因的因果效应,进而提升了根因识别的准确率。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种芯片故障识别方法及相关设备。
背景技术
随着电子产品功能的发展和应用领域的扩大,作为电子产品的核心部件,芯片成为了人们生活中不可或缺的一部分。芯片生产主要分为布局设计和制造两部分。布局设计通常包含多层的电路功能设计,制造包含生产、封装、测试等流程。相同的芯片设计采用不同制造工艺时,一些芯片设计中在原工艺下正常的电路结构可能会出现缺陷,导致芯片良率低于预期。这类因工艺变化而出现设计缺陷的电路结构被称为系统性缺陷。
系统性缺陷的存在会增加芯片电路功能失效的几率,存在电路功能失效的芯片会无法正常使用,从而导致芯片良率降低。良率的下滑会增加生产成本,甚至导致相关产品错过销售窗口期。因此系统性缺陷的根因识别对产品的良率至关重要。为了识别出系统性缺陷,可以针对于芯片的设计结构进行分析,来确定芯片上存在导致芯片故障隐患的局部片段类型。
在现有的实现中,通过贝叶斯网络确定芯片上各个局部片段导致芯片发生故障的概率,之后综合等价的片段(也就是将同一类别的局部片段的概率进行累加),以得到各个片段类别导致芯片发生故障的概率,芯片中某一片段的片段类别是指该片段的设计样式,具体可以涉及该片段上的器件类型、数量、器件之间的连接关系等。
然而上述方式中,如果某片段类别并非根因但含有很多重复的局部片段,则累加后可能因重复的局部片段数量较多而导致该片段类别被误认为是真实的系统性缺陷根因,进而导致芯片故障的根因识别错误。
发明内容
本发明提供了一种芯片故障识别方法,基于片段之间的样本相似性,对大量候选的局部片段进行分类,得到多个片段类别,并构建用于进行片段类别对故障影响的根因推断的因果关系模型,避免了等价的局部片段分散候选根因的因果效应,进而提升了根因识别的准确率。
第一方面,本申请提供了一种芯片故障识别方法,所述方法包括:
获取故障芯片的多个局部片段以及每个局部片段与所述故障芯片发生故障的关联程度;其中,局部片段可以为芯片表面的局部区域,多个局部片段可以为芯片表面的多个局部区域,且多个局部片段中的任意两个局部片段之间的面积大小和外部轮廓形状相同,其中,局部片段之间的面积大小相同可以理解为局部片段所在的区域的面积相同,局部片段之间的外部轮廓形状相同可以理解为局部片段所在的区域的外部轮廓形状相同,例如都为正方形,或者长宽比一致的矩形等等;其中,在一种可能的实现中,所述多个局部片段中的每个局部片段的面积在预设范围内,每个局部片段的面积不能过大也不能过小,局部片段的面积大小可以与芯片的大小有关,芯片的大小越大,则局部片段的面积越大,例如局部片段的面积和芯片的面积可以保持一定比例,局部片段的面积大小还可以与芯片上的基础单元之间的间隔长度有关,例如可以将局部片段的边长设置为基础单元(例如芯片上的铺铜polygon区域)之间的间隔长度的预设倍数,例如3倍、4倍、5倍等等。其中,每个局部片段可以包括排布的器件和/或器件之间的连接线,本申请实施例中,可以获取到故障芯片的多个局部片段,具体可以是获取到每个局部片段的图像信息或者是其他能够表达局部片段上器件排布或者连接线结构的信息,基于该信息可以唯一确定局部片段的结构特征;
其中,关联程度可以与如下的至少一种信息正相关:所述每个局部片段在所述诊断报告中的出现次数;或,所述每个局部片段导致所述故障芯片出现芯片故障的概率,其中,上述信息可以从诊断报告中提取。
例如,关联程度可以与每个局部片段在所述诊断报告中的出现次数正相关,也就是说,在其他信息保持不变的情况下,局部片段在所述诊断报告中的出现次数越高,则局部片段与导致所述故障芯片发生故障之间的关联程度越高。
例如,关联程度可以与所述每个局部片段导致所述故障芯片出现芯片故障的概率正相关,也就是说,在其他信息保持不变的情况下,局部片段导致所述故障芯片出现芯片故障的概率越高,则局部片段与导致所述故障芯片发生故障之间的关联程度越高;
基于所述多个局部片段之间的结构相似性,对所述多个局部片段进行聚类,以得到聚类结果,所述聚类结果包括多个片段类别;其中,所述结构相似性可以包括器件的排布相似性和/或器件之间连接线的排布相似性,通过结构相似性的分析,将结构一直或者很相似的局部片段划分到同一个片段类别,由于芯片设计的特点,同一个芯片上包括的部分局部之间可以是在结构上等效的,可以通过一定的变换实现相互转换,可以实现相互转换的局部片段可以认为是等效的片段,在聚类结果中,等效的局部片段可以被分为同一个片段类别;
根据所述聚类结果以及所述每个局部片段与所述故障芯片发生芯片故障的关联程度,构建因果关系模型;所述因果关系模型用于预测所述多个片段类别中的每个片段类别导致所述故障芯片发生故障的概率。其中,因果关系模型的作用在于识别出因变量和自变量之间的因果效应,该因果效应可以表征出因变量导致自变量发生的概率,具体的,因变量和自变量之间存在某种前因后果关系,在训练因果关系模型时,可以找出影响因变量和自变量之间的因果效应的几个因素,并根据这些因素来训练因果关系模型,使得因果关系模型可以具有识别出因变量和自变量之间的因果效应的能力。
本申请实施例中,因果关系模型的作用在于识别出多个片段类别中的每个片段类别导致所述故障芯片发生故障的概率的分布。具体的,因果关系模型可以利用聚类结果,通过片段类别对所述故障芯片发生故障的因果效应识别,来输出每个片段类别导致所述故障芯片发生故障的概率的分布。
其中,因果关系模型可以包括但不限于因果分析法中的贝叶斯网络、线性非高斯无环图模型、格兰杰(granger)因果关系模型等。其中贝叶斯网络、线性非高斯无环图模型可以学习数据的因果结构;
本申请实施例中,相比现有基于各个局部片段的概率估计进行的根因推断方法,本申请实施例基于片段之间的样本相似性,对大量候选的局部片段进行分类,得到多个片段类别,并构建用于进行片段类别对故障影响的根因推断的因果关系模型,避免了等价的局部片段分散候选根因的因果效应,进而提升了根因识别的准确率。在识别导致芯片故障的根因时,本申请只需要识别出每种片段类别导致芯片故障的概率,而不是去识别每个片段本身导致芯片故障的概率,也可以提高根因推断的效率,因为有很多重复或等价的芯片片段,片段类别的数量比片段的数量少很多(例如,1000个芯片片段可以聚类为10个片段类别),计算片段类别导致故障的概率比计算片段导致故障的概率的计算量更少。而且,在识别出容易导致芯片故障的片段类别后,可以对属于该类别的片段进行批量处理,而不需要单独对每个片段进行处理,也可以简化后续处理过程。
在一种可能的实现中,故障芯片可以理解为发生短路或者断路故障的芯片,且芯片故障可以为芯片上的器件摆放以及器件之间的连接线的设计所导致的。
其中,所述结构相似性可以包括器件的排布相似性和/或器件之间连接线的排布相似性,通过结构相似性的分析,将结构一直或者很相似的局部片段划分到同一个片段类别,由于芯片设计的特点,同一个芯片上包括的部分局部之间可以是在结构上等效的,可以通过一定的变换实现相互转换,例如所述多个局部片段可以包括第一片段和第二片段,若基于所述第一片段和/或所述第二片段通过镜像变换、旋转变换或者平移变换之后的结构相似性大于阈值,则可以将所述第一片段和所述第二片段聚类为同一个片段类别,其中,若相似性等于1表示完全一致,则阈值可以设置为接近于1的值,例如为0.99、0.98、0.97等等。
在一种可能的实现中,还需要提取每个局部片段与导致所述故障芯片发生故障之间的关联程度,其中,关联程度可以与如下的至少一种信息正相关:所述每个局部片段在所述诊断报告中的出现次数;或,所述每个局部片段导致所述故障芯片出现芯片故障的概率,其中,当芯片发生故障时,需要通过诊断工具对故障芯片进行根因识别,生成包括多个候选根因的诊断报告,上述信息可以从诊断报告中提取。
例如,关联程度可以与每个局部片段在所述诊断报告中的出现次数正相关,也就是说,在其他信息保持不变的情况下,局部片段在所述诊断报告中的出现次数越高,则局部片段与导致所述故障芯片发生故障之间的关联程度越高。
例如,关联程度可以与所述每个局部片段导致所述故障芯片出现芯片故障的概率正相关,也就是说,在其他信息保持不变的情况下,局部片段导致所述故障芯片出现芯片故障的概率越高,则局部片段与导致所述故障芯片发生故障之间的关联程度越高。
在一种可能的实现中,可以基于所述多个局部片段之间的结构相似性,对所述多个局部片段进行聚类,以得到聚类结果,所述聚类结果可以包括多个片段类别,以及多个局部片段中各个局部片段属于各个片段类别的置信度,也就是说,聚类得到的聚类结果除了包括局部片段所属的片段类别之外,还可以包括局部片段属于对应片段类别的概率。此时,在局部片段的数量为N,片段类别的数量为M的情况下,聚类结果可以为N*M的矩阵表示。
第二方面,本申请提供了一种芯片故障识别装置,所述装置包括:
获取模块,用于获取故障芯片的多个局部片段以及每个局部片段与所述故障芯片发生故障的关联程度;
聚类模块,用于基于所述多个局部片段之间的结构相似性,对所述多个局部片段进行聚类,以得到聚类结果,所述聚类结果包括多个片段类别;
模型构建模块,用于根据所述聚类结果以及所述每个局部片段与所述故障芯片发生芯片故障的关联程度,构建因果关系模型;所述因果关系模型用于识别每个片段类别与所述故障芯片发生故障之间的因果关系;
概率预测模块,用于根据所述聚类结果以及所述因果关系模型,确定所述多个片段类别中的每个片段类别导致所述故障芯片发生故障的概率。
相比现有基于各个局部片段的概率估计进行的根因推断方法,本申请实施例基于片段之间的样本相似性,对大量候选的局部片段进行分类,得到多个片段类别,并构建用于进行片段类别对故障影响的根因推断的因果关系模型,避免了等价的局部片段分散候选根因的因果效应,进而提升了根因识别的准确率。
在一种可能的实现中,所述多个局部片段为位于所述故障芯片的芯片层所在平面上的片段,所述多个局部片段中的任意两个局部片段之间的面积相同,所述多个局部片段中的每个局部片段的面积在预设范围内。
在一种可能的实现中,所述故障包括开路故障和/或短路故障。
在一种可能的实现中,所述结构相似性包括器件的排布相似性和/或器件之间连接线的排布相似性。
在一种可能的实现中,所述多个局部片段包括第一片段和第二片段;所述聚类模块,具体用于:
基于所述第一片段和/或所述第二片段通过镜像变换、旋转变换或者平移变换之后的结构相似性大于阈值,将所述第一片段和所述第二片段聚类为同一个片段类别。
在一种可能的实现中,所述获取模块,还用于:
获取所述故障芯片的诊断报告,所述诊断报告包括所述多个局部片段以及每个局部片段导致所述故障芯片出现芯片故障的概率;
所述获取模块,具体用于:
根据所述诊断报告,获取所述故障芯片的多个局部片段以及每个局部片段与所述故障芯片发生故障的关联程度,其中,所述每个局部片段与所述故障芯片发生故障的关联程度与如下的至少一种信息正相关:
所述每个局部片段在所述诊断报告中的出现次数;或,
所述每个局部片段导致所述故障芯片出现芯片故障的概率。
在一种可能的实现中,所述聚类结果还包括所述多个局部片段属于各个片段类别的置信度。
在一种可能的实现中,所述因果关系模型为贝叶斯网络、线性非高斯无环图模型或格兰杰因果关系模型。
第三方面,本申请实施例提供了一种芯片故障识别装置,可以包括存储器、处理器以及总线系统,其中,存储器用于存储程序,处理器用于执行存储器中的程序,以执行如上述第一方面及其任一可选的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行上述第一方面及其任一可选的方法。
第五方面,本申请实施例提供了一种包括指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述第一方面及其任一可选的方法。
第六方面,本申请提供了一种芯片系统,该芯片系统包括处理器,用于支持执行设备或训练设备实现上述方面中所涉及的功能,例如,发送或处理上述方法中所涉及的数据;或,信息。在一种可能的设计中,所述芯片系统还包括存储器,所述存储器,用于保存执行设备或训练设备必要的程序指令和数据。该芯片系统,可以由芯片构成,也可以包括芯片和其他分立器件。
本申请实施例提供了一种芯片故障识别方法,所述方法包括:获取故障芯片的多个局部片段以及每个局部片段与所述故障芯片发生故障之间的关联程度;基于所述多个局部片段之间的结构相似性,对所述多个局部片段进行聚类,以得到聚类结果,所述聚类结果包括多个片段类别;根据所述聚类结果以及所述每个局部片段与所述故障芯片发生芯片故障的关联程度,训练因果关系模型;所述因果关系模型用于识别每个片段类别与所述故障芯片发生故障之间的因果关系;根据所述聚类结果以及所述因果关系模型,确定所述多个片段类别中的每个片段类别导致所述故障芯片发生故障的概率。相比现有基于各个局部片段的概率估计进行的根因推断方法,本申请实施例基于片段之间的样本相似性,对大量候选的局部片段进行分类,得到多个片段类别,并构建用于进行片段类别对故障影响的根因推断的因果关系模型,避免了等价的局部片段分散候选根因的因果效应,进而提升了根因识别的准确率。
附图说明
图1为人工智能主体框架的一种结构示意图;
图2为一种应用架构示意;
图3为本申请实施例提供的一种芯片故障识别方法的实施例示意;
图4a为本申请实施例提供的一种芯片层的示意图;
图4b为本申请实施例中芯片的局部片段的示意;
图5为本申请实施例中芯片的局部片段的示意;
图6为本申请实施例中芯片上的局部片段的示意;
图7为本申请实施例中编码器的训练过程示意;
图8为本申请实施例中聚类的过程示意;
图9为本申请实施例中因果关系模型的数据处理过程示意;
图10为本申请实施例提供的一种芯片故障识别装置的实施例示意;
图11为本申请实施例提供的执行设备的一种结构示意图;
图12是本申请实施例提供的训练设备一种结构示意图;
图13为本申请实施例提供的芯片的一种结构示意图。
具体实施方式
下面结合本发明实施例中的附图对本发明实施例进行描述。本发明的实施方式部分使用的术语仅用于对本发明的具体实施例进行解释,而非旨在限定本发明。
下面结合附图,对本申请的实施例进行描述。本领域普通技术人员可知,随着技术的发展和新场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
首先对人工智能系统总体工作流程进行描述,请参见图1,图1示出的为人工智能主体框架的一种结构示意图,下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中,“智能信息链”反映从数据的获取到处理的一列过程。举例来说,可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中,数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程,反映人工智能为信息技术产业带来的价值。
(1)基础设施
基础设施为人工智能系统提供计算能力支持,实现与外部世界的沟通,并通过基础平台实现支撑。通过传感器与外部沟通;计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供;基础平台包括分布式计算框架及网络等相关的平台保障和支持,可以包括云存储和计算、互联互通网络等。举例来说,传感器和外部沟通获取数据,这些数据提供给基础平台提供的分布式计算系统中的智能芯片进行计算。
(2)数据
基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本,还涉及到传统设备的物联网数据,包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。
(3)数据处理
数据处理通常包括数据训练,机器学习,深度学习,搜索,推理,决策等方式。
其中,机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。
推理是指在计算机或智能系统中,模拟人类的智能推理方式,依据推理控制策略,利用形式化的信息进行机器思维和求解问题的过程,典型的功能是搜索与匹配。
决策是指智能信息经过推理后进行决策的过程,通常提供分类、排序、预测等功能。
(4)通用能力
对数据经过上面提到的数据处理后,进一步基于数据处理的结果可以形成一些通用的能力,比如可以是算法或者一个通用系统,例如,翻译,文本的分析,计算机视觉的处理,语音识别,图像的识别等等。
(5)智能产品及行业应用
智能产品及行业应用指人工智能系统在各领域的产品和应用,是对人工智能整体解决方案的封装,将智能信息决策产品化、实现落地应用,其应用领域主要包括:智能终端、智能交通、智能医疗、自动驾驶、智慧城市等。
本申请实施例可以应用于芯片的故障根因定位。
由于本申请实施例涉及大量神经网络的应用,为了便于理解,下面先对本申请实施例涉及的相关术语及神经网络等相关概念进行介绍。
(1)神经网络
神经网络可以是由神经单元组成的,神经单元可以是指以xs和截距1为输入的运算单元,该运算单元的输出可以为:
其中,s=1、2、……n,n为大于1的自然数,Ws为xs的权重,b为神经单元的偏置。f为神经单元的激活函数(activation functions),用于将非线性特性引入神经网络中,来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入,激活函数可以是sigmoid函数。神经网络是将多个上述单一的神经单元联结在一起形成的网络,即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连,来提取局部接受域的特征,局部接受域可以是由若干个神经单元组成的区域。
(2)系统性缺陷
系统性缺陷是指芯片的布局设计不变,因工艺变化而导致出现设计缺陷的电路结构。
(3)诊断报告
由芯片诊断工具得到的布局设计诊断数据,其中包含候选根因类型、位置等信息。
(4)良率
完成所有工艺步骤后测试合格芯片的数量与整片晶圆上的有效芯片数量的比值。
系统性缺陷的存在会增加芯片功能失效的几率,存在电路功能失效的芯片会无法正常使用,从而导致芯片良率降低。良率的下滑会增加生产成本,甚至导致相关产品错过销售窗口期。因此系统性根因识别对产品的良率至关重要。当芯片发生故障时,需要通过诊断工具对故障芯片进行根因识别,生成包括多个候选根因的诊断报告,由于同一批次的诊断数据通常包含数千甚至上万个可能的候选根因(每个候选根因包括故障芯片的一个局部片段),真实的一个或多个根因需要从这些候选根因中识别出来。
现有的根因推断方法是基于诊断报告的贝叶斯网络根因分析方法。该方法首先从批量诊断报告中提取每个候选根因和与根因推断相关的特征,利用提取的候选根因特征关系计算根因与故障构成的贝叶斯网络中的条件概率参数。随后通过最大化观测数据似然迭代更新候选根因的边际故障概率直到算法收敛,以得到每个候选根因导致芯片发生故障的概率,之后综合等价的片段(也就是将结构相似性较高的片段的概率进行累加),以得到各个片段类别导致芯片发生故障的概率。
然而上述方式中,未去除平移等价的重复布局片段,使得诊断报告中存在平移等价的重复布局片段,导致根因概率分散。且未排除布局样式对应重复布局片段数量的影响,在推断过程中对每个布局片段计算根因概率,再将等价片段整合为一个分组,如果某布局样式并非根因但含有很多重复布局片段,则整合后可能因重复布局片段数量较多而被误认为是真是的系统性缺陷根因,进而导致芯片故障的根因识别准确率较低。
基于此,本申请实施例提供了一种芯片故障识别方法,可以更准确的识别出芯片故障的根因。
接下来首先介绍本申请实施例所应用的系统架构。
下面结合图2对本申请实施例提供的系统架构进行详细的介绍。图2为本申请实施例提供的系统架构示意图。如图2所示,系统架构200包括执行设备210、训练设备220、数据库230、客户设备240、数据存储系统220以及数据采集系统260。
执行设备210包括计算模块211、I/O接口212、预处理模块213。计算模块211中可以包括目标模型/规则201,预处理模块213是可选的。
数据采集设备260用于采集训练样本。在本申请实施例中,训练样本可以为对多个局部片段进行聚类后得到的聚类结果以及故障芯片发生故障之间的关联程度。在采集到训练样本之后,数据采集设备260将这些训练样本存入数据库230。
应理解,数据库230中还可以维护有初始化的根因关系模型,其中初始化的根因关系模型可以为贝叶斯网络、线性非高斯无环图模型、格兰杰因果关系模型等。其中,贝叶斯网络、线性非高斯无环图模型可以学习数据的因果结构。
训练设备220可以基于数据库230中维护的训练样本对初始化的根因关系模型进行训练,以得到目标模型/规则201。本申请实施例中,目标模型/规则201可以为训练后的因果关系模型。
需要说明的是,在实际应用中,数据库230中维护的训练样本不一定都来自于数据采集设备260的采集,也有可能是从其他设备接收得到的。另外需要说明的是,训练设备220也不一定完全基于数据库230维护的训练样本进行目标模型/规则201的训练,也有可能从云端或其他地方获取训练样本进行模型训练,上述描述不应该作为对本申请实施例的限定。
根据训练设备220训练得到的目标模型/规则201可以应用于不同的系统或设备中,如应用于图2所示的执行设备210,所述执行设备210可以是终端,如手机终端,平板电脑,笔记本电脑,增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备,车载终端等,还可以是服务器或者云端等。
具体的,训练设备220可以将因果关系模型传递至执行设备。
应理解,本申请实施例中训练设备220和执行设备210也可以集成在同一设备(例如本申请实施例中的芯片故障识别装置)中,该设备同时具备训练设备220的模型训练能力,以及执行设备210的模型推理能力。
在图2中,执行设备210配置输入/输出(input/output,I/O)接口212,用于与外部设备进行数据交互,用户可以通过客户设备240向I/O接口212输入数据(例如本申请实施例中的聚类结果,或者是诊断报告的数据)。
预处理模块213用于根据I/O接口212接收到的输入数据进行预处理。应理解,可以没有预处理模块213或者只有一个预处理模块。当不存在预处理模块213时,可以直接采用计算模块211对输入数据进行处理。
在执行设备210对输入数据进行预处理,或者在执行设备210的计算模块211执行计算等相关的处理过程中,执行设备210可以调用数据存储系统220中的数据、代码等以用于相应的处理,也可以将相应处理得到的数据、指令等存入数据存储系统220中。
最后,I/O接口212将处理结果(例如本申请实施例中的所述多个片段类别中的每个片段类别导致所述故障芯片发生故障的概率)呈现给客户设备240,从而提供给用户。
在图2所示情况下,用户可以手动给定输入数据,该“手动给定输入数据”可以通过I/O接口212提供的界面进行操作。另一种情况下,客户设备240可以自动地向I/O接口212发送输入数据,如果要求客户设备240自动发送输入数据需要获得用户的授权,则用户可以在客户设备240中设置相应权限。用户可以在客户设备240查看执行设备210输出的结果,具体的呈现形式可以是显示、声音、动作等具体方式。客户设备240也可以作为数据采集端,采集如图所示输入I/O接口212的输入数据及输出I/O接口212的输出结果作为新的样本数据,并存入数据库230。当然,也可以不经过客户设备240进行采集,而是由I/O接口212直接将如图所示输入I/O接口212的输入数据及输出I/O接口212的输出结果,作为新的样本数据存入数据库230。
值得注意的是,图2仅是本申请实施例提供的一种系统架构的示意图,图中所示设备、器件、模块等之间的位置关系不构成任何限制,例如,在图2中,数据存储系统220相对执行设备210是外部存储器,在其它情况下,也可以将数据存储系统220置于执行设备210中。应理解,上述执行设备210可以部署于客户设备240中。
从模型的推理侧来说:
本申请实施例中,上述执行设备220的计算模块211可以获取到数据存储系统220中存储的代码来实现本申请实施例中芯片故障识别方法中与模型推理相关的步骤。
本申请实施例中,执行设备220的计算模块211可以包括硬件电路(如专用集成电路(application specific integrated circuit,ASIC)、现场可编程门阵列(field-programmable gate array,FPGA)、通用处理器、数字信号处理器(digital signalprocessing,DSP)、微处理器或微控制器等等)、或这些硬件电路的组合,例如,训练设备220可以为具有执行指令功能的硬件系统,如CPU、DSP等,或者为不具有执行指令功能的硬件系统,如ASIC、FPGA等,或者为上述不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合。
具体的,执行设备220的计算模块211可以为具有执行指令功能的硬件系统,本申请实施例提供的芯片故障识别方法可以为存储在存储器中的软件代码,执行设备220的计算模块211可以从存储器中获取到软件代码,并执行获取到的软件代码来实现本申请实施例提供的芯片故障识别方法中与模型推理相关的步骤。
应理解,执行设备220的计算模块211可以为不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合,本申请实施例提供的芯片故障识别方法中与模型推理相关的部分步骤还可以通过执行设备220的计算模块211中不具有执行指令功能的硬件系统来实现,这里并不限定。
从模型的训练侧来说:
本申请实施例中,上述训练设备220可以获取到存储器(图2中未示出,可以集成于训练设备220或者与训练设备220分离部署)中存储的代码来实现本申请实施例中的芯片故障识别方法中与模型训练相关的步骤。
本申请实施例中,训练设备220可以包括硬件电路(如专用集成电路(applicationspecific integrated circuit,ASIC)、现场可编程门阵列(field-programmable gatearray,FPGA)、通用处理器、数字信号处理器(digital signal processing,DSP)、微处理器或微控制器等等)、或这些硬件电路的组合,例如,训练设备220可以为具有执行指令功能的硬件系统,如CPU、DSP等,或者为不具有执行指令功能的硬件系统,如ASIC、FPGA等,或者为上述不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合。
具体的,训练设备220可以为具有执行指令功能的硬件系统,本申请实施例提供的数据处理方法可以为存储在存储器中的软件代码,训练设备220可以从存储器中获取到软件代码,并执行获取到的软件代码来实现本申请实施例提供的芯片故障识别方法中与模型训练相关的步骤。
应理解,训练设备220可以为不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合,本申请实施例提供的芯片故障识别方法中与模型训练相关的部分步骤还可以通过训练设备220中不具有执行指令功能的硬件系统来实现,这里并不限定。
接下来对本申请实施例提供的芯片故障识别方法进行说明。
参照图3,图3为本申请实施例提供的一种芯片故障识别方法的实施例示意,本申请实施例提供的一种芯片故障识别方法可以应用在执行设备中,执行设备可以为手机、平板、笔记本电脑、智能穿戴设备等终端设备,执行设备也可以为云侧服务器。
如图3示出的那样,本申请实施例提供的一种芯片故障识别方法可以包括:
301、获取故障芯片的多个局部片段以及每个局部片段与所述故障芯片发生故障的关联程度。
在一种可能的实现中,故障芯片可以理解为发生短路或者断路故障的芯片,且芯片故障可以为芯片上的器件摆放以及器件之间的连接线的设计所导致的。
以故障原因为短路为例,参照图4b,图4b为芯片的局部片段的示意,图4b示出的局部片段中包括中间的短矩形以及相邻的长矩形,其中短矩形可以表示连接点,长矩形可以表示连接线,当两个矩形连在一起时会造成芯片的短路故障。
以故障原因为开路为例,参照图5,图5为芯片的局部片段的示意,图5示出的局部片段中包括中间的短矩形,其中短矩形可以表示连接点,当该矩形与其它芯片层的连接出现接触不良时会造成芯片的开路故障。
当芯片出现故障时,为了分析出导致芯片出现故障的根因,可以通过芯片诊断工具针对于发生故障的芯片的布局设计进行分析,以得到诊断报告,其中,诊断报告可以包括多个候选根因,每个候选根因可以包括可能导致芯片发生故障的可能的局部片段,以及局部片段相关的信息。
接下来介绍局部片段:
在一种可能的实现中,芯片可以包括多个芯片层,不同芯片层位于不同的平面上,所述多个局部片段可以位于所述故障芯片的芯片层所在平面上,例如多个局部片段可以位于芯片的多个芯片层,每个芯片层可以包括至少一个局部片段。
参照图4a,其中,图4a示出了一个芯片层的示意,芯片层为一个平板,局部片段为在芯片层所在的平面上截取的一个片段。
在一种可能的实现中,局部片段可以为芯片表面的局部区域,多个局部片段可以为芯片表面的多个局部区域,且多个局部片段中的任意两个局部片段之间的面积大小和外部轮廓形状相同,其中,局部片段之间的面积大小相同可以理解为局部片段所在的区域的面积相同,局部片段之间的外部轮廓形状相同可以理解为局部片段所在的区域的外部轮廓形状相同,例如都为正方形,或者长宽比一致的矩形等等。
在一种可能的实现中,每个局部片段的中心点可以为芯片上的关键点,例如芯片上的连接点,所述多个局部片段中的每个局部片段的面积在预设范围内,每个局部片段的面积不能过大也不能过小。
在一种可能的实现中,每个局部片段可以包括排布的器件和/或器件之间的连接线,本申请实施例中,可以获取到故障芯片的多个局部片段,具体可以是获取到每个局部片段的图像信息或者是其他能够表达局部片段上器件排布或者连接线结构的信息,基于该信息可以唯一确定局部片段的结构特征。
接下来描述,如何获取故障芯片的多个局部片段。
在一种可能的实现中,可以从故障芯片的诊断报告中提取多个局部片段,诊断报告可以包括故障芯片的多个局部片段在芯片中的位置、缺陷可信度(本申请实施例中也可以称之为每个局部片段导致所述故障芯片出现芯片故障的概率)、出现次数的统计信息等等;
其中,一个诊断报告含有多个缺陷以及可能导致这些缺陷的若干候选根因,相同的候选根因可能出现在一个报告中不同缺陷的候选根因列表中。出现次数就是统计某个编号的候选根因在一个诊断报告所有缺陷的候选根因列表中出现的总次数。
示例性的,诊断报告可以包括如下信息的至少一种:候选根因编号,候选根因在当前报告的出现次数,候选根因的缺陷类型,候选根因在完整布局设计中的总出现次数,候选根因在当前报告中是缺陷根因的可能性,局部片段在芯片中的位置(例如包括候选根因所在层,候选根因在布局设计中的坐标等等)。
进而,可以基于局部片段在芯片中的位置,从芯片的布局设计中提取局部片段(例如每个局部片段的图像信息或者是其他能够表达局部片段上器件排布或者连接线结构的信息等)。
本申请实施例还需要提取每个局部片段与导致所述故障芯片发生故障之间的关联程度,其中,关联程度可以与如下的至少一种信息正相关:所述每个局部片段在所述诊断报告中的出现次数;或,所述每个局部片段导致所述故障芯片出现芯片故障的概率,其中,上述信息可以从诊断报告中提取。
例如,关联程度可以与每个局部片段在所述诊断报告中的出现次数正相关,也就是说,在其他信息保持不变的情况下,局部片段在所述诊断报告中的出现次数越高,则局部片段与导致所述故障芯片发生故障之间的关联程度越高。
例如,关联程度可以与所述每个局部片段导致所述故障芯片出现芯片故障的概率正相关,也就是说,在其他信息保持不变的情况下,局部片段导致所述故障芯片出现芯片故障的概率越高,则局部片段与导致所述故障芯片发生故障之间的关联程度越高。
302、基于所述多个局部片段之间的结构相似性,对所述多个局部片段进行聚类,以得到聚类结果,所述聚类结果包括多个片段类别。
本申请实施例中,在获取到故障芯片的多个局部片段之后,可以基于所述多个局部片段之间的结构相似性,对所述多个局部片段进行聚类,以得到聚类结果,所述聚类结果包括多个片段类别,其中,每个片段类别可以包括至少一个局部片段。
其中,所述结构相似性可以包括器件的排布相似性和/或器件之间连接线的排布相似性,通过结构相似性的分析,将结构一直或者很相似的局部片段划分到同一个片段类别,由于芯片设计的特点,同一个芯片上包括的部分局部之间可以是在结构上等效的,可以通过一定的变换实现相互转换,例如所述多个局部片段可以包括第一片段和/或第二片段,若基于所述第一片段和所述第二片段通过镜像变换、旋转变换或者平移变换之后的结构相似性大于阈值,则可以将所述第一片段和所述第二片段聚类为同一个片段类别,其中,阈值和聚类时各个局部片段之间的相似性有关。
本申请实施例中,将互为旋转,镜像和平移等价的局部片段认为是结构相似性大于阈值的片段,示例性的,参照图6,图6为芯片上的局部片段的示意,其中,在该布局片段的举例中,片段1和片段4为同一个片段类别中的旋转(或镜像)等价片段,片段2、3和5属于同一片段类别,其中片段2和3为横向平移等价片段,片段2和5为镜像等价片段。
本申请实施例在旋转和镜像等价布局片段的基础上,还考虑了布局片段的平移不变性,更有效地减少候选根因冗余,降低计算用时。
在一种可能的实现中,可以基于预训练好的神经网络(本申请实施例可以称之为分类模型)来实现局部片段的分类,其中,分类模型可以包括用于进行特征提取的编码器以及用于进行聚类的聚类算法。
可选的,编码器的训练可以通过如下步骤实现:首先,对每个局部片段进行旋转、镜像和平移生成训练数据(例如可以为图像数据或者是其他可以表征局部片段上器件以及器件之间连接线的排布的信息),给生成后的训练数据添加标签,相同片段产生的数据标签相同,不同片段的标签不同,生成的训练数据作为编码器的输入,参照图7,在模型训练时,可以采用对比损失函数,增加相同局部片段产生的数据特征间相似度,减小不同片段产生的数据特征间的相似度来更新编码器的模型参数。
参照图8,分类模型接受到输入后会利用编码器提取局部片段中不随旋转、镜像、平移变化改变的特征向量(如图8所示的h向量),并对提取到的特征向量进行聚类,每个聚类对应一个片段类别,并输出局部片段的聚类标签(聚类标签可以指示片段类别,例如图8示出的片段类别1以及片段类别2)。
可选的,上述编码器可以采用业界常用的各种图片特征提取网络,例如但不限于ResNet、Xception model、Inception model等等,训练分类模型的损失函数可以采用对比学习领域常用的各种损失函数,例如但不限于Triplet loss、NT-Xent等损失函数。上述聚类算法可以采用业界常用的各种聚类算法,例如但不限于k-means聚类算法、k-medoids聚类算法、或者高斯混合模型(gaussian mixture model)。
本申请实施例中,可以基于所述多个局部片段之间的结构相似性,对所述多个局部片段进行聚类,以得到聚类结果,所述聚类结果可以包括多个片段类别,以及多个局部片段中各个局部片段属于各个片段类别的置信度,也就是说,聚类得到的聚类结果除了包括局部片段所属的片段类别之外,还可以包括局部片段属于对应片段类别的概率。此时,在局部片段的数量为N,片段类别的数量为M的情况下,聚类结果可以为N*M的矩阵表示。
303、根据所述聚类结果以及所述每个局部片段与所述故障芯片发生芯片故障的关联程度,训练因果关系模型;所述因果关系模型用于识别每个片段类别与所述故障芯片发生故障之间的因果关系。
本申请实施例中,在得到多个片段类别以及每个局部片段与所述故障芯片发生故障之间的关联程度之后,可以基于聚类结果以及所述每个局部片段与所述故障芯片发生芯片故障的关联程度,构建因果关系模型。
其中,因果关系模型的作用在于识别出因变量和自变量之间的因果效应,该因果效应可以表征出因变量导致自变量发生的概率,具体的,因变量和自变量之间存在某种前因后果关系,在训练因果关系模型时,可以找出影响因变量和自变量之间的因果效应的几个因素,并根据这些因素来训练因果关系模型,使得因果关系模型可以具有识别出因变量和自变量之间的因果效应的能力。
其中,因果关系模型可以包括但不限于因果分析法中的贝叶斯网络、线性非高斯无环图模型、格兰杰因果关系模型等。其中贝叶斯网络、线性非高斯无环图模型可以学习数据的因果结构。
304、根据所述聚类结果以及所述因果关系模型,确定所述多个片段类别中的每个片段类别导致所述故障芯片发生故障的概率。
本申请实施例中,训练得到的因果关系模型可以识别出多个片段类别中的每个片段类别导致所述故障芯片发生故障的概率的分布。具体的,因果关系模型可以利用聚类结果,通过片段类别对所述故障芯片发生故障的因果效应识别,来输出每个片段类别导致所述故障芯片发生故障的概率的分布。除了输出每个片段类别导致所述故障芯片发生故障的概率的分布,还可以直接输出最容易导致所述故障芯片发生故障的一个或多个片段类别。
以因果关系模型为贝叶斯网络为例,参照图9,因果关系模型在接受到位于聚类空间的聚类结果以及每个局部片段与所述故障芯片发生故障之间的关联程度训练因果关系模型,并利用因果关系模型计算各片段类别对故障概率的平均因果效应(average causaleffect,ACE),将各片段类别对故障概率的平均因果效应作为根因的可能性,归一化后作为因果关系模型的输出(输出为各个片段类别导致所述故障芯片发生故障的概率分布)。
本申请实施例中,相比现有基于各个局部片段的概率估计进行的根因推断方法,本申请实施例基于片段之间的样本相似性,对大量候选的局部片段进行分类,得到多个片段类别,并构建用于进行片段类别对故障影响的根因推断的因果关系模型,避免了等价的局部片段分散候选根因的因果效应,进而提升了根因识别的准确率。
表1展示了本申请实施例在单根因无噪声注错数据的根因推断top-1准确率。在单根因无噪声数据上,本申请实施例的方案在两个布局样式上达到了很好的效果。
表1在无噪声数据的初步测试结果
表2展示了单根因带噪声注错数据的根因推断top-1准确率。在单根因带噪声注错数据上,本申请实施例在不同的噪声比例下均超越了商业工具的准确率,特别在噪声比例较高的情况下,本申请实施例的推断准确率没有明显下滑,而商业工具的准确率有较大的性能下滑。该方案在80%噪声的情况下,比商业工具高出9.44%的准确率。
表2在带噪声数据的初步测试结果
参照图10,图10为本申请实施例提供的一种芯片故障识别装置,所述装置1000包括:
获取模块1001,用于获取故障芯片的多个局部片段以及每个局部片段与所述故障芯片发生故障的关联程度。
关于获取模块1001的具体描述可以参照上述实施例中关于步骤301的描述,这里不再赘述。
聚类模块1002,用于基于所述多个局部片段之间的结构相似性,对所述多个局部片段进行聚类,以得到聚类结果,所述聚类结果包括多个片段类别;
关于聚类模块1002的具体描述可以参照上述实施例中关于步骤302的描述,这里不再赘述。
模型构建模块1003,用于根据所述聚类结果以及所述每个局部片段与所述故障芯片发生芯片故障的关联程度,构建因果关系模型;所述因果关系模型用于识别每个片段类别与所述故障芯片发生故障之间的因果关系;
关于模型构建模块1003的具体描述可以参照上述实施例中关于步骤303的描述,这里不再赘述。
概率预测模块1004,用于根据所述聚类结果以及所述因果关系模型,确定所述多个片段类别中的每个片段类别导致所述故障芯片发生故障的概率。
关于概率预测模块1004的具体描述可以参照上述实施例中关于步骤304的描述,这里不再赘述。
在一种可能的实现中,所述多个局部片段为位于所述故障芯片的芯片层所在平面上的片段,所述多个局部片段中的任意两个局部片段之间的面积相同,所述多个局部片段中的每个局部片段的面积在预设范围内。
在一种可能的实现中,所述故障包括开路故障和/或短路故障。
在一种可能的实现中,所述结构相似性包括器件的排布相似性和/或器件之间连接线的排布相似性。
在一种可能的实现中,所述多个局部片段包括第一片段和第二片段;所述聚类模块1002,具体用于:
基于所述第一片段和/或所述第二片段通过镜像变换、旋转变换或者平移变换之后的结构相似性大于阈值,将所述第一片段和所述第二片段聚类为同一个片段类别。
在一种可能的实现中,所述获取模块1001,还用于:
获取所述故障芯片的诊断报告,所述诊断报告包括所述多个局部片段以及每个局部片段导致所述故障芯片出现芯片故障的概率;
所述获取模块1001,具体用于:
根据所述诊断报告,获取所述故障芯片的多个局部片段以及每个局部片段与所述故障芯片发生故障的关联程度,其中,所述每个局部片段与所述故障芯片发生故障的关联程度与如下的至少一种信息正相关:
所述每个局部片段在所述诊断报告中的出现次数;或,
所述每个局部片段导致所述故障芯片出现芯片故障的概率。
在一种可能的实现中,所述聚类结果还包括所述多个局部片段属于各个片段类别的置信度。
在一种可能的实现中,所述因果关系模型为贝叶斯网络、线性非高斯无环图模型或格兰杰因果关系模型。
本申请实施例提供了一种芯片故障识别装置,包括:获取模块,用于获取故障芯片的多个局部片段以及每个局部片段与所述故障芯片发生故障的关联程度;聚类模块,用于基于所述多个局部片段之间的结构相似性,对所述多个局部片段进行聚类,以得到聚类结果,所述聚类结果包括多个片段类别;概率预测模块,用于根据所述聚类结果以及所述每个局部片段与所述故障芯片发生芯片故障的关联程度,构建因果关系模型;所述因果关系模型用于预测所述多个片段类别中的每个片段类别导致所述故障芯片发生故障的概率。通过上述方式,相比现有基于各个局部片段的概率估计进行的根因推断方法,本申请实施例基于片段之间的样本相似性,对大量候选的局部片段进行分类,得到多个片段类别,并构建用于进行片段类别对故障影响的根因推断的因果关系模型,避免了等价的局部片段分散候选根因的因果效应,进而提升了根因识别的准确率。
接下来介绍本申请实施例提供的一种执行设备,请参阅图11,图11为本申请实施例提供的执行设备的一种结构示意图,执行设备1100具体可以表现为手机、平板、笔记本电脑、智能穿戴设备或服务器等,此处不做限定。具体的,执行设备1100包括:接收器1101、发射器1102、处理器1103和存储器1104(其中执行设备1100中的处理器1103的数量可以一个或多个,图11中以一个处理器为例),其中,处理器1103可以包括应用处理器11031和通信处理器11032。在本申请的一些实施例中,接收器1101、发射器1102、处理器1103和存储器1104可通过总线或其它方式连接。
存储器1104可以包括只读存储器和随机存取存储器,并向处理器1103提供指令和数据。存储器1104的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory,NVRAM)。存储器1104存储有处理器和操作指令、可执行模块或者数据结构,或者它们的子集,或者它们的扩展集,其中,操作指令可包括各种操作指令,用于实现各种操作。
处理器1103控制执行设备的操作。具体的应用中,执行设备的各个组件通过总线系统耦合在一起,其中总线系统除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都称为总线系统。
上述本申请实施例揭示的方法可以应用于处理器1103中,或者由处理器1103实现。处理器1103可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器1103中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1103可以是通用处理器、数字信号处理器(digital signal processing,DSP)、微处理器或微控制器,还可进一步包括专用集成电路(application specific integratedcircuit,ASIC)、现场可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器1103可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1104,处理器1103读取存储器1104中的信息,结合其硬件完成上述方法的步骤。
接收器1101可用于接收输入的数字或字符信息,以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1102可用于输出数字或字符信息;发射器1102还可用于向磁盘组发送指令,以修改磁盘组中的数据。
本申请实施例中,在一种情况下,处理器1103,用于执行图3对应实施例中的芯片故障识别方法中与模型推理相关的步骤。
本申请实施例还提供了一种训练设备,请参阅图12,图12是本申请实施例提供的训练设备一种结构示意图,具体的,训练设备1200由一个或多个服务器实现,训练设备1200可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(centralprocessing units,CPU)1212(例如,一个或一个以上处理器)和存储器1232,一个或一个以上存储应用程序1242或数据1244的存储介质1230(例如一个或一个以上海量存储设备)。其中,存储器1232和存储介质1230可以是短暂存储或持久存储。存储在存储介质1230的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对训练设备中的一系列指令操作。更进一步地,中央处理器1212可以设置为与存储介质1230通信,在训练设备1200上执行存储介质1230中的一系列指令操作。
训练设备1200还可以包括一个或一个以上电源1226,一个或一个以上有线或无线网络接口1250,一个或一个以上输入输出接口1258;或,一个或一个以上操作系统1241,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
本申请实施例中,中央处理器1212,用于执行图3对应实施例中的芯片故障识别方法中与模型训练相关的步骤。
本申请实施例中还提供一种包括计算机可读指令的计算机程序产品,当其在计算机上运行时,使得计算机执行如前述执行设备所执行的步骤,或者,使得计算机执行如前述训练设备所执行的步骤。
本申请实施例中还提供一种计算机可读存储介质,该计算机可读存储介质中存储有用于进行信号处理的程序,当其在计算机上运行时,使得计算机执行如前述执行设备所执行的步骤,或者,使得计算机执行如前述训练设备所执行的步骤。
本申请实施例提供的执行设备、训练设备或终端设备具体可以为芯片,芯片包括:处理单元和通信单元,所述处理单元例如可以是处理器,所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令,以使执行设备内的芯片执行上述实施例描述的数据处理方法,或者,以使训练设备内的芯片执行上述实施例描述的数据处理方法。可选地,所述存储单元为所述芯片内的存储单元,如寄存器、缓存等,所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元,如只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)等。
具体的,请参阅图13,图13为本申请实施例提供的芯片的一种结构示意图,所述芯片可以表现为神经网络处理器NPU 1300,NPU 1300作为协处理器挂载到主CPU(Host CPU)上,由Host CPU分配任务。NPU的核心部分为运算电路1303,通过控制器1304控制运算电路1303提取存储器中的矩阵数据并进行乘法运算。
在一些实现中,运算电路1303内部包括多个处理单元(Process Engine,PE)。在一些实现中,运算电路1303是二维脉动阵列。运算电路1303还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中,运算电路1303是通用的矩阵处理器。
举例来说,假设有输入矩阵A,权重矩阵B,输出矩阵C。运算电路从权重存储器1302中取矩阵B相应的数据,并缓存在运算电路中每一个PE上。运算电路从输入存储器1301中取矩阵A数据与矩阵B进行矩阵运算,得到的矩阵的部分结果或最终结果,保存在累加器(accumulator)1308中。
统一存储器1306用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller,DMAC)1305,DMAC被搬运到权重存储器1302中。输入数据也通过DMAC被搬运到统一存储器1306中。
BIU为Bus Interface Unit即,总线接口单元1310,用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer,IFB)1309的交互。
总线接口单元1310(Bus Interface Unit,简称BIU),用于取指存储器1309从外部存储器获取指令,还用于存储单元访问控制器1305从外部存储器获取输入矩阵A或者权重矩阵B的原数据。
DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器1306或将权重数据搬运到权重存储器1302中或将输入数据数据搬运到输入存储器1301中。
向量计算单元1307包括多个运算处理单元,在需要的情况下,对运算电路的输出做进一步处理,如向量乘,向量加,指数运算,对数运算,大小比较等等。主要用于神经网络中非卷积/全连接层网络计算,如Batch Normalization(批归一化),像素级求和,对特征平面进行上采样等。
在一些实现中,向量计算单元1307能将经处理的输出的向量存储到统一存储器1306。例如,向量计算单元1307可以将线性函数;或,非线性函数应用到运算电路1303的输出,例如对卷积层提取的特征平面进行线性插值,再例如累加值的向量,用以生成激活值。在一些实现中,向量计算单元1307生成归一化的值、像素级求和的值,或二者均有。在一些实现中,处理过的输出的向量能够用作到运算电路1303的激活输入,例如用于在神经网络中的后续层中的使用。
控制器1304连接的取指存储器(instruction fetch buffer)1309,用于存储控制器1304使用的指令;
统一存储器1306,输入存储器1301,权重存储器1302以及取指存储器1309均为On-Chip存储器。外部存储器私有于该NPU硬件架构。
其中,上述任一处提到的处理器,可以是一个通用中央处理器,微处理器,ASIC,或一个或多个用于控制上述程序执行的集成电路。
另外需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本申请提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,训练设备,或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
Claims (17)
1.一种芯片故障识别方法,其特征在于,所述方法包括:
获取故障芯片的多个局部片段以及每个局部片段与所述故障芯片发生故障之间的关联程度;
基于所述多个局部片段之间的结构相似性,对所述多个局部片段进行聚类,以得到聚类结果,所述聚类结果包括多个片段类别;
根据所述聚类结果以及所述每个局部片段与所述故障芯片发生芯片故障的关联程度,训练因果关系模型;所述因果关系模型用于识别每个片段类别与所述故障芯片发生故障之间的因果关系;
根据所述聚类结果以及所述因果关系模型,确定所述多个片段类别中的每个片段类别导致所述故障芯片发生故障的概率。
2.根据权利要求1所述的方法,其特征在于,所述多个局部片段为位于所述故障芯片的芯片层所在平面上的片段,所述多个局部片段中的任意两个局部片段之间的面积大小和外部轮廓形状相同,所述多个局部片段中的每个局部片段的面积在预设范围内。
3.根据权利要求1或2所述的方法,其特征在于,所述故障包括开路故障和/或短路故障。
4.根据权利要求1或2所述的方法,其特征在于,所述结构相似性包括器件的排布相似性和/或器件之间连接线的排布相似性。
5.根据权利要求1或2所述的方法,其特征在于,所述多个局部片段包括第一片段和第二片段;所述基于所述多个局部片段之间的结构相似性,对所述多个局部片段进行聚类,包括:
基于所述第一片段和/或所述第二片段通过镜像变换、旋转变换或者平移变换之后的结构相似性大于阈值,将所述第一片段和所述第二片段聚类为同一个片段类别。
6.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
获取所述故障芯片的诊断报告,所述诊断报告包括所述多个局部片段以及每个局部片段导致所述故障芯片出现芯片故障的概率;
所述获取故障芯片的多个局部片段以及每个局部片段与所述故障芯片发生故障的关联程度,包括:
根据所述诊断报告,获取所述故障芯片的多个局部片段以及每个局部片段与所述故障芯片发生故障的关联程度,其中,所述每个局部片段与所述故障芯片发生故障的关联程度与如下的至少一种信息正相关:
所述每个局部片段在所述诊断报告中的出现次数;或,
所述每个局部片段导致所述故障芯片出现芯片故障的概率。
7.根据权利要求1或2所述的方法,其特征在于,所述因果关系模型为贝叶斯网络、线性非高斯无环图模型或格兰杰因果关系模型。
8.一种芯片故障识别装置,其特征在于,所述装置包括:
获取模块,用于获取故障芯片的多个局部片段以及每个局部片段与所述故障芯片发生故障的关联程度;
聚类模块,用于基于所述多个局部片段之间的结构相似性,对所述多个局部片段进行聚类,以得到聚类结果,所述聚类结果包括多个片段类别;
模型构建模块,用于根据所述聚类结果以及所述每个局部片段与所述故障芯片发生芯片故障的关联程度,构建因果关系模型;所述因果关系模型用于识别每个片段类别与所述故障芯片发生故障之间的因果关系;
概率预测模块,用于根据所述聚类结果以及所述因果关系模型,确定所述多个片段类别中的每个片段类别导致所述故障芯片发生故障的概率。
9.根据权利要求8所述的装置,其特征在于,所述多个局部片段为位于所述故障芯片的芯片层所在平面上的片段,所述多个局部片段中的任意两个局部片段之间的面积相同,所述多个局部片段中的每个局部片段的面积在预设范围内。
10.根据权利要求8或9所述的装置,其特征在于,所述故障包括开路故障和/或短路故障。
11.根据权利要求8或9所述的装置,其特征在于,所述结构相似性包括器件的排布相似性和/或器件之间连接线的排布相似性。
12.根据权利要求8或9所述的装置,其特征在于,所述多个局部片段包括第一片段和第二片段;所述聚类模块,具体用于:
基于所述第一片段和/或所述第二片段通过镜像变换、旋转变换或者平移变换之后的结构相似性大于阈值,将所述第一片段和所述第二片段聚类为同一个片段类别。
13.根据权利要求8或9所述的装置,其特征在于,所述获取模块,还用于:
获取所述故障芯片的诊断报告,所述诊断报告包括所述多个局部片段以及每个局部片段导致所述故障芯片出现芯片故障的概率;
所述获取模块,具体用于:
根据所述诊断报告,获取所述故障芯片的多个局部片段以及每个局部片段与所述故障芯片发生故障的关联程度,其中,所述每个局部片段与所述故障芯片发生故障的关联程度与如下的至少一种信息正相关:
所述每个局部片段在所述诊断报告中的出现次数;或,
所述每个局部片段导致所述故障芯片出现芯片故障的概率。
14.根据权利要求8或9所述的装置,其特征在于,所述因果关系模型为贝叶斯网络、线性非高斯无环图模型或格兰杰因果关系模型。
15.一种芯片故障识别装置,其特征在于,所述装置包括存储器和处理器;所述存储器存储有代码,所述处理器被配置为获取所述代码,并执行如权利要求1至7任一所述的方法。
16.一种计算机可读存储介质,其特征在于,包括计算机可读指令,当所述计算机可读指令在计算机设备上运行时,使得所述计算机设备执行权利要求1至7任一项所述的方法。
17.一种计算机程序产品,其特征在于,包括计算机可读指令,当所述计算机可读指令在计算机设备上运行时,使得所述计算机设备执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110801966.5A CN113657022B (zh) | 2021-07-15 | 2021-07-15 | 一种芯片故障识别方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110801966.5A CN113657022B (zh) | 2021-07-15 | 2021-07-15 | 一种芯片故障识别方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113657022A CN113657022A (zh) | 2021-11-16 |
CN113657022B true CN113657022B (zh) | 2024-05-14 |
Family
ID=78490041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110801966.5A Active CN113657022B (zh) | 2021-07-15 | 2021-07-15 | 一种芯片故障识别方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657022B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115238641A (zh) * | 2022-07-08 | 2022-10-25 | 华为技术有限公司 | 缺陷根因确定方法、装置和存储介质 |
CN117007904A (zh) * | 2023-06-25 | 2023-11-07 | 国网山东省电力公司金乡县供电公司 | 一种高温超导电缆监测系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102667775A (zh) * | 2009-12-21 | 2012-09-12 | 国际商业机器公司 | 训练和使用具有关联规则模型的分类模型的方法 |
CN109902283A (zh) * | 2018-05-03 | 2019-06-18 | 华为技术有限公司 | 一种信息输出方法及装置 |
CN110060237A (zh) * | 2019-03-29 | 2019-07-26 | 腾讯科技(深圳)有限公司 | 一种故障检测方法、装置、设备及系统 |
CN111897673A (zh) * | 2020-07-31 | 2020-11-06 | 平安科技(深圳)有限公司 | 运维故障根因识别方法、装置、计算机设备和存储介质 |
CN112101210A (zh) * | 2020-09-15 | 2020-12-18 | 贵州电网有限责任公司 | 一种基于多源信息融合的低压配电网故障诊断方法 |
-
2021
- 2021-07-15 CN CN202110801966.5A patent/CN113657022B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102667775A (zh) * | 2009-12-21 | 2012-09-12 | 国际商业机器公司 | 训练和使用具有关联规则模型的分类模型的方法 |
CN109902283A (zh) * | 2018-05-03 | 2019-06-18 | 华为技术有限公司 | 一种信息输出方法及装置 |
CN110060237A (zh) * | 2019-03-29 | 2019-07-26 | 腾讯科技(深圳)有限公司 | 一种故障检测方法、装置、设备及系统 |
CN111897673A (zh) * | 2020-07-31 | 2020-11-06 | 平安科技(深圳)有限公司 | 运维故障根因识别方法、装置、计算机设备和存储介质 |
CN112101210A (zh) * | 2020-09-15 | 2020-12-18 | 贵州电网有限责任公司 | 一种基于多源信息融合的低压配电网故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
李玉红 ; .煤矿采区供电系统关键元件故障的诊断研究.机械管理开发.2020,(第03期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113657022A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210209410A1 (en) | Method and apparatus for classification of wafer defect patterns as well as storage medium and electronic device | |
CN111008640B (zh) | 图像识别模型训练及图像识别方法、装置、终端及介质 | |
WO2022068623A1 (zh) | 一种模型训练方法及相关设备 | |
CN113657022B (zh) | 一种芯片故障识别方法及相关设备 | |
CN111476138B (zh) | 建筑图纸构件识别模型构建方法、识别方法及相关设备 | |
CN111695596A (zh) | 一种用于图像处理的神经网络以及相关设备 | |
CN111340213B (zh) | 神经网络的训练方法、电子设备、存储介质 | |
US20240005164A1 (en) | Neural Network Training Method and Related Device | |
WO2022111387A1 (zh) | 一种数据处理方法及相关装置 | |
WO2024041483A1 (zh) | 一种推荐方法及相关装置 | |
US20240232575A1 (en) | Neural network obtaining method, data processing method, and related device | |
CN113162787B (zh) | 电信网络中故障定位的方法、节点分类方法以及相关设备 | |
CN112420125A (zh) | 分子属性预测方法、装置、智能设备和终端 | |
CN110414562B (zh) | X光片的分类方法、装置、终端及存储介质 | |
CN115686908A (zh) | 一种数据处理方法及相关设备 | |
CN115879508A (zh) | 一种数据处理方法及相关装置 | |
CN113065634B (zh) | 一种图像处理方法、神经网络的训练方法以及相关设备 | |
CN113537148B (zh) | 人体动作识别方法及装置、可读存储介质、电子设备 | |
CN117807472A (zh) | 一种数据处理方法及相关装置 | |
CN116739154A (zh) | 一种故障预测方法及其相关设备 | |
CN117056589A (zh) | 一种物品推荐方法及其相关设备 | |
WO2023197857A1 (zh) | 一种模型切分方法及其相关设备 | |
CN116362301A (zh) | 一种模型的量化方法以及相关设备 | |
CN116910357A (zh) | 一种数据处理方法及相关装置 | |
CN116343004A (zh) | 一种图像处理方法及其相关设备 |
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 |