CN114356682A

CN114356682A - 芯片模块最优参数的自学习选择方法

Info

Publication number: CN114356682A
Application number: CN202111509203.XA
Authority: CN
Inventors: 张瀚文; 戴昭君
Original assignee: Shanghai Huahong Integrated Circuit Co Ltd; Beijing CEC Huada Electronic Design Co Ltd
Current assignee: Shanghai Huahong Integrated Circuit Co Ltd; Beijing CEC Huada Electronic Design Co Ltd
Priority date: 2021-12-10
Filing date: 2021-12-10
Publication date: 2022-04-15

Abstract

本发明公开了一种芯片模块最优参数选择的自学习优化方法，本方法是一种快速自动化算法，用于芯片各配置参数遍历组合，以选择一组用于保证芯片整体性能最优的外部激励配置及芯片配置调优参数，特别适用于对输入模拟参数敏感的低功耗微控制器(以下简称MCU)芯片模拟模块与数模接口模块性能验证的自动化测试。本方法由数据分析自学习算法与程控自动采集平台两部分组成。数据分析自学习算法通过程控自动采集平台调整待评估芯片各项参数，获得性能指标反馈，得到不同参数的工作环境范围，从而分析得知性能与工作范围平衡后的最优参数；根据批量芯片分析结果更新数据，建立标准数据库，有选择性的进行参数与工作环境范围对新的芯片扫描，节约测试时间，在偏离标准曲线时提出预警。

Description

芯片模块最优参数的自学习选择方法

技术领域

本发明涉及芯片验证技术领域的一种测试、控制及分析技术，尤其是对于芯片模拟模块验证中的性能分析测试与程控测试仪器自动化测量方面。

背景技术

近年来，随着大规模集成电路开发与制造技术的飞速发展，芯片模拟模块的各项指标越来越成为衡量某些特有芯片性能的关键因素，高集成度且功能复杂也是该类芯片的设计特点，以用于满足不同行业的需求。因此在功能模块的逻辑功能确认的同时，芯片模块的性能筛选验证是芯片在流片后的关键一环。加工、封装等因素会引起个性偏差，需要对芯片预留配置参数，可以通过调整，可保证在不同环境下性能最优。时间即成本，如何在短时间内有效地找到合适的参数、找到芯片稳定工作环境，对测试向量的设计提出了较高的要求。

目前现有的芯片模拟模块验证过程中，常规测试向量使用设计标准数值进行测试，对于高精度且复杂的电路难以做到较好的覆盖率和全阈值范围的精准诊断能力。采用非自学习算法库进行的相关测试，调试耗时较长，且大多数测试项目存在错误征兆误判和征兆混淆的情况。同时，测试脚本与仪器程控激励对于整个验证系统来说普遍不是一体的，大部分验证工作都需要手动配置，浪费了大量的人力成本与调试时间，增加了人为调试操的失误风险，从而影响到测试质量与结果。

发明内容

本发明主要解决的技术问题是提供了一种为得到芯片某模块性能最优参数的高集成度自动化的验证测试方法，整合对测试向量的自学习算法，性能算法分析，自动程控仪器框架。

本发明的构建基于程控自动采集平台与数据分析自学习算法之上。

1.程控自动采集平台：

根据自学习算法需求，自动配置芯片模块参数与工作环境，自动获取芯片与仪器设备的反馈。

根据芯片功能特征，组建芯片与电脑(PC)的通讯接口，程控采集平台调用该接口对芯片进行配置并获得芯片反馈；同时可通过USB、COM、LAN或GPIB等协议控制常见测试测量设备(如电压源、电流电压表、温度控制箱等)并获得仪器设备反馈。

2.数据分析自学习算法：

为实现数据分析的自学习算法，通过如下四个技术模块进行构建：

模块一：

通过待测芯片模块的配置参数并对其外部激励进行扫描，针对单一样品的半监督机器学习训练，获取单一芯片待测模块可调配置参γ对应的芯片外部激励工作范围数据。

根据芯片设计的可工作电压区间，使用程控数字电源对芯片电压工作区间进行扫描，构建如下基于被测芯片可调配置参γ标准值的电压条件模型：

Vtest＝{[V_min,V_max] (2)

(1)中“Tc”为单一被测芯片工作电压区间测试结果集合；“V”为测试扫描电压；“Com”为被测芯片通讯情况；“x”为样品单次测试结果：0表示工作异常，1表示工作正常；

(2)中“Vtest”为被测模块的Tc全“1”时“V”与“Com”可工作取值范围；

根据芯片设计的模块可工作外部激励环境区间，同时基于“AxisZ_Vn”中“Vnmin”与“Vnmax”的取值范围，使用高精度信号源对芯片模块外部激励工作区间进行另外两个维度的扫描，如外部输入工作频率与外部输入工作振幅，所获得该模块实际外部工作环境的数据模型如下：

InputSigFreqtest＝{[InputSigFreq_min,InputSigFreq_max] (4)

InputSigAmptest＝{[InputSigAmptest_min,InputSigAmptest_max] (5)

(3)中“Tw”为单一被测芯片模拟模块测试结果集合；“InputSigAmp”为被测芯片模拟模块外部激励的扫描信号振幅，“InputSigFreq”为被测芯片模拟模块外部激励的扫描信号频率，“W”为被测芯片模拟模块工作情况；

(4)(5)中“InputSigFreqtest”与“InputSigAmptest”为被测模块的Tw全“1”时“InputSigAmp”与“InputSigFreq”可工作取值范围；模块二：

对多个待测芯片模块进行扫描以获取该芯片基于此模块参数的最佳性能与最宽工作环境模型，基于此对批量样品的半监督机器学习训练，获取待测模块可调配置参γ对应的工作范围组合，从而优化完善实际外部工作环境的数据模型使用模块一方法，测试n块待测芯片，上位机获取n个数据组，并将数据组中的高度重叠部分组成各维度的数据组集合，这些各维度的数据不断将批量数据导入数据模型(1)(3)中，其交集边缘部分的min与max数值不断进行细分优化，构成了被测芯片可调配置参γ对应的最佳性能区间。

获取的各维度数据集合如下所示：

AxisZ_Vn＝{[Vn_min,Vn_max] (6)

AxisX_Freqn＝{[InputSigFreqn_min,InputSigFreqn_max] (7)

AxisY_Ampn＝{[InputSigAmpn_min,InputSigAmpn_max] (8)

(6)中“AxisZ_Vn”为n个被测模块的Tc全“1”时“V”与“A”可工作取值集合的交集；

(7)(8)中“AxisX_Freqn”与“AxisY_Ampn”分别为n块被测芯片模拟模块外部激励的可工作信号振幅与频率取值集合的交集。

获取到各维度的数据组集合后，算法调用matlab.engine中scatter3(x,y,z)函数，构建基于“AxisZ_Vn”，“AxisX_Freqn”与“AxisY_Ampn”的三维数据坐标轴。构建的模型如图5所示，所建立的三维数据模型，深色区域为n块被测芯片可调配置参γ对应的最佳性能区间；

模块三：

最优参数的提取通过对多批次批量芯片的数据采集并不断优化模型结果的精准度，进行修参以获得性能区间最大的参数γ_golden

在根据模块一、二中所述，获得通过n块被测芯片的可调配置参γ标准值的配置参数训练模型后，针对γ的不同配置，通过程控自采集平台给芯片下达调参指令，并重复模块一、二，以获得可调配置参γ的全部k个配置合集，各参数下模型最优数值，取该配置参数下高度重叠(图6中阴影部分)部分各维度数值的的中位数，作为基于此参数与外部激励下的最优性能取值并汇总为可调配置参γ的性能区间如下所示：

(9)中“Pγ”为被测芯片可调配置参γ的k个配置的性能区间结果集合；图6为“Pγ”其中的4个数据样本。

模块四：自学习算法库数据更新与预警

为使用已训练完善的自学习数据模型，针对批量芯片测试时，模型会自动选择参数，不断回馈数据库保持更新，不断调整基于参数γ不同配置下的P性能曲线，并在偏离值超范围时预警。基于“Pγ”的性能指标如图7所示，为基于参数γ不同配置下的P性能曲线，参数γ为上位机下发，其遍历参数γ所有k个配置；对应的P为该参数γ配置下，位于模型中高亮重叠部分中，“AxisZ_Vn”中位数所对应的“AxisX_Freqn”与“AxisY_Ampn”的数值。当新的芯片测试时，自动选择参数以尝试，以减小扫描时间。

以上描述可以看出，本发明对于芯片模块的配置参数与外部激励调制，使用半监督的自学习最优方法，使获取被测芯片的参数与性能区间的流程进行了优化与完善，进一步增强了软硬件配合调度的统一性。当测试新芯片时，基于已有数据库，自动选择参数进行尝试，在繁琐的参数调制过程中，极大减少了数据汇总统计的效率和时间。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1为本发明硬件环境连接示意图；

图2为本发明自学习软件设计流程图；

图3为本发明测试软件设计流程图；

图4为本发明总体架构图；

图5被测芯片可调配置参γ单个配置对应最佳性能区间图；

图6被测芯片可调配置参γ的k个各配置对应性能区间图；

图7基于参数γ的k个各配置下P性能曲线图；

具体实施方式

下面结合具体软硬件操作搭建为例对本发明专利做详细说明：

图1中包含1.PC端，2.调制用板载芯片，3.待测用板载芯片，4.JTAG调试通道，5.USB转串口转接板，6.程控数字电源，7.高精度信号源，8.仪器适配连接线(USB、COM、LAN、GPIB)，9.(同8)，10.同轴电缆，11.(同10)，12.排线，13.杜邦线，14.USB连接线，15.(同14)。

下面结合附图与具体实施方式对本发明示例实施方式作进一步详细说明：

图1所示为本发明的芯片模块最优参数的自学习选择方法的总体应用结构图。总体测试流程通过四个步骤来实现：

步骤一：PC端1通过数据线的物理联连接方式，使用仪器适配连接线8，9与USB连接线14,15分别与调制用板载芯片2，待测用板载芯片3，JTAG调试通道4，USB转串口转接板5，程控数字电源6和高精度信号源7进行连接。调制用板载芯片2与待测用板载芯片3之间通过杜邦线13，以跳线的方式将SPI接口相互连接。调制用板载芯片2与USB转串口转接板5之间通过杜邦线13，以跳线的方式将UART接口相互连接。调制用板载芯片2和待测用板载芯片3分别与JTAG调试通道4之间通过排线12的方式进行连接。程控数字电源6与高精度信号源7通过同轴电缆10,11与待测板3进行连接。

步骤二：PC端1自学习的软件流程如图2所示，建立自学习模型过程中，PC端1根据芯片设计标准参数，通过JTAG调试通道4对待测用板载芯片3进行标准参数配置，通过仪器适配连接线8,9控制外部程控数字电源6和高精度信号源7的输出用于扫描的激励信号，以获取上述发明内容中，多个待测用板载芯片3的模拟参数向量模型“Axis_IVn”“AxisX_Freqn”与“AxisY_Ampn”。

步骤三：PC端1程控自采集平台流程如图3所示，进入测试流程前，首先开启PC端1的上位机设备检测，并自动进行归类与握手操作，确保设备通讯正常；根据需求，进行测试脚本流程的设置，流程中包含对调制用板载芯片2的控制指令，程控数字电源6与高精度信号源7的控制指令；待PC端1接收到测试仪器数据与芯片返回的信息后，进行数据绘图与测试报告的生成。

步骤四：如图4的总体框架所示，PC端1通过使用USB转串口转接板5对选定的调制用板载芯片2下发控制指令，调制用板载芯片2接到上位机指令后，进行数据帧解析，并对待测用板载芯片3进行参数配置并同步实时对测试结果进行回读，并打包数据包返回给PC端1进行判断。PC端1根据数据在上位机中的自学习算法，再次通过调制用板载芯片2对待测用板载芯片3进行参数配置微调，同时通过仪器适配连接线8,9更改外部程控数字电源6和高精度信号源7的输出信号的激励参数，从而搭建软件仪器自动化的测试环境，以达到自学习算法模型对待测用板载芯片3的模拟参数向量的优化。PC端1同时根据从调制用板载芯片2采集到的数据生成直观的数据图像与图表等数据报告，供测试人员进行分析。

以上通过结合具体实施方式对本发明作了详细的说明，并非构成对本发明的限制，在不脱离本发明原理的情况下，可做出若干变形和改进，这些也应视为属于本发明的保护范围。

Claims

1.芯片模块最优参数的自学习选择方法，其特征在于，电脑PC端的自学习算法模型，通过待测芯片模块的配置参数并对其外部激励进行扫描，获得相应配置下芯片模块可工作的外部环境区间；基于此区间对多个待测芯片模块进行扫描以获取该芯片基于此模块参数的最佳性能与最宽工作环境模型；最优参数的提取通过对多批次批量芯片的数据采集并不断优化模型结果的精准度，形成不同参数配置下的性能曲线；在新的芯片测试时，自动选择参数以尝试，以减小扫描时间，并给出偏离预警。

2.根据权利要求1所述的自学习选择方法，其特征在于，所述的通过待测芯片模块的配置参数并对其外部激励进行扫描，是根据芯片设计的标准工作环境，使用高精度信号源与程控数字电源对其工作电压区间与模块工作区间，以此来获取该模块实际外部工作环境的数据模型。

3.根据权利要求1所述的自学习选择方法，其特征在于，所述的对多个待测芯片模块进行扫描以获取该芯片基于此模块参数的最佳性能与最宽工作环境模型，是指对多个芯片的待测模块的各配置参数进行扫描，不断将批量数据导入数据模型，模型对新数据进行分类汇总，对区间取值边缘部分不断进行细分，从而优化完善实际外部工作环境的数据模型。

4.根据权利要求1所述的自学习选择方法，其特征在于，所述的最优参数的提取通过对多批次批量芯片的数据采集并不断优化模型结果的精准度，是指对多批次芯片进行采集，以获取大批量数据，并基于在不同配置参数计算出，各参数下模型最优数值的中位数，作为基于此参数与外部激励下的最优性能取值。

5.根据权利要求1所述的自学习选择方法，其特征在于，所述的自动选择参数以尝试，是指测试新的芯片时，电脑PC端算法将根据训练成熟的算法模型，自动配置该芯片模块的各配置参数，并控制高精度信号源与程控数字电源给予基于最优性能取值的外部激励，用于评估该芯片模块的性能参数，当实测数据与模型发生偏差时，将自动给予偏离报警。