CN116776819A - 一种集成电路设计方案的测试方法 - Google Patents
一种集成电路设计方案的测试方法 Download PDFInfo
- Publication number
- CN116776819A CN116776819A CN202310609072.5A CN202310609072A CN116776819A CN 116776819 A CN116776819 A CN 116776819A CN 202310609072 A CN202310609072 A CN 202310609072A CN 116776819 A CN116776819 A CN 116776819A
- Authority
- CN
- China
- Prior art keywords
- test
- parameter
- integrated circuit
- model
- parameters
- 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
- 238000013461 design Methods 0.000 title claims abstract description 14
- 238000010998 test method Methods 0.000 title claims description 3
- 238000012360 testing method Methods 0.000 claims abstract description 98
- 238000012549 training Methods 0.000 claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 28
- 230000006835 compression Effects 0.000 claims abstract description 18
- 238000007906 compression Methods 0.000 claims abstract description 18
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 9
- 230000009977 dual effect Effects 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- XGCDBGRZEKYHNV-UHFFFAOYSA-N 1,1-bis(diphenylphosphino)methane Chemical compound C=1C=CC=CC=1P(C=1C=CC=CC=1)CP(C=1C=CC=CC=1)C1=CC=CC=C1 XGCDBGRZEKYHNV-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本发明公开了一种集成电路设计方案的测试方法,S1:获取集成电路的每一个测试参数并建立训练样本集;S2:提出基于XGBoost算法的机器学习方法,获取测试参数的重要性得分,根据所述重要性得分从所述每一个测试参数中筛选出待检测特征,用于衡量所述每一个测试参数对ATE测试结果的关联程度;S3:根据所述关联程度,剔除不符合产品规格和关联程度小的测试参数;S4:对剔除后的测试参数进行向量压缩,然后建立学习模型;S5:对所述学习模型进行超参数获取,获得性能最佳的训练模型;S6:获取各训练模型的测试结果。本申请通过优化参数并对其向量进行压缩,实现集成电路测试的优化,提高测试效率。
Description
技术领域
本发明涉及集成电路领域,设计了一种集成电路设计方案的测试方法。
背景技术
如今,集成电路技术高速发展,芯片的集成度和复杂性不断提高,在这种发展趋势下,对于集成电路集成芯片的测试时间不断提升,而如今对于集成芯片进行检测的设备为集成电路自动测试机(Automatic Test Equipment,ATE),用于检测集成电路功能之完整性,为集成电路生产制造之最后流程,以确保集成电路生产制造之品质。
由于ATE是根据使用时长来进行收费,随着集成芯片的测试时间不断提升,使成本也不断提高,所以优化测试方式法、缩短测试时间,提升测试效率具有现实意义。
发明内容
有鉴于现有技术的上述缺陷,本发明提出一种集成电路设计方案的测试方法,本发明设计的技术方案步骤包括:
S1:获取集成电路的每一个测试参数并建立训练样本集;
S2:提出基于XGBoost算法的机器学习方法,获取测试参数的重要性得分,根据所述重要性得分从所述每一个测试参数中筛选出待检测特征,用于衡量所述每一个测试参数对ATE测试结果的关联程度;
S3:根据所述关联程度,剔除不符合产品规格和关联程度小的测试参数;
S4:对剔除后的测试参数进行向量压缩,然后建立学习模型;
S5:对所述学习模型进行超参数获取,获得性能最佳的训练模型;
S6:获取各训练模型的测试结果。
优选地,所述S1包括:所述每一个测试参数作为一个样本,训练样本集中共有n个样本,每个样本有用于测试的过程变量,训练样本集为s(x,y)=
{(xi,yi)|i=1,2,…,n};式中,xi为测试参数,yi为过程变量。
优选地,所述S2包括:所述获取重要性得分为基于XGBoost算法建立每一个测试参数的模型,然后评估测试参数间的联合预测能力;所述待检测特征为测试参数的测试逃逸率。
优选地,所述S3包括:根据所述关联程度对训练样本集进行分析,训练样本集不符合产品规格的样本输目,提出错误样本,然后对处理后的训练样本集建立学习模型,获取测量参数的特征重要性和Shapley值,剔除不需要的测量参数。
优选地,所述错误样本数量、特征重要性和Shapley值分别排序获得3组新的训练样本集,然后按照错误样本数量的训练样本集删除不符合要求的测量参数,获得剔除后的测试参数。
优选地,所述S4的向量压缩包括:通过所述ATE的Pattern module对所述剔除后的测试参数进行矢量压缩,压缩该测试参数向量的长度,提高后续ATE测试的效率。
优选地,所述Pattern module选用dual模式;所述矢量压缩为对向量中的连续重复数据进行压缩。
优选地,所述S5的超参数获取包括:基于XGBoost算法指导模型训练和基于HyperOptSeach算法自动调参。
优选地,所述基于XGBoost算法指导模型训练包括:包括booster的应用型弱学习器和num threads的训练过程中的并行线程数;所述应用型弱学习器包括线性模型gblinear、树模型dart和gbtree。
优选地,所述基于HyperOptSeach算法自动调参包括:采用HyperOptSeach搜索算法,基于高斯过程对损失函数y与超参数x的条件概率模型p(x,y)进行建模,使用两种密度函数进行定义,分别为:
p1(x1,y1)
式中,p1为概率模型,x1为超参数,y1为损失函数,y1<y*,y*为损失的阈值;
p2(x2,y2)
式中,p2为概率模型,x2为超参数,y2为损失函数,y2≥y*,y*为损失的阈值。
有益效果:
1、本发明通过基于HyperOptSeach算法自动调参和基于XGBoost算法指导模型训练优化集成电路的测试参数,输出的模型准确度高;
2、本发明在基于XGBoost算法指导模型训练优化优化后通过对剔除后的测试参数的向量进行压缩技术,进一步压缩测试向量的长度,然后再通过HyperOptSeach算法自动调参进一步优化参数稳定性,最后进行建模,获得的模型有着测试时间低,训练效果优,测试效率高的优点。
附图说明
图1是本发明一个较佳实施例的集成电路测试方法流程示意图。
具体实施方式
下面对本发明的实施例作详细说明,下述的实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本发明设计了一种,技术方案包含以下步骤,具体包括:
本发明设计的技术方案包括:
包括以下步骤:
S1:获取集成电路的每一个测试参数并建立训练样本集;
S2:提出基于XGBoost算法的机器学习方法,获取测试参数的重要性得分,根据重要性得分从每一个测试参数中筛选出待检测特征,用于衡量每一个测试参数对ATE测试结果的关联程度;
S3:根据关联程度,剔除不符合产品规格和关联程度小的测试参数;
S4:对剔除后的测试参数进行向量压缩,然后建立学习模型;
S5:对学习模型进行超参数获取,获得性能最佳的训练模型;
S6:获取各训练模型的测试结果。
优选地,S1包括:每一个测试参数作为一个样本,训练样本集中共有n个样本,每个样本有用于测试的过程变量,训练样本集为
s(x,y)={(xi,yi)|i=1,2,…,n},式中,xi为测试参数,yi为过程变量。
优选地,S2包括:获取重要性得分为基于XGBoost算法建立每一个测试参数的模型,然后评估测试参数间的联合预测能力;待检测特征为测试参数的测试逃逸率。
具体的,提出基于XGBoost决策书的机器学习方法,对每一个测试参数分别建立独立的模型,评估测试参数间的联合预测能力,并根据联合预测能力确定优化测试参数的优先级。使用模拟集成电路中关键参数测试逃逸率,即百万单位缺陷产品数(defectiveparts per million,DPPM)作为模型的主要评判标准,同时定义了对应的损失率百万单位损失产品数(loss parts per million,LPPM)来平衡训练工程中的激进策略,降低过拟合的概率。结果具有测试时间确定特点,适合应用于实际模拟集成电路生产过程。
优选地,S3包括:根据关联程度对训练样本集进行分析,训练样本集不符合产品规格的样本输目,提出错误样本,然后对处理后的训练样本集建立学习模型,获取测量参数的特征重要性和Shapley值,剔除不需要的测量参数。
具体的,特征重要性:树模型中反映特征的重要指标,根据基尼指数进行衡量,公式为集合X={xi},i=1,2,3,…n,其中,模型中存在m个节点,基尼指数公式表示如下:式中K为类别的输目,pmk为节点m为k的比例;Shapley值:用于反映特征在模型的贡献程度,定义为:/>式中,y为模型的预测值,f0为所有训练样本的预测均值,fi为每个输入特征的归因值。
优选地,错误样本数量、特征重要性和Shapley值分别排序获得3组新的训练样本集,然后按照错误样本数量的训练样本集删除不符合要求的测量参数,获得剔除后的测试参数。
优选地,S4的向量压缩包括:通过ATE的Pattern module对剔除后的测试参数进行矢量压缩,压缩该测试参数向量的长度,提高后续ATE测试的效率。
优选地,Pattern module选用dual模式;矢量压缩为对向量中的连续重复数据进行压缩。
具体的,ATE向量压缩技术为压缩测试向量的长度,用于提高ATE测试的效率;首先,通过Pattern module进行矢量压缩,Pattern module包括single(1个最小周期)、dual(2个最小周期)和quad(4个最小周期)共三种模式。下表列出不同模式下向量所占空间大小,后三列的compression是指向量中的连续重复数据进行压缩,在dual-compression模式下向量所占空间最小,所以选用dual-compression模式;),最后建立学习模型。
优选地,S5的超参数获取包括:基于XGBoost算法指导模型训练和基于HyperOptSeach算法自动调参。
优选地,基于XGBoost算法指导模型训练包括:包括booster的应用型弱学习器和num threads的训练过程中的并行线程数;应用型弱学习器包括线性模型gblinear、树模型dart和gbtree。
具体的,XGBoost算法中超参数分为通用参数(General Parameters)、Booster参数(Booster Parameters)、学习任务参数(Learning Task Parameters)三类。需要优化的超参数主要为:通用参数:1、booster,表示应用的弱学习器类型,可选择线性模型gblinear、树模型dart、gbtree三种模型;2、num threads,表示训练过程中的并行线程数。Booster参数:1、learning rate,也可以用eta表示,表示学习速率;2、min split loss,也可以用gamma表示,表示树要进行下一次分支操作时需要的最小损失值;3、max depth,表示树模型的最大深度;4、min child weight,表示最小的叶子节点所需要的实例权重总和,若在树的进一步划分过程中生成叶节点实例权重喝小于min child weight,则树不再产生新的分支;5、subsample,表示训练实例的子样本比例;6、colsample bytree,与colsamplebylevel和colsample bynode一同为一组控制对列进行二次采样的参数组,该参数控制每个树被构造出时列的子样本比例;7、grow policy,该值控制新节点加入树的方法,可选择从最靠近根节点的节点开始分支(depthwise)和在损失变化最大的节点开始分支(lossguide)
优选地,基于HyperOptSeach算法自动调参包括:采用HyperOptSeach搜索算法,基于高斯过程对损失函数y与超参数x的条件概率模型p(x,y)进行建模,使用两种密度函数进行定义,分别为:
p1(x1,y1)
式中,p1为概率模型,x1为超参数,y1为损失函数,y1<y*,y*为损失的阈值;
p2(x2,y2)
式中,p2为概率模型,x2为超参数,y2为损失函数,y2≥y*,y*为损失的阈值。
具体的,定义两种密度函数后,p1/p2作为最优化的目标,并使p1/p2最小,得到预期最大的x*。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的试验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种集成电路设计方案的测试方法,其特征在于,包括以下步骤:
S1:获取集成电路的每一个测试参数并建立训练样本集;
S2:提出基于XGBoost算法的机器学习方法,获取测试参数的重要性得分,根据所述重要性得分从所述每一个测试参数中筛选出待检测特征,用于衡量所述每一个测试参数对ATE测试结果的关联程度;
S3:根据所述关联程度,剔除不符合产品规格和关联程度小的测试参数;
S4:对剔除后的测试参数进行向量压缩,然后建立学习模型;
S5:对所述学习模型进行超参数获取,获得性能最佳的训练模型;
S6:获取各训练模型的测试结果。
2.根据权利要求1所述的一种集成电路设计方案的测试方法,其特征在于,所述S1包括:所述每一个测试参数作为一个样本,训练样本集中共有n个样本,每个样本有用于测试的过程变量,训练样本集为s(x,y)={(xi,yi)|i=1,2,...,n;式中,xi为测试参数,yi为过程变量。
3.根据权利要求1所述的一种集成电路设计方案的测试方法,其特征在于,所述S2包括:所述获取重要性得分为基于XGBoost算法建立每一个测试参数的模型,然后评估测试参数间的联合预测能力;所述待检测特征为测试参数的测试逃逸率。
4.根据权利要求1所述的一种集成电路设计方案的测试方法,其特征在于,所述S3包括:根据所述关联程度对训练样本集进行分析,训练样本集不符合产品规格的样本输目,提出错误样本,然后对处理后的训练样本集建立学习模型,获取测量参数的特征重要性和Shapley值,剔除不需要的测量参数。
5.根据权利要求4所述的一种集成电路设计方案的测试方法,其特征在于,包括:所述错误样本数量、特征重要性和Shapley值分别排序获得3组新的训练样本集,然后按照错误样本数量的训练样本集删除不符合要求的测量参数,获得剔除后的测试参数。
6.根据权利要求1所述的一种集成电路设计方案的测试方法,其特征在于,所述S4的向量压缩包括:通过所述ATE的Patternmodule对所述剔除后的测试参数进行矢量压缩,压缩该测试参数向量的长度,提高后续ATE测试的效率。
7.根据权利要求6所述的一种集成电路设计方案的测试方法,其特征在于,包括:所述Pattern module选用dual模式;所述矢量压缩为对向量中的连续重复数据进行压缩。
8.根据权利要求1所述的一种集成电路设计方案的测试方法,其特征在于,所述S5的超参数获取包括:基于XGBoost算法指导模型训练和基于HyperOptSeach算法自动调参。
9.根据权利要求8所述的一种集成电路设计方案的测试方法,其特征在于,所述基于XGBoost算法指导模型训练包括:包括booster的应用型弱学习器和numthreads的训练过程中的并行线程数;所述应用型弱学习器包括线性模型gblinear、树模型dart和gbtree。
10.根据权利要求8所述的一种集成电路设计方案的测试方法,其特征在于,所述基于HyperOptSeach算法自动调参包括:采用HyperOptSeach搜索算法,基于高斯过程对损失函数y与超参数x的条件概率模型p(x,y)进行建模,使用两种密度函数进行定义,分别为:
p1(x1,y1)
式中,p1为概率模型,x1为超参数,y1为损失函数,y1<y*,y*为损失的阈值;
p2(x2,y2)
式中,p2为概率模型,x2为超参数,y2为损失函数,y2≥y*,y*为损失的阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310609072.5A CN116776819A (zh) | 2023-05-26 | 2023-05-26 | 一种集成电路设计方案的测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310609072.5A CN116776819A (zh) | 2023-05-26 | 2023-05-26 | 一种集成电路设计方案的测试方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116776819A true CN116776819A (zh) | 2023-09-19 |
Family
ID=87990536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310609072.5A Pending CN116776819A (zh) | 2023-05-26 | 2023-05-26 | 一种集成电路设计方案的测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116776819A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298085A (zh) * | 2019-06-11 | 2019-10-01 | 东南大学 | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 |
KR20220059120A (ko) * | 2020-11-02 | 2022-05-10 | 강릉원주대학교산학협력단 | 최적화된 하이퍼파라미터를 갖는 기계 학습 모델링 자동화 방법 및 이를 이용한 기계 학습 모델링 자동화 시스템 |
CN114595623A (zh) * | 2021-12-30 | 2022-06-07 | 华能上海燃机发电有限责任公司 | 一种基于XGBoost算法的机组设备基准值预测方法及系统 |
CN116049668A (zh) * | 2022-12-20 | 2023-05-02 | 东南大学 | 一种基于机器学习的自动驾驶事故严重程度预测方法 |
-
2023
- 2023-05-26 CN CN202310609072.5A patent/CN116776819A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298085A (zh) * | 2019-06-11 | 2019-10-01 | 东南大学 | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 |
KR20220059120A (ko) * | 2020-11-02 | 2022-05-10 | 강릉원주대학교산학협력단 | 최적화된 하이퍼파라미터를 갖는 기계 학습 모델링 자동화 방법 및 이를 이용한 기계 학습 모델링 자동화 시스템 |
CN114595623A (zh) * | 2021-12-30 | 2022-06-07 | 华能上海燃机发电有限责任公司 | 一种基于XGBoost算法的机组设备基准值预测方法及系统 |
CN116049668A (zh) * | 2022-12-20 | 2023-05-02 | 东南大学 | 一种基于机器学习的自动驾驶事故严重程度预测方法 |
Non-Patent Citations (2)
Title |
---|
王婷 等: "基于ATE的SiP测试技术优化和应用", 电动工具, no. 2, 18 April 2023 (2023-04-18), pages 23 - 25 * |
肖寅东 等: "基于XGBoost的模拟集成电路测试参数优化方法", 电子测量与仪器学报, vol. 37, no. 4, pages 61 - 68 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086799A (zh) | 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法 | |
CN112465040B (zh) | 一种基于类不平衡学习算法的软件缺陷预测方法 | |
CN111931983B (zh) | 一种降水量预测方法及系统 | |
CN112270129B (zh) | 一种基于大数据分析的植物长势预测方法 | |
CN109754122A (zh) | 一种基于随机森林特征提取的bp神经网络的数值预测方法 | |
CN107273352A (zh) | 一种基于Zolu函数的词嵌入学习模型及训练方法 | |
CN111292124A (zh) | 一种基于优化组合神经网络的需水预测方法 | |
CN114882531A (zh) | 一种基于深度学习的跨域行人再识别方法 | |
CN116224112A (zh) | 一种基于XGBoost模型的电池阻抗谱频率重要性分析方法 | |
CN114740730A (zh) | 基于卷积神经网络的svg参数优化辨识方法 | |
CN114330486A (zh) | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 | |
CN108090564A (zh) | 基于网络权重初始和最终状态差异的冗余权重去除方法 | |
CN116776819A (zh) | 一种集成电路设计方案的测试方法 | |
CN112146880B (zh) | 一种对不同转速下滚动轴承内部结构故障的智能化诊断方法 | |
CN111815209A (zh) | 应用于风控模型的数据降维方法及装置 | |
CN108872142B (zh) | 一种波长选择算法中多参数的选择优化方法 | |
CN114091794A (zh) | 专利价值评估模型训练方法、评估方法、装置及其设备 | |
KR20150137073A (ko) | 해 탐색 시스템 및 방법, 해 탐색 프로그램 | |
CN116763324A (zh) | 基于多尺度和多注意力的单通道脑电信号睡眠分期方法 | |
CN115345192A (zh) | 一种变工况和复杂噪音环境下滚动轴承的故障诊断方法 | |
CN111026661B (zh) | 一种软件易用性全面测试方法及系统 | |
CN114418097A (zh) | 神经网络量化处理方法、装置、电子设备及存储介质 | |
CN114529749A (zh) | 一种病理图像分类装置、方法及装置的使用方法 | |
CN112102889A (zh) | 基于机器学习的自由能微扰网络设计方法 | |
CN117313560B (zh) | 基于机器学习的igbt模块封装的多目标优化方法 |
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 |