CN116110490A - 一种使用神经网络模型的dram存储器测试方法和系统 - Google Patents

一种使用神经网络模型的dram存储器测试方法和系统 Download PDF

Info

Publication number
CN116110490A
CN116110490A CN202310019573.8A CN202310019573A CN116110490A CN 116110490 A CN116110490 A CN 116110490A CN 202310019573 A CN202310019573 A CN 202310019573A CN 116110490 A CN116110490 A CN 116110490A
Authority
CN
China
Prior art keywords
test
dram
preliminary screening
test data
tested
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.)
Granted
Application number
CN202310019573.8A
Other languages
English (en)
Other versions
CN116110490B (zh
Inventor
蒋洪湖
曾祥卫
皂慧丽
刘石柱
赵春辉
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.)
Shenzhen Zhangjiang Technology Co ltd
Original Assignee
Shenzhen Zhangjiang Technology Co ltd
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 Shenzhen Zhangjiang Technology Co ltd filed Critical Shenzhen Zhangjiang Technology Co ltd
Priority to CN202310019573.8A priority Critical patent/CN116110490B/zh
Publication of CN116110490A publication Critical patent/CN116110490A/zh
Application granted granted Critical
Publication of CN116110490B publication Critical patent/CN116110490B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11C—STATIC STORES
    • G11C29/00—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation
    • G11C29/56—External testing equipment for static stores, e.g. automatic test equipment [ATE]; Interfaces therefor
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Techniques For Improving Reliability Of Storages (AREA)
  • For Increasing The Reliability Of Semiconductor Memories (AREA)
  • Tests Of Electronic Circuits (AREA)

Abstract

本说明书实施例提供一种使用神经网络模型的DRAM存储器测试方法和系统，属于DRAM存储器领域，其中，所述方法包括：对待测试DRAM存储器的多个存储单元进行多次初步筛选测试，获取初步筛选测试数据，直至初步筛选测试数据满足初步筛选条件；根据初步筛选测试数据从待测试DRAM存储器的多个存储单元中确定多个目标存储单元；调整测试环境，对多个目标存储单元进行多次二次测试，获取二次测试数据，直至二次测试数据满足测试要求；通过神经网络模型基于二次测试数据及初步筛选测试数据，确定待测试DRAM存储器的类型，具有减少测试数据及测试时间，提高测试效率的优点。

Description

一种使用神经网络模型的DRAM存储器测试方法和系统
技术领域
本说明书涉及DRAM存储器领域，特别涉及一种使用神经网络模型的DRAM存储器测试方法和系统。
背景技术
DRAM(Dynamic Random Access Memory)是目前应用最广泛的存储介质之一，广泛应用于各类存储设备。现有的DRAM存储器的测试方法，在每一轮测试时，都将DRAM存储器的全部存储单元测一遍，测试数据量大，占用存储空间大，计算耗时较长。由于当前存储条件和硬件的计算速度难以满足数据量大、高频率、高并发、传输复杂数据的需求，因此，现有的DRAM存储器测试方法要耗费大量的时间。如一根32G的DRAM存储器一轮测试中至少要返回2.75*1011个数据信息，之后还要分析这些数据是否出错以及错误模式。其次，由于DRAM存储器的内部颗粒微小而内部电路又很复杂，不同使用环境下内部元格(最小数据存储单元)可能表现不同状态(0或1)，一些失效充满了随机特性，因此一次恒定参数的测试可能会读取到错误的结果，而且并不能将所有的错误筛选写出来，这些随机错误增大了数据分析的复杂度，并且使得测试数据中的很多数据是冗余的，但它们在测试和传输时却占用了相同的存储空间和计算时间。
因此，需要提供一种使用神经网络模型的DRAM存储器测试方法和系统，用于筛选DRAM存储器中需要进行测试的存储单元并进行测试，减少测试数据及测试时间，提高测试效率。
发明内容
本说明书实施例之一提供一种使用神经网络模型的DRAM存储器测试方法，所述方法包括：对待测试DRAM存储器的多个存储单元进行多次初步筛选测试，获取初步筛选测试数据，直至所述初步筛选测试数据满足初步筛选条件；根据所述初步筛选测试数据从所述待测试DRAM存储器的多个存储单元中确定多个目标存储单元；调整测试环境，对所述多个目标存储单元进行多次二次测试，获取二次测试数据，直至所述二次测试数据满足测试要求；通过神经网络模型基于所述二次测试数据及所述初步筛选测试数据，确定所述待测试DRAM存储器的类型。
在一些实施例中，所述对待测试DRAM存储器的多个存储单元进行多次初步筛选测试，获取初步筛选测试数据，直至所述初步筛选测试数据满足初步筛选条件，包括：S1、初始化所述待测试DRAM存储器的每一个存储单元的权重，执行S2；S2、对所述待测试DRAM存储器的多个存储单元进行初步筛选测试，获取初步筛选结果，根据所述初步筛选结果调整所述待测试DRAM存储器的每一个存储单元的权重，获取所述初步筛选测试数据，执行S3；S3、判断所述初步筛选测试数据是否满足初步筛选条件，若否，执行S2。
在一些实施例中，所述根据所述初步筛选结果调整所述待测试DRAM存储器的每一个存储单元的权重，包括：若所述存储单元在所述初步筛选测试未发生故障，减小所述存储单元的权重；若所述存储单元在所述初步筛选测试发生故障，增大所述存储单元的权重。
在一些实施例中，所述若所述存储单元在所述初步筛选测试发生故障，增大所述存储单元的权重，包括：根据所述存储单元的故障类型，增大所述存储单元的权重。
在一些实施例中，所述初步筛选条件至少包括进行的所述初步筛选测试的次数大于初步筛选测试次数阈值和/或所述待测试DRAM存储器的多个存储单元的权重满足预设权重条件。
在一些实施例中，所述根据所述初步筛选测试数据从所述待测试DRAM存储器的多个存储单元中确定多个目标存储单元，包括：根据所述待测试DRAM存储器的每个存储单元的权重，从所述待测试DRAM存储器的多个存储单元中确定多个目标存储单元。
在一些实施例中，所述测试环境至少包括测试电压、连续存取数据的次数和/或测试温度。
在一些实施例中，所述调整测试环境，对所述多个目标存储单元进行多次二次测试，获取二次测试数据，包括：调整所述测试电压、所述连续存取数据的次数及所述测试温度中的至少一个，对所述多个目标存储单元进行多次二次测试，获取所述二次测试数据。
在一些实施例中，所述测试要求至少包括进行的所述二次测试的次数大于二次测试次数阈值和/或所述二次测试数据满足二次测试数据条件。
在一些实施例中，所述方法还包括：根据所述神经网络模型确定的所述待测试DRAM存储器的类型，多次执行调整所述测试环境对所述待测试DRAM存储器进行质量测试，获取多组质量测试数据；基于所述多组质量测试数据，确定所述待测试DRAM存储器的质量。
本说明书实施例之一提供一种使用神经网络模型的DRAM存储器测试系统，所述系统包括：初步筛选模块，用于对待测试DRAM存储器的多个存储单元进行多次初步筛选测试，获取初步筛选测试数据，直至所述初步筛选测试数据满足初步筛选条件；目标确定模块，用于根据所述初步筛选测试数据从所述待测试DRAM存储器的多个存储单元中确定多个目标存储单元；二次测试模块，用于调整测试环境，对所述多个目标存储单元进行多次二次测试，获取二次测试数据，直至所述二次测试数据满足测试要求；类型确定模块，用于通过神经网络模型基于所述二次测试数据及所述初步筛选测试数据，确定所述待测试DRAM存储器的类型。
在一些实施例中，所述初步筛选模块还用于执行：S1、初始化所述待测试DRAM存储器的每一个存储单元的权重，执行S2；S2、对所述待测试DRAM存储器的多个存储单元进行初步筛选测试，获取初步筛选结果，根据所述初步筛选结果调整所述待测试DRAM存储器的每一个存储单元的权重，获取所述初步筛选测试数据，执行S3；S3、判断所述初步筛选测试数据是否满足初步筛选条件，若否，执行S2。
在一些实施例中，所述初步筛选模块还用于执行：若所述存储单元在所述初步筛选测试未发生故障，减小所述存储单元的权重；若所述存储单元在所述初步筛选测试发生故障，增大所述存储单元的权重。
在一些实施例中，所述初步筛选模块还用于执行：根据所述存储单元的故障类型，增大所述存储单元的权重。
在一些实施例中，所述目标确定模块还用于执行：根据所述待测试DRAM存储器的每个存储单元的权重，从所述待测试DRAM存储器的多个存储单元中确定多个目标存储单元。
在一些实施例中，所述二次测试模块还用于执行：调整所述测试电压、所述连续存取数据的次数及所述测试温度中的至少一个，对所述多个目标存储单元进行多次二次测试，获取所述二次测试数据。
在一些实施例中，所述系统还包括质量确定模块，用于执行：根据所述神经网络模型确定的所述待测试DRAM存储器的类型，多次执行调整所述测试环境对所述待测试DRAM存储器进行质量测试，获取多组质量测试数据；基于所述多组质量测试数据，确定所述待测试DRAM存储器的质量。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的使用神经网络模型的DRAM存储器测试系统的模块图；
图2是根据本说明书一些实施例所示的使用神经网络模型的DRAM存储器测试方法的流程示意图；
图3是根据本说明书一些实施例所示的对待测试DRAM存储器的多个存储单元进行初步筛选测试的流程示意图；
图4是根据本说明书一些实施例所示的神经网络模型的示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的使用神经网络模型的DRAM存储器测试系统的模块图，如图1所示，一种使用神经网络模型的DRAM存储器测试系统可以包括初步筛选模块、目标确定模块、二次测试模块、类型确定模块及质量确定模块。
初步筛选模块可以用于对待测试DRAM存储器的多个存储单元进行多次初步筛选测试，获取初步筛选测试数据，直至初步筛选测试数据满足初步筛选条件。在一些实施例中，初步筛选模块还可以用于执行：若存储单元在初步筛选测试未发生故障，减小存储单元的权重；若存储单元在初步筛选测试发生故障，增大存储单元的权重。在一些实施例中，初步筛选模块还可以用于执行：根据存储单元的故障类型，增大存储单元的权重。
目标确定模块可以用于根据初步筛选测试数据从待测试DRAM存储器的多个存储单元中确定多个目标存储单元。在一些实施例中，目标确定模块还可以用于执行：根据待测试DRAM存储器的每个存储单元的权重，从待测试DRAM存储器的多个存储单元中确定多个目标存储单元。
二次测试模块可以用于调整测试环境，对多个目标存储单元进行多次二次测试，获取二次测试数据，直至二次测试数据满足测试要求。在一些实施例中，二次测试模块还可以用于执行：调整测试电压、连续存取数据的次数及测试温度中的至少一个，对多个目标存储单元进行多次二次测试，获取二次测试数据。
类型确定模块可以用于通过神经网络模型基于二次测试数据，确定待测试DRAM存储器的类型。
质量确定模块可以用于执行根据神经网络模型确定的待测试DRAM存储器的类型，多次执行调整测试环境对待测试DRAM存储器进行质量测试，获取多组质量测试数据，基于多组质量测试数据，确定待测试DRAM存储器的质量。
关于初步筛选模块、目标确定模块、二次测试模块、类型确定模块及质量确定模块的更多描述可以参见图2及其相关描述，此处不再赘述。
图2是根据本说明书一些实施例所示的使用神经网络模型的DRAM存储器测试方法的流程示意图，如图2所示，使用神经网络模型的DRAM存储器测试方法可以包括以下步骤。在一些实施例中，使用神经网络模型的DRAM存储器测试方法可以由使用神经网络模型的DRAM存储器测试系统执行。
步骤210，对待测试DRAM存储器的多个存储单元进行多次初步筛选测试，获取初步筛选测试数据，直至初步筛选测试数据满足初步筛选条件。在一些实施例中，步骤210可以由初步筛选模块执行。
在一些实施例中，初步筛选模块可以直接对待测试DRAM存储器的多个存储单元进行十轮的初步筛选测试，确定该十轮的初步筛选测试中，待测试DRAM存储器的多个存储单元中发生故障的存储单元。
图3是根据本说明书一些实施例所示的对待测试DRAM存储器的多个存储单元进行初步筛选测试的流程示意图，如图3所示，在一些实施例中，初步筛选模块重复执行对待测试DRAM存储器的多个存储单元进行初步筛选测试，获取初步筛选测试数据，直至初步筛选测试数据满足初步筛选条件，包括：
S1、初始化待测试DRAM存储器的每一个存储单元的权重，执行S2；
S2、对待测试DRAM存储器的多个存储单元进行初步筛选测试，获取初步筛选结果，根据初步筛选结果调整待测试DRAM存储器的每一个存储单元的权重，获取初步筛选测试数据，执行S3；
S3、判断初步筛选测试数据是否满足初步筛选条件，若否，执行S2。
在一些实施例中，初始化待测试DRAM存储器的每一个存储单元的权重可以包括：给每一个地址的存储单元(cell，元格)一个初始性能分S，初始性能分为2维数据，包括S＝[X,Y]，其中X为测试分，Y为故障模式，不同轮次的故障模式记为Y＝{y1,y2,y3,y4，……，yn}，n＝1,2,3,……。若某个存储单元在第n次初步筛选测试的测试结果为无失效或故障，则yn＝0；若存储单元在第n次初步筛选测试发生故障且故障类型为对应地址没有可访问的存储单元，则yn＝1；若存储单元在第n次初步筛选测试发生故障且故障类型为对应存储单元没有可以被访问的地址，则yn＝2；若存储单元在第n次初步筛选测试发生故障且故障类型为一个地址可以访问多个存储单元，则yn＝3；若存储单元在第n次初步筛选测试发生故障且故障类型为一个存储单元可以被多个地址访问，则yn＝4，根据不同故障模式yn的值依次类推。
在一些实施例中，初步筛选模块根据初步筛选结果调整待测试DRAM存储器的每一个存储单元的权重，包括：
若存储单元在初步筛选测试未发生故障，减小存储单元的权重；
若存储单元在初步筛选测试发生故障，增大存储单元的权重。
在一些实施例中，每个存储单元的初始权重均为W，在连续初步筛选测试N次的过程中，每测试一次W都会发生变化，直到测试结果可接受或满意为止。W为一个大于或等于0的分段线性函数，存储单元无故障时，W随着测试次数逐渐衰减，测试分X逐渐变小；存储单元有故障时，W随着测试轮数逐渐增加，测试分X逐渐变大。这样，在经历多轮测试后，质量好的cell的权重逐渐衰减为0，测试分X为0，质量差的存储单元的权重越来越大，同时这些质量差的存储单元的故障次数和故障模式数据也越来越多。
例如，一个32G的待测试DRAM存储器，给每一个地址的存储单元一个初始性能分10，权重为10，在一轮初步筛选测试中，若一个存储单元返回了故障，该存储单元的性能分数据的权重加1；若一个存储单元没有返回故障，则在数据传输过程中，该存储单元的性能分的权重减1。经过10轮测试之后，性能较好的存储单元的权重变成0；同理，经过10轮测试之后，性能较差的存储单元的权重变成20，此时确定这些性能较差存储单元为由生产工艺造成的不可恢复的故障存储单元，再将这些故障存储单元做进一步的处理，如在处理器中进行地址掩盖等方式处理。
在一些实施例中，初步筛选模块可以根据存储单元的故障类型，增大存储单元的权重。例如，第一轮初步筛选测试时，某个存储单元发生了短路故障等比较严重的故障，可以给该存储单元的权重加3分，即下一轮初步筛选测试开始时，该存储单元的权重分为13；若发生地址报错等这种一般的故障，可以给存储单元的权重加1分，下一轮初步筛选测试开始时，这个存储单元的权重分变成了11。
在一些实施例中，初步筛选条件至少包括进行的初步筛选测试的次数大于初步筛选测试次数阈值和/或待测试DRAM存储器的多个存储单元的权重满足预设权重条件。例如，完成十轮初步筛选测试后，初步筛选模块可以判断初步筛选测试数据满足初步筛选条件。又例如，存在预设数量(例如，待测试DRAM存储器的多个存储单元中的99.9％)的存储单元的权重为0时，初步筛选模块可以判断初步筛选测试数据满足初步筛选条件。
步骤220，根据初步筛选测试数据从待测试DRAM存储器的多个存储单元中确定多个目标存储单元。在一些实施例中，步骤220可以由目标确定模块执行。
在一些实施例中，目标确定模块可以将待测试DRAM存储器的多个存储单元中在初步筛选测试中发生故障的存储单元作为目标存储单元。
在一些实施例中，目标确定模块根据初步筛选测试数据从待测试DRAM存储器的多个存储单元中确定多个目标存储单元，可以包括：
根据待测试DRAM存储器的每个存储单元的权重，从待测试DRAM存储器的多个存储单元中确定多个目标存储单元。
例如，目标确定模块可以将权重不为0的存储单元作为目标存储单元。
步骤230，调整测试环境，对多个目标存储单元进行多次二次测试，获取二次测试数据，直至二次测试数据满足测试要求。在一些实施例中，步骤230可以由二次测试模块执行。
在一些实施例中，测试环境可以至少包括测试电压、连续存取数据的次数和/或测试温度。
在一些实施例中，二次测试模块调整测试环境，对多个目标存储单元进行二次测试，获取二次测试数据，可以包括：
调整测试电压、连续存取数据的次数及测试温度中的至少一个，对多个目标存储单元进行二次测试，获取二次测试数据。
在一些实施例中，测试要求至少包括进行的二次测试的次数大于二次测试次数阈值(例如，30次)和/或二次测试数据满足二次测试数据条件，例如，二次测试数据条件可以为相邻两次二次测试中，目标存储单元发生故障的类型相似。
在一些实施例中，在二次测试时，可以采取调整测试环境的方式(如增加测试电压、增加连续存取数据的次数和/或增加测试温度等)，使这些目标存储单元的物理性能发生一定的变化，导致一些随机错误变成固定的错误，在之后的每一轮二次测试中都能被测试到。
步骤240，通过神经网络模型基于二次测试数据，确定待测试DRAM存储器的类型。在一些实施例中，步骤240可以由类型确定模块执行。
在一些实施例中，神经网络模型可以包括但不限于一般神经网络(NN)、卷积神经网络(CNN)、深度神经网络(DNN)、循环神经网络(RNN)等或其任意组合。
在一些实施例中，整个测试数据逐步减少的过程由神经网络模型的剪枝方式来完成。测试过后，通过神经网络的反向传播机制，可以得到每一个存储单元的权重。在重复测试中，存储单元的出错错误次数越多，权重越大，测试分值越大，故障模式Y的数据越多，这样就把每一个存储单元是否发生失效、是否发生随机失效、以及每次失效的失效模式都记录了下来。然后把这些数据作为参数输入到神经网络模型中，神经网络模型计算后输出想要的分类结果。
图4是根据本说明书一些实施例所示的神经网络模型的示意图，如图4所示，在一些实施例中，神经网络模型可以包括输入层、隐藏层及输出层。
在一些实施例中，待测试DRAM存储器的类型可以为电压敏感类内存条、电压性能较高内存条等。
在一些实施例中，类型确定模块可以判断神经网络模型的分类结果是否可接受，若可以接受，则完成分类，若神经网络模型的分类结果不可以接受，继续执行步骤210至步骤240，直到分类结果可接受为止。
在一些实施例中，使用神经网络模型的DRAM存储器测试方法还可以包括步骤260，根据神经网络模型确定的待测试DRAM存储器的类型，多次执行调整测试环境对待测试DRAM存储器进行质量测试，获取多组质量测试数据，基于多组质量测试数据，确定待测试DRAM存储器的质量。在一些实施例中，步骤250可以由质量确定模块执行。
待测试DRAM存储器的质量可以为极高质量、较好质量、高质量、一般质量、缺陷较少、缺陷较多等。
在一些实施例中，使用神经网络模型的DRAM存储器测试方法可以至少包括以下技术效果：
1、通过继续执行初步筛选测试，使得二次测试中需要计算的数据量将大大减少，减少了系测试系统传输数据的压力，而且给每个存储单元赋予一个性能分和测试分，更有利于失效分析和筛选分类；
2、通过神经网络模型的因子加权方式把每一个存储单元是否固定失效、是否发生随机失效、以及失效模式(若发生失效)都筛选了出来，提高了DRAM存储器测试筛选的灵活性、严密性和诊断效率，基本满足DRAM内存测试发展的未来需求。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (17)

1.一种使用神经网络模型的DRAM存储器测试方法，其特征在于，包括：
对待测试DRAM存储器的多个存储单元进行多次初步筛选测试，获取初步筛选测试数据，直至所述初步筛选测试数据满足初步筛选条件；
根据所述初步筛选测试数据从所述待测试DRAM存储器的多个存储单元中确定多个目标存储单元；
调整测试环境，对所述多个目标存储单元进行多次二次测试，获取二次测试数据，直至所述二次测试数据满足测试要求；
通过神经网络模型基于所述二次测试数据及所述初步筛选测试数据，确定所述待测试DRAM存储器的类型。
2.根据权利要求1所述的使用神经网络模型的DRAM存储器测试方法，其特征在于，所述对待测试DRAM存储器的多个存储单元进行多次初步筛选测试，获取初步筛选测试数据，直至所述初步筛选测试数据满足初步筛选条件，包括：
S1、初始化所述待测试DRAM存储器的每一个存储单元的权重，执行S2；
S2、对所述待测试DRAM存储器的多个存储单元进行初步筛选测试，获取初步筛选结果，根据所述初步筛选结果调整所述待测试DRAM存储器的每一个存储单元的权重，获取所述初步筛选测试数据，执行S3；
S3、判断所述初步筛选测试数据是否满足初步筛选条件，若否，执行S2。
3.根据权利要求2所述的使用神经网络模型的DRAM存储器测试方法，其特征在于，所述根据所述初步筛选结果调整所述待测试DRAM存储器的每一个存储单元的权重，包括：
若所述存储单元在所述初步筛选测试未发生故障，减小所述存储单元的权重；
若所述存储单元在所述初步筛选测试发生故障，增大所述存储单元的权重。
4.根据权利要求3所述的使用神经网络模型的DRAM存储器测试方法，其特征在于，所述若所述存储单元在所述初步筛选测试发生故障，增大所述存储单元的权重，包括：
根据所述存储单元的故障类型，增大所述存储单元的权重。
5.根据权利要求2所述的使用神经网络模型的DRAM存储器测试方法，其特征在于，所述初步筛选条件至少包括进行的所述初步筛选测试的次数大于初步筛选测试次数阈值和/或所述待测试DRAM存储器的多个存储单元的权重满足预设权重条件。
6.根据权利要求2所述的使用神经网络模型的DRAM存储器测试方法，其特征在于，所述根据所述初步筛选测试数据从所述待测试DRAM存储器的多个存储单元中确定多个目标存储单元，包括：
根据所述待测试DRAM存储器的每个存储单元的权重，从所述待测试DRAM存储器的多个存储单元中确定多个目标存储单元。
7.根据权利要求1-6任意一项所述的使用神经网络模型的DRAM存储器测试方法，其特征在于，所述测试环境至少包括测试电压、连续存取数据的次数和/或测试温度。
8.根据权利要求7所述的使用神经网络模型的DRAM存储器测试方法，其特征在于，所述调整测试环境，对所述多个目标存储单元进行多次二次测试，获取二次测试数据，包括：
调整所述测试电压、所述连续存取数据的次数及所述测试温度中的至少一个，对所述多个目标存储单元进行多次二次测试，获取所述二次测试数据。
9.根据权利要求1-6任意一项所述的使用神经网络模型的DRAM存储器测试方法，其特征在于，所述测试要求至少包括进行的所述二次测试的次数大于二次测试次数阈值和/或所述二次测试数据满足二次测试数据条件。
10.根据权利要求1-6任意一项所述的使用神经网络模型的DRAM存储器测试方法，其特征在于，还包括：
根据所述神经网络模型确定的所述待测试DRAM存储器的类型，多次执行调整所述测试环境对所述待测试DRAM存储器进行质量测试，获取多组质量测试数据；
基于所述多组质量测试数据，确定所述待测试DRAM存储器的质量。
11.一种使用神经网络模型的DRAM存储器测试系统，其特征在于，包括：
初步筛选模块，用于对待测试DRAM存储器的多个存储单元进行多次初步筛选测试，获取初步筛选测试数据，直至所述初步筛选测试数据满足初步筛选条件；
目标确定模块，用于根据所述初步筛选测试数据从所述待测试DRAM存储器的多个存储单元中确定多个目标存储单元；
二次测试模块，用于调整测试环境，对所述多个目标存储单元进行多次二次测试，获取二次测试数据，直至所述二次测试数据满足测试要求；
类型确定模块，用于通过神经网络模型基于所述二次测试数据及所述初步筛选测试数据，确定所述待测试DRAM存储器的类型。
12.根据权利要求11所述的使用神经网络模型的DRAM存储器测试系统，其特征在于，所述初步筛选模块还用于执行：
S1、初始化所述待测试DRAM存储器的每一个存储单元的权重，执行S2；
S2、对所述待测试DRAM存储器的多个存储单元进行初步筛选测试，获取初步筛选结果，根据所述初步筛选结果调整所述待测试DRAM存储器的每一个存储单元的权重，获取所述初步筛选测试数据，执行S3；
S3、判断所述初步筛选测试数据是否满足初步筛选条件，若否，执行S2。
13.根据权利要求12所述的使用神经网络模型的DRAM存储器测试系统，其特征在于，所述初步筛选模块还用于执行：
若所述存储单元在所述初步筛选测试未发生故障，减小所述存储单元的权重；
若所述存储单元在所述初步筛选测试发生故障，增大所述存储单元的权重。
14.根据权利要求13所述的使用神经网络模型的DRAM存储器测试系统，其特征在于，所述初步筛选模块还用于执行：
根据所述存储单元的故障类型，增大所述存储单元的权重。
15.根据权利要求12所述的使用神经网络模型的DRAM存储器测试系统，其特征在于，所述目标确定模块还用于执行：
根据所述待测试DRAM存储器的每个存储单元的权重，从所述待测试DRAM存储器的多个存储单元中确定多个目标存储单元。
16.根据权利要求12所述的使用神经网络模型的DRAM存储器测试系统，其特征在于，所述二次测试模块还用于执行：
调整所述测试电压、所述连续存取数据的次数及所述测试温度中的至少一个，对所述多个目标存储单元进行多次二次测试，获取所述二次测试数据。
17.根据权利要求11-16任意一项所述的使用神经网络模型的DRAM存储器测试系统，其特征在于，还包括质量确定模块，用于执行：
根据所述神经网络模型确定的所述待测试DRAM存储器的类型，多次执行调整所述测试环境对所述待测试DRAM存储器进行质量测试，获取多组质量测试数据；
基于所述多组质量测试数据，确定所述待测试DRAM存储器的质量。
CN202310019573.8A 2023-01-06 2023-01-06 一种使用神经网络模型的dram存储器测试方法和系统 Active CN116110490B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310019573.8A CN116110490B (zh) 2023-01-06 2023-01-06 一种使用神经网络模型的dram存储器测试方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310019573.8A CN116110490B (zh) 2023-01-06 2023-01-06 一种使用神经网络模型的dram存储器测试方法和系统

Publications (2)

Publication Number Publication Date
CN116110490A true CN116110490A (zh) 2023-05-12
CN116110490B CN116110490B (zh) 2024-07-19

Family

ID=86266895

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310019573.8A Active CN116110490B (zh) 2023-01-06 2023-01-06 一种使用神经网络模型的dram存储器测试方法和系统

Country Status (1)

Country Link
CN (1) CN116110490B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200075117A1 (en) * 2018-09-04 2020-03-05 Winbond Electronics Corp. Testing system and adaptive method of generating test program
CN112037843A (zh) * 2019-06-04 2020-12-04 长鑫存储技术有限公司 存储器测试方法、装置、存储器、设备及可读存储介质
CN112817524A (zh) * 2021-01-19 2021-05-18 置富科技（深圳）股份有限公司 基于动态神经网络的闪存可靠性等级在线预测方法和装置
CN112908399A (zh) * 2021-02-05 2021-06-04 置富科技（深圳）股份有限公司 闪存的异常检测方法、装置、计算机设备及存储介质
CN113035259A (zh) * 2021-03-05 2021-06-25 深圳佰维存储科技股份有限公司 Dram测试方法、装置、可读存储介质及电子设备
CN113053429A (zh) * 2019-12-26 2021-06-29 三星电子株式会社 存储器设备和包括其的电子设备
CN113257329A (zh) * 2021-04-12 2021-08-13 中国空间技术研究院 一种基于机器学习的存储器故障诊断方法
US11221929B1 (en) * 2020-09-29 2022-01-11 Hailo Technologies Ltd. Data stream fault detection mechanism in an artificial neural network processor
CN114579379A (zh) * 2022-02-28 2022-06-03 成都商汤科技有限公司 测试方法及装置、电子设备和存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200075117A1 (en) * 2018-09-04 2020-03-05 Winbond Electronics Corp. Testing system and adaptive method of generating test program
CN112037843A (zh) * 2019-06-04 2020-12-04 长鑫存储技术有限公司 存储器测试方法、装置、存储器、设备及可读存储介质
CN113053429A (zh) * 2019-12-26 2021-06-29 三星电子株式会社 存储器设备和包括其的电子设备
US11221929B1 (en) * 2020-09-29 2022-01-11 Hailo Technologies Ltd. Data stream fault detection mechanism in an artificial neural network processor
CN112817524A (zh) * 2021-01-19 2021-05-18 置富科技（深圳）股份有限公司 基于动态神经网络的闪存可靠性等级在线预测方法和装置
CN112908399A (zh) * 2021-02-05 2021-06-04 置富科技（深圳）股份有限公司 闪存的异常检测方法、装置、计算机设备及存储介质
CN113035259A (zh) * 2021-03-05 2021-06-25 深圳佰维存储科技股份有限公司 Dram测试方法、装置、可读存储介质及电子设备
CN113257329A (zh) * 2021-04-12 2021-08-13 中国空间技术研究院 一种基于机器学习的存储器故障诊断方法
CN114579379A (zh) * 2022-02-28 2022-06-03 成都商汤科技有限公司 测试方法及装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN116110490B (zh) 2024-07-19

Similar Documents

Publication Publication Date Title
CN112115009B (zh) 一种用于神经网络处理器的故障检测方法
CN112433896B (zh) 一种服务器磁盘故障预测方法、装置、设备及存储介质
CN110929867B (zh) 神经网络结构的评估、确定方法、装置和存储介质
CN112217668B (zh) 基于比较模型的自适应网络故障诊断方法
CN112765890A (zh) 基于动态域适应网络的多工况旋转机械剩余寿命预测方法
CN111027591B (zh) 一种面向大规模集群系统的节点故障预测方法
CN111445029A (zh) 模型评估方法、装置及计算机可读存储介质
US20230139518A1 (en) Method and device for testing memory array structure, and storage medium
CN107516546B (zh) 一种随机存储器的在线检测装置及方法
CN113035260A (zh) 一种动态随机存储器的测试方法及系统
CN112037844B (zh) 可变保持时间模式分析方法、装置、设备及可读存储介质
CN111326205B (zh) 测试系统、存储器的测试方法及测试装置
CN112214880A (zh) 一种基于虚实融合的多阶段维修性评估方法
CN116110490B (zh) 一种使用神经网络模型的dram存储器测试方法和系统
CN115543762A (zh) 一种磁盘smart数据扩充方法、系统及电子设备
CN113536580B (zh) 确定核反应堆考验回路功率和中子通量密度的方法和系统
CN112927751A (zh) 存储器失效地址的输出方法及相关设备
CN116594800A (zh) 磁盘故障检测方法、装置、电子设备及计算机可读存储介质
CN115454787A (zh) 告警分类方法、装置、电子设备及存储介质
CN112434733B (zh) 一种小样本硬盘故障数据生成方法、存储介质及计算设备
CN117743040A (zh) 内存故障预测方法、装置、计算机设备和存储介质
CN115879720A (zh) 一种采用通用检测工具检测的检查次序优化方法和系统
CN113628675A (zh) 一种ssd固态硬盘测试方法
CN113887452A (zh) 基于相关性矩阵的故障诊断优化方法
CN111222736A (zh) 一种基于混合相关向量机模型的弹药贮存可靠度评估方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Jiang Honghu

Inventor after: Zeng Xiangwei

Inventor after: Zao Huili

Inventor after: Liu Shizhu

Inventor before: Jiang Honghu

Inventor before: Zeng Xiangwei

Inventor before: Zao Huili

Inventor before: Liu Shizhu

Inventor before: Zhao Chunhui

GR01 Patent grant
GR01 Patent grant