CN113900869A - 一种芯片测试数据判断方法、装置、存储介质及测试方法 - Google Patents
一种芯片测试数据判断方法、装置、存储介质及测试方法 Download PDFInfo
- Publication number
- CN113900869A CN113900869A CN202111142344.2A CN202111142344A CN113900869A CN 113900869 A CN113900869 A CN 113900869A CN 202111142344 A CN202111142344 A CN 202111142344A CN 113900869 A CN113900869 A CN 113900869A
- Authority
- CN
- China
- Prior art keywords
- chip
- data
- model
- integrated circuit
- test data
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2273—Test methods
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本发明公开一种芯片测试数据判断方法,包括以下步骤:创建机器学习判断模型,以及获取并将集成电路芯片的技术文档,集成电路芯片的参数的测试数据与参考数据作为所述机器学习判断模型的数据源对所述机器学习判断模型进行训练;然后获取待判断集成电路芯片的测试数据;最后将待判断集成电路芯片的测试数据输入到训练后的机器学习判断模型进行计算得出计算结果,并根据计算结果判断待判断集成电路芯片是否为正常芯片。本发明能够大大提高芯片测试数据判断的准确率。本发明还提供一种芯片测试数据判断装置、存储介质及测试方法。
Description
技术领域
本发明涉及集成电路芯片的测试,尤其涉及一种芯片测试数据判断方法、装置、存储介质及测试方法。
背景技术
集成电路芯片的生产过程一般包括电路设计、晶圆制造、封装、测试等多个环节。其中,测试环节是指根据产品的技术规格,通过电性测试对产品的功能和性能进行验证。测试的目的一般包括产品设计规则的验证、生产品质的验证,通过获取相关数据以用于改善生产良率、监控产品的质量品质等。
集成电路芯片的测试一般是按照芯片的技术规格要求,对芯片的相关参数进行评估。其中,相关参数包括但不限于以下参数中的一种或多种的组合:芯片的漏电流、输入电压、输入电流、输出电压、输出电流、最大时钟频率、数据设置时间、数据保持时间、信噪比、总谐波形变、放大倍数、噪声基底、互调失真、抖动、相位噪声等。通过对上述相关参数进行评估得出测试值,然后将其与预先设定的上下限进行对比,以便根据对比结果判断参数的测试结果是否正常,从而判断集成电路芯片是否符合对应规格。
然而在集成电路芯片的测试过程中,很大程度会因为存在各种内部或外部因素导致评估的结果存在偏差,这样导致对芯片的品质的测试就有可能出现将异常的芯片误判为正常芯片而导致漏检或者将正常的芯片误判为异常芯片而导致良率损失。漏检时会导致品质不达标的产品流通到生产或销售的下一个环节,造成生产成本或售后服务成本的增加;而良率损失时会导致正常的芯片被当作不达标的产品而被废弃,造成浪费。因此,在芯片测试时应尽可能地提高测试结果判定的准确性,以避免上述两种错误的发生。
然而常见的芯片测试结果的判断方法是通过将参数的测试值与预先设定的参数的技术规格的上下限进行对比。在芯片各参数之间存在复杂关联性的情况下,上述方法存在一定的局限性。为了提高测试结果判断的准确性,可通过对预先设定的参数的技术规格的上下限进行严格设定来降低漏检率,但是这种方式很大可能会导致正常的芯片被判断为异常芯片,导致芯片的良率损失;相反,将预先设定的参数的技术规格的上下限进行宽松设定可用来降低良率损失率,但是会导致芯片的漏检率增加。因此,迫切需要一种更好的集成电路测试结果判断方法,来提高集成电路芯片测试结果判断准确性,以便降低漏检率和良率损失率等。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供一种芯片测试数据判断方法,其能够解决现有技术中芯片测试结果判断不准确等问题。
本发明的目的之二在于提供一种芯片测试数据判断装置,其能够解决现有技术中芯片测试结果判断不准确等问题。
本发明的目的之三在于提供一种存储介质,其能够解决现有技术中芯片测试结果判断不准确等问题。
本发明的目的之四在于提供一种芯片测试方法,其能够解决现有技术中芯片测试结果判断不准确等问题。
本发明的目的之一采用如下技术方案实现:
一种芯片测试数据判断方法,所述判断方法包括以下步骤:
建模步骤:选定并创建机器学习判断模型,以及获取并将集成电路芯片的技术文档,集成电路芯片的参数的测试数据与参考数据作为所述机器学习判断模型的数据源对所述机器学习判断模型进行训练;所述参考数据包括集成电路芯片为正常芯片或异常芯片时的标识数据;
数据获取步骤:获取待判断集成电路芯片的测试数据;
判断步骤:将所述待判断集成电路芯片的测试数据输入到训练后的机器学习判断模型进行计算得出计算结果,并根据计算结果判断所述待判断集成电路芯片是否为正常芯片。
进一步地,所述建模步骤具体包括:
模型选定步骤:选定并创建机器学习判断模型;
数据处理步骤:获取集成电路芯片的技术文档、集成电路芯片的参数的测试数据与参考数据并生成数据源,然后将数据源划分为训练数据集和评估数据集;
模型训练步骤:根据所述训练数据集对所述机器学习判断模型进行训练、验证后得到训练后的机器学习判断模型;
模型评估步骤:根据所述评估数据集对训练后的机器学习判断模型进行评估,并根据评估结果判断训练后的机器学习判断模型是否符合要求;若是,则将评估后的机器学习判断模型作为最终的机器学习判断模型;若否,则对创建的机器学习判断模型或数据源中的数据进行改进,然后继续执行模型训练步骤,直到训练后的机器学习判断模型满足评估结果。
进一步地,所述数据处理步骤还包括:对数据源中的数据进行预处理。
进一步地,所述预处理包括以下处理中的一种或多种的组合:数据清洗处理、标准化处理和相关性分析处理。
进一步地,所述数据处理步骤还包括:对预处理后的数据进行特征工程;所述特征工程的方法包括以下方法中的任意一种或多种的组合:过滤方法、封装方法、嵌入方法和降维分析方法;对预处理后的数据进行特征工程处理时,还包括采用过采样方法或欠采样方法对数据进行处理;其中,所述过采样方法包括以下方法中的一种或多种:合成少数过采样方法、自适应合成采样方法、随机过采样方法和临界过采样方法;所述欠采样方法包括以下方法中的一种或多种:压缩最近邻方法、单边选择方法和随机欠采样方法。
进一步地,所述机器学习判断模型为以下模型中的任意一种:逻辑回归模型、K近邻模型、朴素贝叶斯模型、决策树模型、聚类模型、支持向量机模型、高斯过程模型、随机森林模型、提升树模型、神经网络模型和由上述模型组合而成的混合模型。
进一步地,所述集成电路芯片为以下芯片中的任意一种:数字信号芯片、模拟信号芯片、混合信号芯片、存储芯片和射频芯片;所述集成电路芯片的参数包括以下参数中的一种或多种:芯片的管脚信息、工作温度、电源电压、输入电压、输入电流、漏电流、输出电压、输出电流、通讯协议、时钟频率、数据设置时间、数据保持时间、信噪比、总谐波形变、放大倍数、噪声基底、互调失真、抖动和相位噪声。
本发明的目的之二采用如下技术方案实现:
一种芯片测试数据判断装置,包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序,所述计算机程序为测试数据判断程序,所述处理器执行所述测试数据判断程序时实现如本发明的目的之一采用的一种芯片测试数据判断方法的步骤。
本发明的目的之三采用如下技术方案实现:
一种存储介质,所述存储介质为计算机可读存储介质,其上存储有计算机程序,所述计算机程序为测试数据判断程序,所述测试数据判断程序被处理器执行如本发明的目的之一采用的一种芯片测试数据判断方法的步骤。
本发明的目的之四采用如下技术方案实现:
一种芯片测试方法,所述测试方法包括:
测试步骤:对待测试集成电路芯片进行测试并得出测试数据;
判断步骤:根据本发明的目的之一采用的一种芯片测试数据判断方法对待测试集成电路芯片的测试数据进行判断,以得出待测试集成电路芯片的测试结果。
相比现有技术,本发明的有益效果在于:
本发明通过利用机器学习判断模型的方式来实现对集成电路芯片的测试数据的判断,以提高测试数据的判断准确性,解决目前芯片测试工程中由于对测试结果判断不准确导致将正常的芯片误判为异常芯片或将异常芯片误判为正常芯片的问题,有利于强化芯片质量管控,降低成本。
附图说明
图1为本发明提供的一种芯片测试数据判断方法流程图;
图2为本发明提供的机器学习判断模型的建立过程流程图;
图3为本发明提供的采用传统的判断方法时芯片的良率损失率与漏检率的关系曲线图和采用本发明提供的判断方法时芯片的良率损失率与漏检率的关系曲线示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
本发明提供一种优选的实施例,一种芯片测试数据判断方法,如图1所示,包括以下步骤:
步骤S1、获取集成电路芯片的测试数据。
具体地,可通过自动化测试设备(ATE)对集成电路芯片进行测试,以便获取集成电路芯片的测试数据。本实施例不涉及对集成电路芯片的测试,具体测试数据可采用常用的测试方法或测试设备进行即可。
本实施例中的集成电路芯片可为以下芯片的任意一种:数字信号芯片、模拟信号芯片、混合信号芯片、存储芯片、射频芯片等。对应集成电路芯片的类型不同,其进行测试时所采用的自动化测试设备也可能不同,因此,自动测试设备可以为:数字信号自动测试设备、模拟信号自动测试设备、混合信号自动测试设备、存储芯片自动测试设备、射频信号自动测试设备、探针台、分选机、晶圆接受自动测试设备等。
步骤S2、将集成电路芯片的测试数据输入到预先建立的机器学习判断模型中进行计算得出计算结果。
步骤S3、根据计算结果判断集成电路芯片是否为正常芯片。
其中,机器学习判断模型为预先建立的模型,用于对集成电路芯片的测试数据进行判断,进而判断集成电路芯片为正常芯片,还是异常芯片。
具体地,若机器学习判断模型输出的计算结果为芯片正常,则所述芯片可进入下一个生产或销售环节,如进一步加工、封装、或出货等。若机器学习判断模型输出的计算结果为芯片异常,则根据相应的异常处理规则对芯片进行处理。
本实施例中的机器学习判断模型是利用集成电路芯片的技术文档、集成电路芯片的参数的测试数据与参考数据通过模型训练的方式得到的。也即,本发明通过预先根据模型训练的方式得出集成电路芯片的测试数据与规则数据的匹配模型,也即机器学习判断模型,然后再将机器学习判断模型应用到集成电路芯片的测试数据的判断中。由于机器学习判断模型能够正确处理芯片各测试参数之间的复杂关联性,相比现有技术中只是将测试数据与设定的规格数据进行简单的对比来说,其判断结果更为准确,能够降低集成电路芯片的误判率。
更为具体地,本实施例还给出机器学习判断模型的创建过程,如图2所示,具体如下:
步骤S21、选定并创建机器学习判断模型。
在进行模型训练之前,首先选定并创建机器学习判断模型。机器学习判断模型是属于机器学习模型,是近年来快速发展的技术,因此,本实施例可根据集成电路芯片产品测试的需求选定一种类型的机器学习模型来进行模型训练。
更为具体地,本实施例所选择的机器学习判断模型包括但不限于以下模型中的任意一种:逻辑回归、K近邻、朴素贝叶斯、决策树、聚类、支持向量机、高斯过程、随机森林、提升树、以及各类神经网络等,或由所述模型组合而成的混合模型。
步骤S22、获取集成电路芯片的技术文档、集成电路芯片的参数的测试数据与参考数据并生成模型训练的数据源,然后将数据源划分为训练数据集和评估数据集。
其中,本实施例中模型训练的数据源选用集成电路芯片的技术文档、以及集成电路芯片的历史测试数据与参考数据等。其中,参考数据包括集成电路芯片为正常芯片或异常芯片时的标识数据。
另外,集成电路芯片的参考数据可包括额外的测试或后续生产、以及其他应用环节所得出的数据。
通过采用集成电路芯片的历史测试数据以及参考数据来实现对模型的训练,以便将通过训练完成后得到的模型再应用到测试数据的判断。
更为具体地,集成电路芯片的参数可包括以下任一种或多种:芯片的管脚信息、工作温度、电源电压、输入电压、输入电流、漏电流、输出电压、输出电流、通讯协议、时钟频率、数据设置时间、数据保持时间、信噪比、总谐波形变、放大倍数、噪声基底、互调失真、抖动、相位噪声等。
步骤S23、根据训练数据集对机器学习判断模型进行训练。
步骤S24、根据评估数据集对训练后的机器学习判断模型进行评估。
步骤S25、根据评估结果判断训练后的机器学习判断模型是否符合要求,若是,则评估后的机器学习判断模型为最终的机器学习判断模型;若否,则对创建的机器学习判断模型或数据源中的数据进行改进,然后继续执行步骤S23对机器学习判断模型进行训练,直到训练后的机器学习判断模型满足评估结果。
更为具体地,为了便于建模的准确性,本实施例中的步骤S22还包括对数据源中的数据进行预处理。
其中,预处理可包括数据清洗处理、标准化处理和相关性分析处理等。
更进一步地,对预处理后的数据进行特征工程处理。其中,特征工程的方法包括但不限于以下方法:过滤方法、封装方法、嵌入方法和降维分析方法等。
更为具体地,在对预处理后的数据进行特征工程处理时,采用过采样方法或欠采样方法进行处理。其中,过采样方法包括但不限于以下方法中的一种或多种:合成少数过采样方法、自适应合成采样方法、随机过采样方法和临界过采样方法。欠采样方法包括但不限于以下方法中的一种或多种:压缩最近邻方法、单边选择方法和随机欠采样方法。另外,在测试的过程中,还可将新获取的到的集成电路芯片的技术文档、集成电路芯片的参数的测试数据以及真实品质数据作为新的数据,加入到机器学习判断模型的训练中,以得出新的机器学习判断模型。
图3所示,其显示了采用传统对集成电路芯片的测试数据进行判断(也即使用集成电路芯片的技术规格上下限对集成电路芯片的测试数据进行判断)所得出的良率损失率与漏检率的关系曲线,以及使用本发明提供的机器学习判断模型对集成电路芯片的测试数据进行判断所得到的良率损失率与漏检率的关系曲线。其中,关系曲线100为采用传统对集成电路芯片的测试数据进行判断所得出的良率损失率与漏检率的关系曲线,关系曲线200为使用本发明提供的机器学习判断模型对集成电路芯片的测试数据进行判断所得到的良率损失率与漏检率的关系曲线。
图3中的数据包含约30000颗集成电路芯片的测试数据。上述所有的集成电路芯片在完成测试后均进入到后续的生产及测试环节,其真实品质信息在后续生产及测试环节中得到确认,并用于计算所述芯片在不同芯片技术规格上下限设置条件下的良率损失率与漏检率,得到相应的良率损失率与漏检率的关系曲线100。由关系曲线100可见,其良率损失率降低时漏检率增大。比如:当良率损失率为2%时,漏检率为3.8%。
而采用本发明的判断方式,将集成电路芯片的历史测试数据及其真实品质数据用于建立预设机器学习判断模型,然后利用机器学习判断模型对集成电路芯片的测试数据进行判断得出关系曲线200。由关系曲线200可见,集成电路芯片的测试结果的良率损失率和漏检率相对于关系曲线100所展示的良率损失率和漏检率来说,均有明显改善。比如当良率损失率为2%时漏检率为0.5%。
本发明通过利用机器学习判断模型对集成电路芯片的测试数据进行判断,以提高对测试结果的判断的准确性,解决目前芯片测试过程中由于对测试结果判断不准确导致将正常的芯片误判为异常芯片或将异常芯片误判为正常芯片的问题,有利于强化芯片质量管控,降低成本。
实施例二
基于实施例一,本发明还提供一种芯片测试数据判断装置,包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序,所述计算机程序为测试数据判断程序,所述处理器执行所述测试数据判断程序时实现以下步骤:
建模步骤:选定并创建机器学习判断模型,以及获取并将集成电路芯片的技术文档,集成电路芯片的参数的测试数据与参考数据作为所述机器学习判断模型的数据源对所述机器学习判断模型进行训练;所述参考数据包括集成电路芯片为正常芯片或异常芯片时的标识数据;
数据获取步骤:获取待判断集成电路芯片的测试数据;
判断步骤:将所述待判断集成电路芯片的测试数据输入到训练后的机器学习判断模型进行计算得出计算结果,并根据计算结果判断所述待判断集成电路芯片是否为正常芯片。
进一步地,所述建模步骤具体包括:
模型选定步骤:选定并创建机器学习判断模型;
数据处理步骤:获取集成电路芯片的技术文档、集成电路芯片的参数的测试数据与参考数据并生成数据源,然后将数据源划分为训练数据集和评估数据集;
模型训练步骤:根据所述训练数据集对所述机器学习判断模型进行训练、验证后得到训练后的机器学习判断模型;
模型评估步骤:根据所述评估数据集对训练后的机器学习判断模型进行评估,并根据评估结果判断训练后的机器学习判断模型是否符合要求;若是,则将评估后的机器学习判断模型作为最终的机器学习判断模型;若否,则对创建的机器学习判断模型或数据源中的数据进行改进,然后继续执行模型训练步骤,直到训练后的机器学习判断模型满足评估结果。
进一步地,所述数据处理步骤还包括:对数据源中的数据进行预处理。
进一步地,所述预处理包括以下处理中的一种或多种的组合:数据清洗处理、标准化处理和相关性分析处理。
进一步地,所述数据处理步骤还包括:对预处理后的数据进行特征工程;所述特征工程的方法包括以下方法中的任意一种或多种的组合:过滤方法、封装方法、嵌入方法和降维分析方法;对预处理后的数据进行特征工程处理时,还包括采用过采样方法或欠采样方法对数据进行处理;其中,所述过采样方法包括以下方法中的一种或多种:合成少数过采样方法、自适应合成采样方法、随机过采样方法和临界过采样方法;所述欠采样方法包括以下方法中的一种或多种:压缩最近邻方法、单边选择方法和随机欠采样方法。
进一步地,所述机器学习判断模型为以下模型中的任意一种:逻辑回归模型、K近邻模型、朴素贝叶斯模型、决策树模型、聚类模型、支持向量机模型、高斯过程模型、随机森林模型、提升树模型、神经网络模型和由上述模型组合而成的混合模型。
进一步地,所述集成电路芯片为以下芯片中的任意一种:数字信号芯片、模拟信号芯片、混合信号芯片、存储芯片和射频芯片;所述集成电路芯片的参数包括以下参数中的一种或多种:芯片的管脚信息、工作温度、电源电压、输入电压、输入电流、漏电流、输出电压、输出电流、通讯协议、时钟频率、数据设置时间、数据保持时间、信噪比、总谐波形变、放大倍数、噪声基底、互调失真、抖动和相位噪声。
实施例三
一种存储介质,所述存储介质为计算机可读存储介质,其上存储有计算机程序,所述计算机程序为测试数据判断程序,所述测试数据判断程序被处理器执行以下步骤:
建模步骤:选定并创建机器学习判断模型,以及获取并将集成电路芯片的技术文档,集成电路芯片的参数的测试数据与参考数据作为所述机器学习判断模型的数据源对所述机器学习判断模型进行训练;所述参考数据包括集成电路芯片为正常芯片或异常芯片时的标识数据;
数据获取步骤:获取待判断集成电路芯片的测试数据;
判断步骤:将所述待判断集成电路芯片的测试数据输入到训练后的机器学习判断模型进行计算得出计算结果,并根据计算结果判断所述待判断集成电路芯片是否为正常芯片。
进一步地,所述建模步骤具体包括:
模型选定步骤:选定并创建机器学习判断模型;
数据处理步骤:获取集成电路芯片的技术文档、集成电路芯片的参数的测试数据与参考数据并生成数据源,然后将数据源划分为训练数据集和评估数据集;
模型训练步骤:根据所述训练数据集对所述机器学习判断模型进行训练、验证后得到训练后的机器学习判断模型;
模型评估步骤:根据所述评估数据集对训练后的机器学习判断模型进行评估,并根据评估结果判断训练后的机器学习判断模型是否符合要求;若是,则将评估后的机器学习判断模型作为最终的机器学习判断模型;若否,则对创建的机器学习判断模型或数据源中的数据进行改进,然后继续执行模型训练步骤,直到训练后的机器学习判断模型满足评估结果。
进一步地,所述数据处理步骤还包括:对数据源中的数据进行预处理。
进一步地,所述预处理包括以下处理中的一种或多种的组合:数据清洗处理、标准化处理和相关性分析处理。
进一步地,所述数据处理步骤还包括:对预处理后的数据进行特征工程;所述特征工程的方法包括以下方法中的任意一种或多种的组合:过滤方法、封装方法、嵌入方法和降维分析方法;对预处理后的数据进行特征工程处理时,还包括采用过采样方法或欠采样方法对数据进行处理;其中,所述过采样方法包括以下方法中的一种或多种:合成少数过采样方法、自适应合成采样方法、随机过采样方法和临界过采样方法;所述欠采样方法包括以下方法中的一种或多种:压缩最近邻方法、单边选择方法和随机欠采样方法。
进一步地,所述机器学习判断模型为以下模型中的任意一种:逻辑回归模型、K近邻模型、朴素贝叶斯模型、决策树模型、聚类模型、支持向量机模型、高斯过程模型、随机森林模型、提升树模型、神经网络模型和由上述模型组合而成的混合模型。
进一步地,所述集成电路芯片为以下芯片中的任意一种:数字信号芯片、模拟信号芯片、混合信号芯片、存储芯片和射频芯片;所述集成电路芯片的参数包括以下参数中的一种或多种:芯片的管脚信息、工作温度、电源电压、输入电压、输入电流、漏电流、输出电压、输出电流、通讯协议、时钟频率、数据设置时间、数据保持时间、信噪比、总谐波形变、放大倍数、噪声基底、互调失真、抖动和相位噪声。
实施例四
基于实施例一提供的一种芯片测试数据判断方法,本发明还提供一种实施例,一种芯片测试方法,包括首先对待测试集成电路芯片进行测试得出测试数据;然后根据实施例一提供的机器学习判断模型对待测试集成电路芯片的测试数据进行判断以识别得出待测试集成电路芯片是否为正常芯片。通过本发明提供过的集成电路芯片的测试方法,可大大提高对集成电路芯片的测试结果判断的准确性,降低对集成电路芯片品质的误判率。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (10)
1.一种芯片测试数据判断方法,其特征在于,所述判断方法包括以下步骤:
建模步骤:选定并创建机器学习判断模型,以及获取并将集成电路芯片的技术文档,集成电路芯片的参数的测试数据与参考数据作为所述机器学习判断模型的数据源对所述机器学习判断模型进行训练;所述参考数据包括集成电路芯片为正常芯片或异常芯片时的标识数据;
数据获取步骤:获取待判断集成电路芯片的测试数据;
判断步骤:将所述待判断集成电路芯片的测试数据输入到训练后的机器学习判断模型进行计算得出计算结果,并根据计算结果判断所述待判断集成电路芯片是否为正常芯片。
2.根据权利要求1所述的芯片测试数据判断方法,其特征在于,所述建模步骤具体包括:
模型选定步骤:选定并创建机器学习判断模型;
数据处理步骤:获取集成电路芯片的技术文档、集成电路芯片的参数的测试数据与参考数据并生成数据源,然后将数据源划分为训练数据集和评估数据集;
模型训练步骤:根据所述训练数据集对所述机器学习判断模型进行训练、验证后得到训练后的机器学习判断模型;
模型评估步骤:根据所述评估数据集对训练后的机器学习判断模型进行评估,并根据评估结果判断训练后的机器学习判断模型是否符合要求;若是,则将评估后的机器学习判断模型作为最终的机器学习判断模型;若否,则对创建的机器学习判断模型或数据源中的数据进行改进,然后继续执行模型训练步骤,直到训练后的机器学习判断模型满足评估结果。
3.根据权利要求2所述的芯片测试数据判断方法,其特征在于,所述数据处理步骤还包括:对数据源中的数据进行预处理。
4.根据权利要求3所述的芯片测试数据判断方法,其特征在于,所述预处理包括以下处理中的一种或多种的组合:数据清洗处理、标准化处理和相关性分析处理。
5.根据权利要求3所述的芯片测试数据判断方法,其特征在于,所述数据处理步骤还包括:对预处理后的数据进行特征工程;所述特征工程的方法包括以下方法中的任意一种或多种的组合:过滤方法、封装方法、嵌入方法和降维分析方法;对预处理后的数据进行特征工程处理时,还包括采用过采样方法或欠采样方法对数据进行处理;其中,所述过采样方法包括以下方法中的一种或多种:合成少数过采样方法、自适应合成采样方法、随机过采样方法和临界过采样方法;所述欠采样方法包括以下方法中的一种或多种:压缩最近邻方法、单边选择方法和随机欠采样方法。
6.根据权利要求2所述的芯片测试数据判断方法,其特征在于,所述机器学习判断模型为以下模型中的任意一种:逻辑回归模型、K近邻模型、朴素贝叶斯模型、决策树模型、聚类模型、支持向量机模型、高斯过程模型、随机森林模型、提升树模型、神经网络模型和由上述模型组合而成的混合模型。
7.根据权利要求1所述的芯片测试数据判断方法,其特征在于,所述集成电路芯片为以下芯片中的任意一种:数字信号芯片、模拟信号芯片、混合信号芯片、存储芯片和射频芯片;所述集成电路芯片的参数包括以下参数中的一种或多种:芯片的管脚信息、工作温度、电源电压、输入电压、输入电流、漏电流、输出电压、输出电流、通讯协议、时钟频率、数据设置时间、数据保持时间、信噪比、总谐波形变、放大倍数、噪声基底、互调失真、抖动和相位噪声。
8.一种芯片测试数据判断装置,包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序,所述计算机程序为测试数据判断程序,其特征在于,所述处理器执行所述测试数据判断程序时实现如权利要求1-7中任一项所述的一种芯片测试数据判断方法的步骤。
9.一种存储介质,所述存储介质为计算机可读存储介质,其上存储有计算机程序,所述计算机程序为测试数据判断程序,其特征在于:所述测试数据判断程序被处理器执行如权利要求1-7中任意一项所述的一种芯片测试数据判断方法的步骤。
10.一种芯片测试方法,其特征在于,所述测试方法包括:
测试步骤:对待测试集成电路芯片进行测试并得出测试数据;
判断步骤:根据权利要求1-7中任意一项所述的一种芯片测试数据判断方法对待测试集成电路芯片的测试数据进行判断,以得出待测试集成电路芯片的测试结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111142344.2A CN113900869A (zh) | 2021-09-28 | 2021-09-28 | 一种芯片测试数据判断方法、装置、存储介质及测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111142344.2A CN113900869A (zh) | 2021-09-28 | 2021-09-28 | 一种芯片测试数据判断方法、装置、存储介质及测试方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113900869A true CN113900869A (zh) | 2022-01-07 |
Family
ID=79029609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111142344.2A Pending CN113900869A (zh) | 2021-09-28 | 2021-09-28 | 一种芯片测试数据判断方法、装置、存储介质及测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113900869A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114660443A (zh) * | 2022-05-24 | 2022-06-24 | 南京宏泰半导体科技有限公司 | 一种基于机器学习的集成电路ate自动复测系统及方法 |
CN115616374A (zh) * | 2022-09-20 | 2023-01-17 | 重庆鹰谷光电股份有限公司 | 一种基于机器学习的半导体芯片的测试系统 |
CN117009303A (zh) * | 2023-07-06 | 2023-11-07 | 苏州领威电子科技有限公司 | 一种芯片视觉测试数据的存储方法 |
CN117149551A (zh) * | 2023-10-30 | 2023-12-01 | 鹰驾科技(深圳)有限公司 | 一种车载无线通信芯片的测试方法 |
WO2023241279A1 (zh) * | 2022-06-15 | 2023-12-21 | 华为技术有限公司 | 芯片故障分析方法和装置 |
-
2021
- 2021-09-28 CN CN202111142344.2A patent/CN113900869A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114660443A (zh) * | 2022-05-24 | 2022-06-24 | 南京宏泰半导体科技有限公司 | 一种基于机器学习的集成电路ate自动复测系统及方法 |
WO2023241279A1 (zh) * | 2022-06-15 | 2023-12-21 | 华为技术有限公司 | 芯片故障分析方法和装置 |
CN115616374A (zh) * | 2022-09-20 | 2023-01-17 | 重庆鹰谷光电股份有限公司 | 一种基于机器学习的半导体芯片的测试系统 |
CN117009303A (zh) * | 2023-07-06 | 2023-11-07 | 苏州领威电子科技有限公司 | 一种芯片视觉测试数据的存储方法 |
CN117009303B (zh) * | 2023-07-06 | 2024-02-13 | 苏州领威电子科技有限公司 | 一种芯片视觉测试数据的存储方法 |
CN117149551A (zh) * | 2023-10-30 | 2023-12-01 | 鹰驾科技(深圳)有限公司 | 一种车载无线通信芯片的测试方法 |
CN117149551B (zh) * | 2023-10-30 | 2024-02-09 | 鹰驾科技(深圳)有限公司 | 一种车载无线通信芯片的测试方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113900869A (zh) | 一种芯片测试数据判断方法、装置、存储介质及测试方法 | |
CN112382582B (zh) | 一种晶圆测试分类方法及系统 | |
CN100587507C (zh) | 测试制造后的集成电路器件的方法和系统 | |
US6766208B2 (en) | Automatic production quality control method and system | |
US8606536B2 (en) | Methods and apparatus for hybrid outlier detection | |
US7155361B2 (en) | Semiconductor test management system and method | |
CN113075527A (zh) | 基于Shmoo测试的集成电路芯片测试方法、系统及介质 | |
JP5907649B2 (ja) | データ解析のための方法および装置 | |
US7174281B2 (en) | Method for analyzing manufacturing data | |
CN105700490B (zh) | 一种提高产品良率的方法及系统 | |
CN107462821A (zh) | 晶圆测试机台的远端监控方法及系统 | |
US6697691B1 (en) | Method and apparatus for fault model analysis in manufacturing tools | |
CN115280334A (zh) | 错误原因的推定装置以及推定方法 | |
CN115616374A (zh) | 一种基于机器学习的半导体芯片的测试系统 | |
CN111856231B (zh) | 一种用于分析湿气进入芯片内部路径的方法 | |
CN111223799B (zh) | 工艺控制方法、装置、系统及存储介质 | |
US20050075835A1 (en) | System and method of real-time statistical bin control | |
US7137085B1 (en) | Wafer level global bitmap characterization in integrated circuit technology development | |
CN116453437B (zh) | 显示屏模组的测试方法、装置、设备及存储介质 | |
CN112710942B (zh) | 晶圆区域性问题的分析系统及方法 | |
CN117520741A (zh) | 一种基于大数据的半导体厂良率预测与提升的方法 | |
CN117538733A (zh) | 一种芯片生产测试阈值确定方法及系统 | |
CN116973828A (zh) | 验证晶圆允收测试机台测试性能的方法 | |
CN112151402A (zh) | 芯片铜连线薄弱点在线监控方法及监控系统 | |
CN115700464A (zh) | 一种at变速器控制软件下线方法、系统、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |