CN117074925B - 一种3d芯片测试分析方法和系统 - Google Patents
一种3d芯片测试分析方法和系统 Download PDFInfo
- Publication number
- CN117074925B CN117074925B CN202311330837.8A CN202311330837A CN117074925B CN 117074925 B CN117074925 B CN 117074925B CN 202311330837 A CN202311330837 A CN 202311330837A CN 117074925 B CN117074925 B CN 117074925B
- Authority
- CN
- China
- Prior art keywords
- data
- time step
- chip
- sequence
- test
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 119
- 238000004458 analytical method Methods 0.000 title claims abstract description 31
- 238000013507 mapping Methods 0.000 claims abstract description 50
- 230000002159 abnormal effect Effects 0.000 claims abstract description 42
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 48
- 238000005259 measurement Methods 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 238000013100 final test Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000009529 body temperature measurement Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 9
- 238000005070 sampling Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2851—Testing of integrated circuits [IC]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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 Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明公开了一种3D芯片测试分析方法和系统，属于集成电路测试技术领域，所述方法包括：收集第一时间步的3D芯片的多物理量测试数据，确定多个第一时间步图像数据，预测第二时间步的预测数据序列，获取第二时间步数据序列；确定所有物理量的差分映射序列；基于所有物理量的差分映射序列，确定测试状态异常类型；根据状态异常类型选择异常序列分析模型，基于异常序列分析模型确定测试异常概率，以及基于选择的对应的物理量的差分异常序列确定可疑关键位置。本发明利用多物理量的测试数据，结合时间序列信息，对3D芯片进行有效的测试和分析。
Description
技术领域
本发明属于集成电路测试技术领域，尤其涉及一种3D芯片测试分析方法和系统。
背景技术
随着半导体技术的不断进步，3D芯片因其高密度集成、高性能和低功耗等优势，越来越多地被应用在各种高性能计算系统中。然而，与此同时，3D芯片的测试和分析也面临着巨大的挑战。由于3D芯片的结构复杂，其在运行过程中可能会受到电压、电流、温度等多种物理量的影响，因此，如何准确、高效地测试和分析3D芯片的状态，成为了当前研究的重要课题。
而传统的3D芯片测试方法忽略了不同物理量之间可能存在的相互影响，也难以有效地利用时间序列信息。因此如何提高3D芯片智能化测试和测试分析的表现效果，是当前3D芯片测试领域面临的一个重要问题。
发明内容
针对上述现有技术中存在的缺陷，本发明提供一种3D芯片测试分析方法，包括以下步骤：
步骤1，收集第一时间步的3D芯片的多物理量测试数据，所述多物理量包括在3D芯片内部各层的每个物理量的数据，所述物理量包括电压、电流、温度；
步骤2，将历史时间步获取的多物理量测试数据和第一时间步的多物理量测试数据转换为多个第一时间步图像数据，所述多个第一时间步图像数据分别对应不同的测试物理量；
其中，历史时间步获取的多物理量测试数据和第一时间步的多物理量测试数据均为3D芯片内部三维空间内关键位置的物理量测试数据，将所述3D芯片内部三维空间内关键位置的物理量测试数据转化为张量向量后，再根据时间步序列组合成第一时间步图像数据，所述第一时间步图像数据为2D图像数据；
步骤3，使用时间序列分析模型对所有物理量的第一时间步数据图像进行预测，获得对每个物理量在第二时间步的预测数据序列，所述第二时间步为第一时间步的下一时间步；
步骤4，在第二时间步，收集所有实时物理量测试数据转换为对应物理量的第二时间步数据序列；
步骤5，基于所有物理量的第二时间步的预测数据序列和第二时间步数据序列，确定所有物理量的差分映射序列；
步骤6，基于所有物理量的差分映射序列，确定测试状态异常类型；
步骤7，根据状态异常类型选择异常序列分析模型，基于所述异常序列分析模型输入数据中的测试物理量类型选择对应物理量的第一时间步图像数据和第二时间步数据序列确定测试异常概率，以及基于所述选择的对应的物理量的差分异常序列确定可疑关键位置；
步骤8，得到所述3D芯片的最终测试分析结果，包括向测试用户输出测试异常类型和对应的测试异常概率，以及对应的可疑关键位置。
其中，收集3D芯片中的电压和电流数据并将其转换为图像数据，包括：
在芯片的电源供应线路上安装传感器监测电压和电流，监测和记录电压和电流的变化；
将所述传感器的模拟输出信号通过模数转换器ADC转换为数字信号，将数据记录在时间序列数据库中；
将记录的电压和电流数据转换为对应的图像数据，包括将电压/电流数据作为2D图像的两个通道，其中图像的每一行代表一个时间点，每一列代表一个传感器，图像的每个像素点的亮度代表该时刻该传感器的电压或电流。
其中，收集3D芯片中的温度数据并将其转换为图像数据，包括：
通过集成到芯片的不同关键位置的传感器进行温度测量；
所述传感器的模拟输出信号需要通过ADC转换为数字信号，将数据记录在一个时间序列数据库中；
将记录的温度数据转换为图像数据，包括将温度数据作为2D图像的通道，其中图像的每一行代表一个时间点，每一列代表一个关键位置的传感器，图像的每个像素点的亮度代表该时刻温度传感器的测量值。
其中，构建三个独立的ConvLSTM模型分别对所述的电压、电流、温度的2D图像数据预测下一时间步的电压、电流、温度数据。
其中，所述步骤4中收集所有实时物理量测试数据转换为对应物理量的第二时间步数据序列，包括：
在第二时间步，在3D芯片中收集电压和电流数据并通过模数转换器ADC转换为数字信号，将数据记录在对电压和电流的第二时间步数据序列中；以及，在3D芯片中收集温度数据并通过ADC转换为数字信号后记录存储在对温度的第二时间步数据序列中。
其中，在步骤5中，基于所有物理量的第二时间步的预测数据序列和第二时间步数据序列，确定所有物理量的差分映射序列，包括：
通过将第二时间步的实时物理量测试数据和第二时间步的预测数据进行差值比较，获取所述关键位置对于各测量物理量的差分值；
然后，基于对测量物理量电压、测量物理量电流和测量物理量温度各自的映射函数，将上述差分值映射到-1到1的区间，得到了3D芯片内所有关键节点对每个物理量的差分映射值；
将对于同一测量物理量差分映射值按照关键节点的位置i排序组成对于所述同一测量物理量的差分映射序列。
其中，所述测量物理量电压的映射函数f(V_pred,V_actual)为：
，
其中，
V_pred：电压第二时间步的预测电压数据序列；
V_actual：电压第二时间步的实际电压数据序列；
tanh函数为双曲正切函数，输出值在-1到1之间。
其中，所述测量物理量电流的映射函数f(I_pred[i],I_actual[i])为：
f(I_pred[i],I_actual[i])=tanh((I_actual[i]-I_pred[i])/(0.01+abs(I_actual[i])))，
其中，
I_pred[i]：电流第二时间步的预测数据序列的第i个元素；
I_actual[i]：电流第二时间步数据序列的第i个元素；
tanh：双曲正切函数，输出值在-1到1之间；
abs函数为绝对值函数。
其中，所述测量物理量温度的映射函数f(T_pred[i],T_actual[i])为区间函数，具体为：
当T_actual[i]小于T_std时：
；
当T_actual[i]在T_std和T_max之间时：
f(T_pred[i],T_actual[i])=2/(1+exp(-((T_actual[i]-T_pred[i])/(T_max-T_std))))–1；
当T_actual[i]大于T_max时：
f(T_pred[i],T_actual[i])=2/(1+exp(-((T_actual[i]-T_pred[i])/((T_max-T_std)/2))))–1；
其中：
T_pred[i]：温度第二时间步的预测数据序列的第i个元素；
T_actual[i]：温度第二时间步数据序列的第i个元素；
T_std：3D芯片正常工作温度的标准值；
T_max：3D芯片正常工作温度的最大阈值；
函数exp(x)是指数函数，以自然对数的底数e为底的指数函数。
其中，基于所有物理量的差分映射序列，确定测试状态异常类型，其中，所述状态异常类型包括：电压偏移、静态电流突增、功耗异常、热电偏差、热电流不匹配、电压-电流-温度失配异常、功耗-温度异常、热敏电流异常；
对于电压偏移和静态电流突增，使用单通道2DCNN进行异常类型的预测概率；
对于功耗异常、热电偏差和热电流不匹配，使用双通道2DCNN进行异常类型的预测概率；
对于电压-电流-温度失配异常、功耗-温度异常和热敏电流异常，使用三通道2DCNN用进行预测概率。
其中，根据状态异常类型选择异常序列分析模型，基于所述选择的对应的物理量的差分异常序列确定可疑关键位置，包括：
对于每一个关键位置，计算在所有选择的对应的物理量的差分异常序列中，所述关键位置的在序列中对应位置i的差分映射值的绝对值之和，作为所述关键位置对于所确定的异常类型的异常分数；比较所述异常分数和设定的异常阈值，将所述异常分数大于异常阈值的关键位置识别确定为可疑关键位置。
本发明还公开了一种3D芯片测试分析系统，所述系统包括处理器和存储器，所述存储器上存储有程序代码，所述处理器用于执行所述程序代码以实现前述的3D芯片测试分析方法。
本发明通过结合时间序列信息和多物理量之间的相关性，能更准确地判断出3D芯片的状态。同时通过对每个物理量在每个时间步的预测数据序列和实时数据序列进行差分映射，更可靠地识别出可能存在的问题和关键位置。通过结合时间序列分析模型和异常序列分析模型，本发明能提高对3D芯片进行智能测试的表现效果。
附图说明
通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是示出根据本发明实施例的一种3D芯片测试分析方法 的流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述……，但这些……不应限于这些术语。这些术语仅用来将……区分开。例如，在不脱离本发明实施例范围的情况下，第一……也可以被称为第二……，类似地，第二……也可以被称为第一……。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测（陈述的条件或事件）”可以被解释成为“当确定时”或“响应于确定”或“当检测（陈述的条件或事件）时”或“响应于检测（陈述的条件或事件）”。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者装置中还存在另外的相同要素。
传统的测试方法难以同时有效地利用数据的时间序列信息和不同物理量之间的相关性，这可能导致对芯片状态的判断不够准确。
本发明通过将多物理量的测试数据转换为图像数据，然后使用时间序列分析模型进行预测，能够有效地捕捉到数据中的时间序列信息。此外，本发明还通过计算所有物理量的差分映射序列，并基于这些序列来确定测试状态异常类型，能够有效地利用不同物理量之间的相关性。
如图1所示，本发明公开了一种3D芯片测试分析方法，包括：
步骤1，收集第一时间步的3D芯片的多物理量测试数据，所述多物理量包括在3D芯片内部各层的每个物理量的数据，所述物理量包括电压、电流、温度；
步骤2，将历史时间步获取的多物理量测试数据和第一时间步的多物理量测试数据转换为多个第一时间步图像数据，所述多个第一时间步图像数据分别对应不同的测试物理量；
其中，历史时间步获取的多物理量测试数据和第一时间步的多物理量测试数据均为3D芯片内部三维空间内关键位置的物理量测试数据，将所述3D芯片内部三维空间内关键位置的物理量测试数据转化为张量向量后，再根据时间步序列组合成第一时间步图像数据，所述第一时间步图像数据为2D图像数据；
步骤3，使用时间序列分析模型对所有物理量的第一时间步数据图像进行预测，获得对每个物理量在第二时间步的预测数据序列，所述第二时间步为第一时间步的下一时间步。
步骤4，在第二时间步，收集所有实时物理量测试数据转换为对应物理量的第二时间步数据序列。
步骤5，基于所有物理量的第二时间步的预测数据序列和第二时间步数据序列，确定所有物理量的差分映射序列。
步骤6，基于所有物理量的差分映射序列，确定测试状态异常类型。
步骤7，根据状态异常类型选择异常序列分析模型，基于所述异常序列分析模型输入数据中的测试物理量类型选择对应物理量的第一时间步图像数据和第二时间步数据序列确定测试异常概率，以及基于所述选择的对应的物理量的差分异常序列确定可疑关键位置。
步骤8，得到所述3D芯片的最终测试分析结果，包括向测试用户输出测试异常类型和对应的测试异常概率，以及对应的可疑关键位置。
本发明通过结合时间序列信息和多物理量之间的相关性，能更准确地判断出3D芯片的状态。同时通过对每个物理量在每个时间步的预测数据序列和实时数据序列进行差分映射，更可靠地识别出可能存在的问题和关键位置。通过结合时间序列分析模型和异常序列分析模型，本发明能提高对3D芯片进行智能测试的表现效果。
在某一实施例中，收集3D芯片中的电压和电流数据并将其转换为图像数据包括：
在芯片的电源供应线路上安装传感器监测电压和电流，包括在芯片内部的关键节点安装传感器。传感器可以是微小的集成电路，它们能够连续地监测和记录电压和电流的变化。
所述传感器为电压/电流传感器或者电源监控器，所述传感器可以同时监控电源线上的电压和电流，并将这些数据以模拟或数字形式输出。所述传感器为集成电路（IC）型的电源监控器，用于同时提供电压和电流的实时测量。
传感器的模拟输出信号需要通过模数转换器ADC转换为数字信号，将数据记录在时间序列数据库中。
将记录的电压和电流数据转换为图像数据，包括将电压/电流数据作为2D图像的两个通道，其中图像的每一行代表一个时间点，每一列代表一个传感器。图像的每个像素点的亮度代表该时刻该传感器的电压或电流。
收集3D芯片中的温度数据并将其转换为图像数据，包括：
在3D芯片中收集热数据。其中，温度可以通过热敏电阻或热敏电容等传感器进行测量。这些传感器可以被集成到芯片的不同关键位置，以监测和记录芯片在运行过程中的热分布和变化。
传感器的模拟输出信号需要通过ADC转换为数字信号，记录数字信号，类似地，也将数据记录在一个时间序列数据库中。将记录的热数据转换为图像数据，将这些数据作为2D图像的通道，其中图像的每一行代表一个时间点，每一列代表一个关键位置的传感器，图像的每个像素点的亮度代表该时刻温度传感器的测量值。
可见，在历史时间步获取的物理量测试数据和第一时间步的物理量测试数据均为3D芯片内部三维空间内关键位置的物理量测试数据。即每一时间步（包括当前和历史的时间步）所获取的3D芯片的任一物理量（电压、电流、温度）测试数据都是一个对应到三维空间的数据矩阵，该数据矩阵作为三维输入时包含过多的冗余信息，且不能体现物理测试量在不同时间步上的时间变化特征，而如果用三维空间数据再组合时间序列维度的信息，则变成了四维空间的数据，造成了模型训练和在线阶段的计算量大大增加，降低了3D芯片测试分析的效率，提高了测试成本。
因此，本发明将所述3D芯片内部三维空间内关键位置的物理量测试数据转化为张量向量后，再根据时间步序列组合成第一时间步图像数据。即2D图像的每一行代表一个时间点，每一列代表一个关键位置的传感器。每一行对应不同关键位置在某一时间点（步）的测试数据，即在该时间步的张量向量，再将所述张量向量组合成2D图像数据。这时所述2D图像数据不仅可以体现在3D芯片内三维空间的不同层和不同位置的对不同物理量的测试量，还可以体现物理测试量的时序特性。
在某一实施例中，在所述电压、电流、温度2D图像数据中，每一行的数据代表同一时间点的采样结果。不同类型的测试物理量（电压、电流、温度）的采样过程是同步进行的，各测试物理量采样时钟是对齐的。对不同测量物理量的2D图像数据中每一行的每个对应位置数据，所有的测量物理量都是在同一时间点测量的，且对于每一物理量的传感器所在的关键位置在3D芯片内是接近的，在模型中可以近似地将同一关键位置的不同传感器认定为位置相同，以确保对同一关键位置的不同物理量的测量数据在空间和时间一致性。
在某一实施例中，使用卷积LSTM（ConvLSTM）对所述的电压、电流、温度的2D图像数据预测下一时间步的电压、电流、温度数据，ConvLSTM在每个时间步都会应用一个卷积操作，将卷积操作引入到LSTM中。
ConvLSTM包括一个输入层、一个或多个隐藏层和一个输出层。ConvLSTM的每个隐藏层都由一组ConvLSTM单元组成。每个ConvLSTM单元会接收前一个时间步的隐藏状态和当前时间步的输入，然后计算出当前时间步的隐藏状态和输出。
在ConvLSTM模型中，输入数据可以是最近N个时刻的测试2D矩阵。本发明的单个物理量测量表示的2D矩阵的每行代表一个采样时间，每列代表一个关键位置的物理量数据。在每个时间步，ConvLSTM模型会接收一个形状为(N,num_keypoints)的2D矩阵作为输入，其中N是最近的时间步数，num_keypoints是关键位置的数量。
对于输出，ConvLSTM模型会预测未来的时间步的每个关键点的数值。具体地，如果训练模型预测未来T个时间步的数据，那么在每个时间步，ConvLSTM会输出一个形状为(T,num_keypoints)的2D矩阵，其中M是预测的未来的时间步数，num_keypoints是关键点的数量。这个2D矩阵包含了模型对未来T个时间步每个关键点的预测值。本发明中T=1，即本发明的ConvLSTM模型预测的是未来最近的一个时间步的各个关键点的物理量。
使用反向传播算法和梯度下降优化器训练ConvLSTM，包括初始化网络的权重和偏置，然后在每个时间步，向前传播输入，计算出输出，并与真实值计算出误差。然后，反向传播这个误差，更新网络的权重和偏置。这个过程会反复进行，直到网络的误差达到一个可接受的范围。
在预测阶段，将与训练数据具有相同空间物理量的2D图像数据输入到训练好的ConvLSTM模型中，然后模型会输出预测值。
在某一实施例中，对每种类型的数据（电压、电流、温度）进行单独预测，构建三个独立的ConvLSTM模型，每个模型用于一种类型的预测。
在某一实施例中，当历史采样时间点超过ConvLSTM模型的输入物理量时，采用滑动窗口，假设输入数据为(N,num_keypoints)的2D图像数据，其中N代表N个采样时间点，num_keypoints表示num_keypoints个3D芯片内的关键位置，滑动窗口是指只考虑最近的N个时间点的数据，包括当前的测试输入N作为最后一行，而除当前时刻以外的最近的历史时间点作为第1到第N-1行，形成每个类型输入的2D图像数据。
当历史采样时间点不足时，在实际测试数据之前插全0值的行，例如，如果当前时间步为第K次采样，K<N，则将全部K次采样的测试数据作为第（N-K+1）到第N行，将第1到第N-K行补足为全0。
在某一实施例中，所述步骤4中收集所有实时物理量测试数据转换为对应物理量的第二时间步数据序列，包括得到对测量物理量电压、电流和温度的第二时间步数据序列，具体为：
在第二时间步，在3D芯片中收集电压和电流数据，包括通过3D芯片内部的关键节点安装的传感器收集第二时间步的电压和电流数据。传感器的模拟输出信号需要通过模数转换器ADC转换为数字信号，将数据记录在对电压和电流的第二时间步数据序列中。
在3D芯片中收集温度数据，包括在第二时间步，使用热敏电阻或热敏电容在3D芯片的关键位置收集温度数据。传感器的模拟输出信号将通过ADC转换为数字信号。记录数字信号将被记录存储在对温度的第二时间步数据序列中。
在某一实施例中，在步骤5中，基于所有物理量的第二时间步的预测数据序列和第二时间步数据序列，确定所有物理量的差分映射序列，包括：
使用第二时间步收集的实时物理量测试数据，以及在步骤3中生成的预测数据，来确定所有物理量的差分映射序列。
对于同一关键位置，其的预测值和测量值在两个序列的位置i相同。通过将第二时间步的实时物理量测试数据和第二时间步的预测数据进行差值比较，获取该关键位置对于该测量物理量的差分值。
然后，基于对测量物理量电压、电流和温度各自的映射函数，将上述差分值映射到-1到1的区间，得到了3D芯片内所有关键节点对每个对应测量物理量的差分映射值。
将对于同一测量物理量差分映射值按照关键节点的位置i排序组成对于所述同一测量物理量的差分映射序列。
在某一实施例中，所述测量物理量电压的映射函数f(V_pred,V_actual)为：
，
其中，
V_pred：电压第二时间步的预测电压数据序列。
V_actual：电压第二时间步的实际电压数据序列。
tanh函数为双曲正切函数，输出值在-1到1之间。
(V_actual-V_pred)用于表示实际电压相对于预测电压的高低，e^(-V_actual)作用于当电压值越接近0时，函数的敏感性越高。
在某一实施例中，所述测量物理量电流的映射函数f(I_pred[i],I_actual[i])为：
f(I_pred[i],I_actual[i])=tanh((I_actual[i]-I_pred[i])/(0.01+abs(I_actual[i])))，
其中，
I_pred[i]：电流第二时间步的预测数据序列的第i个元素。
I_actual[i]：电流第二时间步数据序列的第i个元素。
tanh：双曲正切函数，输出值在-1到1之间。
abs函数为绝对值函数。
对于(I_actual[i]-I_pred[i])/(0.01+abs(I_actual[i]))，如果实际电流值和预测电流值之间的差异越大，那么函数值越接近-1或1。同时，当实际电流值越接近0时，函数的敏感性增加。
对电压和电流使用不同的映射函数可以增强分析模型的表现力，有助于提高数据分析的精确度。
在某一实施例中，所述测量物理量温度的映射函数f(T_pred[i],T_actual[i])为区间函数，具体为：
当T_actual[i]小于T_std时：
，
当T_actual[i]在T_std和T_max之间时：
f(T_pred[i],T_actual[i])=2/(1+exp(-((T_actual[i]-T_pred[i])/(T_max-T_std))))–1，
当T_actual[i]大于T_max时：
f(T_pred[i],T_actual[i])=2/(1+exp(-((T_actual[i]-T_pred[i])/((T_max-T_std)/2))))–1，
其中：
T_pred[i]：温度第二时间步的预测数据序列的第i个元素。
T_actual[i]：温度第二时间步数据序列的第i个元素。
T_std：3D芯片正常工作温度的标准值（例如可以是温度阈值的中间值）。
T_max：3D芯片正常工作温度的最大阈值。
函数exp(x)是指数函数，以自然对数的底数e为底的指数函数。
其中，通过调整exp函数内部表达式的参数实现不同的温度区间实现不同的敏感度。函数在T<T_std表现出较低的敏感度，而在-T_std<=T<=T_max的区间表现出较高的敏感度，在T>T_max的区间表现出最高的敏感性。
在某一实施例中，步骤6中基于所有物理量的差分映射序列，确定测试状态异常类型，包括基于多分类的深度学习模型如神经网络分类器来实现。所述模型基于所有物理量的差分映射序列，对测试状态的异常类型进行确定包括：
数据预处理：每个物理量（电压、电流和温度）的差分序列长度为num_keypoints，构成的输入特征矩阵的维度为。
构建深度神经网络模型，模型的结构可以包含多个全连接层，每层之后都有一个激活函数，最后一层是Softmax层，用于输出每个异常类型的概率。
使用优化器SGD，并配合一个多分类损失函数（如交叉矩熵损失函数）进行模型训练。训练过程中，需要输入训练数据（差分映射序列和对应的异常类型），并通过反向传播和梯度下降法更新模型参数。模型训练完成后，输入新的差分映射序列，模型将预测其对应的3D芯片的状态异常类型。模型的输出是每种状态异常类型的概率，选择概率最高的状态异常类型作为预测结果。
在某一实施例中，状态异常类型包括但不限于：“电压偏移”、“静态电流突增”、“功耗异常”、“热电偏差”、“热电流不匹配”、“电压-电流-温度失配异常”、“功耗-温度异常”、“热敏电流异常”。
在某一实施例中，根据状态异常类型选择异常序列分析模型，基于所述异常序列分析模型输入数据中的测试物理量类型选择对应物理量的第一时间步图像数据和第二时间步数据序列，包括确定异常序列分析模型和对应物理量。
对于每一异常类型，对于不同的异常序列分析模型的选择，选择概率最高的异常类型作为预测结果，并选择概率最高的异常类型对应的异常序列分析模型。
在某一实施例中，不同的异常序列分析模型的输入是不同的，基于异常类型的特点确定所需的不同的测试物理量类型，包括：
“电压偏移”：只根据电压分析的异常。由于制程偏差或者其他硬件问题，3D芯片在运行过程中，实际工作电压偏离了设计电压，导致芯片性能下降或者功能失效。
“静态电流突增”：只根据电流分析的异常。由于芯片内部短路或者其他问题，静态电流（即芯片在待机状态下的电流）突然增加，这可能引发芯片过热或者降低电池寿命。
“功耗异常”：根据电压和电流分析的异常。3D芯片的功耗（电压和电流的乘积）异常增高，这可能是由于芯片内部存在漏电或过热等问题。
“热电偏差”：根据温度和电压分析的异常。如果芯片在温度升高的情况下，工作电压没有相应下降（因为芯片的工作电压通常会随着温度的升高而下降），这可能是由于芯片的热电特性出现了问题。
“热电流不匹配”：根据温度和电流分析的异常。在芯片温度升高的情况下，如果电流没有相应增加（芯片的电流通常会随着温度的升高而增加），那么可能是芯片的功率管理系统出现了问题。
“电压-电流-温度失配异常”：根据电压、电流和温度分析的异常。如果芯片在温度上升的情况下，电流没有增加或者电压没有降低，这可能表明芯片的热管理系统或者电源管理系统存在问题。
“功耗-温度异常”：根据电压、电流和温度分析的异常。当芯片的功耗（电压和电流的乘积）与芯片的温度升高不成比例，可能表明芯片的冷却系统或热管理系统出现问题。
“热敏电流异常”：根据电压、电流和温度分析的异常。芯片内的某部分可能会产生与温度变化敏感的电流变化。如果在温度升高的情况下，这部分的电流没有按预期变化，可能表明芯片内部存在缺陷。
在某一实施例中，根据状态异常类型选择异常序列分析模型，基于所述异常序列分析模型输入数据中的测试物理量类型选择对应物理量的第一时间步图像数据和第二时间步数据序列确定测试异常概率，包括将第二时间步数据序列拼接在第一时间步图像数据的最后一行之后，拼接后的数据为形状为(N+1,num_keypoints)的2D矩阵，其中N+1是包括第二时间步在内的最近（N+1）个时间步数，num_keypoints是关键位置的数量。
在某一实施例中，根据状态异常类型选择异常序列分析模型，基于所述异常序列分析模型输入数据中的测试物理量类型选择对应物理量的第一时间步图像数据和第二时间步数据序列确定测试异常概率，包括根据如下方式在确定异常状态类型后选择对应的测试物理量：
由于每个物理量（例如电压、电流和温度）都对应一个二维图像序列，以下是各自异常序列分析模型的选择和输入组合方式：
对于电压偏移和静态电流突增，这两种异常都只涉及到一个物理量（电压或电流），因此可以选择使用二维卷积神经网络（2DCNN）来处理。单通道2DCNN用于处理只涉及一个物理量的异常检测任务。模型接收一个通道的2D图像序列作为输入，这些图像通过一系列的卷积层和池化层进行处理，最后通过全连接层输出对应异常类型的预测概率。
对于功耗异常、热电偏差和热电流不匹配，这些异常都涉及到两个物理量的组合（电压和电流，温度和电压，温度和电流），因此可以选择使用多通道的二维卷积神经网络来处理。输入数据为两个通道的2D图像序列。双通道2DCNN用于处理涉及两个物理量的异常检测任务。模型接收两个通道的2D图像序列作为输入，这些图像分别通过一系列的卷积层和池化层进行处理，然后将处理后的特征通过连接层合并在一起，最后通过全连接层输出对于该异常类型的预测概率。
对于电压-电流-温度失配异常、功耗-温度异常和热敏电流异常，这些异常涉及到三个物理量的组合（电压、电流和温度），因此可以选择使用多通道的二维卷积神经网络来处理，输入数据为三个通道的2D图像序列。三通道2DCNN用于处理涉及三个物理量的异常检测任务。模型接收三个通道的2D图像序列作为输入，这些图像分别通过一系列的卷积层和池化层进行处理，然后将处理后的特征通过连接层合并在一起，最后通过全连接层输出一个预测概率。
在某一实施例中，根据状态异常类型选择异常序列分析模型，基于所述选择的对应的物理量的差分异常序列确定可疑关键位置，包括：
对于每一个关键位置，计算在所有选择的对应的物理量的差分异常序列中，所述关键位置的在序列中对应位置i的差分映射值的绝对值之和，作为所述关键位置对于所确定的异常类型的异常分数。
比较所述异常分数和设定的异常阈值，将所述异常分数大于异常阈值的关键位置识别确定为可疑关键位置。
在某一实施例中，对待测试的3D芯片创建一个交互式的3D模型，测试用户可以对其进行旋转、放大、缩小等操作，以便从不同的角度查看可疑的关键位置。
用颜色或大小不同的标记来表示可疑的关键位置。例如绿色为正常位置，红色为可疑关键位置。同时，在界面上列出确定的异常类型以及对应的异常概率，帮助测试人员快速地了解哪些异常类型的可能性较高，从而确定下一步的测试策略。
本发明通过结合时间序列信息和多物理量之间的相关性，能更准确地判断出3D芯片的状态。同时通过对每个物理量在每个时间步的预测数据序列和实时数据序列进行差分映射，更可靠地识别出可能存在的问题和关键位置。通过结合时间序列分析模型和异常序列分析模型，本发明能提高对3D芯片进行智能测试的表现效果。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
以上介绍了本发明的较佳实施方式，旨在使得本发明的精神更加清楚和便于理解，并不是为了限制本发明，凡在本发明的精神和原则之内，所做的修改、替换、改进，均应包含在本发明所附的权利要求概括的保护范围之内。
Claims (12)
1.一种3D芯片测试分析方法，包括以下步骤：
步骤1，收集第一时间步的3D芯片的多物理量测试数据，所述多物理量包括在3D芯片内部各层的每个物理量的数据，所述物理量包括电压、电流、温度；
步骤2，将历史时间步获取的多物理量测试数据和第一时间步的多物理量测试数据转换为多个第一时间步图像数据，所述多个第一时间步图像数据分别对应不同的测试物理量；
其中，历史时间步获取的多物理量测试数据和第一时间步的多物理量测试数据均为3D芯片内部三维空间内关键位置的物理量测试数据，将所述3D芯片内部三维空间内关键位置的物理量测试数据转化为张量向量后，再根据时间步序列组合成第一时间步图像数据，所述第一时间步图像数据为2D图像数据；
其中，对于每一物理量，将记录的一种物理量的时序数据转换为图像数据，包括将物理量数据作为2D图像的通道，其中所述2D图像的每一行代表一个时间点，每一列代表一个关键位置的物理量检测的传感器，图像的每个像素点的亮度代表对应时间点上该物理量检测传感器的检测值；
步骤3，使用时间序列分析模型对所有物理量的第一时间步数据图像进行预测，获得对每个物理量在第二时间步的预测数据序列，所述第二时间步为第一时间步的下一时间步；
步骤4，在第二时间步，收集所有实时物理量测试数据转换为对应物理量的第二时间步数据序列；
步骤5，基于所有物理量的第二时间步的预测数据序列和第二时间步数据序列，确定所有物理量的差分映射序列；
步骤6，基于所有物理量的差分映射序列，确定测试状态异常类型；
步骤7，根据状态异常类型选择异常序列分析模型，基于所述异常序列分析模型输入数据中的测试物理量类型选择对应物理量的第一时间步图像数据和第二时间步数据序列确定测试异常概率，以及基于所述选择的对应的物理量的差分异常序列确定可疑关键位置；
步骤8，得到所述3D芯片的最终测试分析结果，包括向测试用户输出测试异常类型和对应的测试异常概率，以及对应的可疑关键位置。
2.如权利要求1所述的一种3D芯片测试分析方法，其特征在于，收集3D芯片中的电压和电流数据并将其转换为图像数据，包括：
在芯片的电源供应线路上安装传感器监测电压和电流，监测和记录电压和电流的变化；
将所述传感器的模拟输出信号通过模数转换器ADC转换为数字信号，将数据记录在时间序列数据库中；
将记录的电压和电流数据转换为对应的图像数据，包括将电压/电流数据作为2D图像的两个通道，其中图像的每一行代表一个时间点，每一列代表一个传感器，图像的每个像素点的亮度代表对应时间点上该传感器的电压或电流。
3.如权利要求1所述的一种3D芯片测试分析方法，其特征在于，收集3D芯片中的温度数据并将其转换为图像数据，包括：
通过集成到芯片的不同关键位置的传感器进行温度测量；
所述传感器的模拟输出信号需要通过ADC转换为数字信号，将数据记录在一个时间序列数据库中；
将记录的温度数据转换为图像数据，包括将温度数据作为2D图像的通道，其中图像的每一行代表一个时间点，每一列代表一个关键位置的传感器，图像的每个像素点的亮度代表对应时间点上温度传感器的测量值。
4.如权利要求1所述的一种3D芯片测试分析方法，其特征在于，构建三个独立的ConvLSTM模型分别对所述的电压、电流、温度的2D图像数据预测下一时间步的电压、电流、温度数据。
5.如权利要求1所述的一种3D芯片测试分析方法，其特征在于，所述步骤4中收集所有实时物理量测试数据转换为对应物理量的第二时间步数据序列，包括：
在第二时间步，在3D芯片中收集电压和电流数据并通过模数转换器ADC转换为数字信号，将数据记录在对电压和电流的第二时间步数据序列中；以及，在3D芯片中收集温度数据并通过ADC转换为数字信号后记录存储在对温度的第二时间步数据序列中。
6.如权利要求1所述的一种3D芯片测试分析方法，其特征在于，在步骤5中，基于所有物理量的第二时间步的预测数据序列和第二时间步数据序列，确定所有物理量的差分映射序列，包括：
通过将第二时间步的实时物理量测试数据和第二时间步的预测数据进行差值比较，获取所述关键位置对于测量物理量的差分值；
然后，基于对测量物理量电压、测量物理量电流和测量物理量温度各自的映射函数，将上述差分值映射到-1到1的区间，得到了3D芯片内所有关键节点对每个物理量的差分映射值；
将对于同一测量物理量差分映射值按照关键节点的位置i排序组成对于所述同一测量物理量的差分映射序列。
7.如权利要求6所述的一种3D芯片测试分析方法，其特征在于，所述测量物理量电压的映射函数f(V_pred,V_actual)为：
，
其中，
V_pred：电压第二时间步的预测电压数据序列；
V_actual：电压第二时间步的实际电压数据序列；
tanh函数为双曲正切函数，输出值在-1到1之间。
8.如权利要求6所述的一种3D芯片测试分析方法，其特征在于，所述测量物理量电流的映射函数f(I_pred[i],I_actual[i])为：
f(I_pred[i],I_actual[i])=tanh((I_actual[i]-I_pred[i])/(0.01+abs(I_actual[i])))，
其中，
I_pred[i]：电流第二时间步的预测数据序列的第i个元素；
I_actual[i]：电流第二时间步数据序列的第i个元素；
tanh：双曲正切函数，输出值在-1到1之间；
abs函数为绝对值函数。
9.如权利要求6所述的一种3D芯片测试分析方法，其特征在于，所述测量物理量温度的映射函数f(T_pred[i],T_actual[i])为区间函数，具体为：
当T_actual[i]小于T_std时：
；
当T_actual[i]在T_std和T_max之间时：
f(T_pred[i],T_actual[i])=2/(1+exp(-((T_actual[i]-T_pred[i])/(T_max-T_std))))–1；
当T_actual[i]大于T_max时：
f(T_pred[i],T_actual[i])=2/(1+exp(-((T_actual[i]-T_pred[i])/((T_max-T_std)/2))))–1；
其中：
T_pred[i]：温度第二时间步的预测数据序列的第i个元素；
T_actual[i]：温度第二时间步数据序列的第i个元素；
T_std：3D芯片正常工作温度的标准值；
T_max：3D芯片正常工作温度的最大阈值；
函数exp(x)是指数函数，以自然对数的底数e为底的指数函数。
10.如权利要求1所述的一种3D芯片测试分析方法，其特征在于，基于所有物理量的差分映射序列，确定测试状态异常类型，其中，所述状态异常类型包括：电压偏移、静态电流突增、功耗异常、热电偏差、热电流不匹配、电压-电流-温度失配异常、功耗-温度异常、热敏电流异常；
对于电压偏移和静态电流突增，使用单通道2DCNN进行异常类型的预测概率；
对于功耗异常、热电偏差和热电流不匹配，使用双通道2DCNN进行异常类型的预测概率；
对于电压-电流-温度失配异常、功耗-温度异常和热敏电流异常，使用三通道2DCNN用进行预测概率。
11.如权利要求1所述的一种3D芯片测试分析方法，其特征在于，根据状态异常类型选择异常序列分析模型，基于所述选择的对应的物理量的差分异常序列确定可疑关键位置，包括：
对于每一个关键位置，计算在所有选择的对应的物理量的差分异常序列中，所述关键位置的在序列中对应位置i的差分映射值的绝对值之和，作为所述关键位置对于所确定的异常类型的异常分数；比较所述异常分数和设定的异常阈值，将所述异常分数大于异常阈值的关键位置识别确定为可疑关键位置。
12.一种3D芯片测试分析系统，所述系统包括处理器和存储器，所述存储器上存储有程序代码，所述处理器用于执行所述程序代码以实现权利要求1-11任一项所述的3D芯片测试分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311330837.8A CN117074925B (zh) | 2023-10-16 | 2023-10-16 | 一种3d芯片测试分析方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311330837.8A CN117074925B (zh) | 2023-10-16 | 2023-10-16 | 一种3d芯片测试分析方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117074925A CN117074925A (zh) | 2023-11-17 |
| CN117074925B true CN117074925B (zh) | 2023-12-29 |
Family
ID=88717528
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311330837.8A Active CN117074925B (zh) | 2023-10-16 | 2023-10-16 | 一种3d芯片测试分析方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117074925B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117827466B (zh) * | 2024-03-04 | 2024-06-11 | 南京宁麒智能计算芯片研究院有限公司 | 一种多核芯片的动态温度管理方法及系统 |
| CN117971604A (zh) * | 2024-03-29 | 2024-05-03 | 此芯科技(上海)有限公司 | 一种静态电流预测方法、装置、存储介质及电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104182771A (zh) * | 2014-07-30 | 2014-12-03 | 北京航空航天大学 | 基于带丢包自动编码技术的时间序列数据图形化分析方法 |
| CN104699531A (zh) * | 2013-12-09 | 2015-06-10 | 超威半导体公司 | 3d芯片系统中的电压下降缓解 |
| CN114125338A (zh) * | 2021-12-13 | 2022-03-01 | 中国电子科技集团公司第四十四研究所 | 一种基于3d集成芯片的时序同步方法 |
| WO2022041198A1 (zh) * | 2020-08-31 | 2022-03-03 | 深圳大学 | 一种三维堆叠存储芯片的温度变化计算方法 |
| CN114325477A (zh) * | 2021-12-30 | 2022-04-12 | 西安紫光国芯半导体有限公司 | 三维芯片的测试方法、装置和系统 |
| CN116306411A (zh) * | 2023-03-14 | 2023-06-23 | 华中科技大学 | 一种三维堆叠芯片热仿真模型建立及热点温度预测方法 |
| CN116719684A (zh) * | 2023-08-11 | 2023-09-08 | 中诚华隆计算机技术有限公司 | 一种3d封装的芯片测试系统 |
| CN116860097A (zh) * | 2023-09-01 | 2023-10-10 | 中诚华隆计算机技术有限公司 | 一种3d芯片的自适应电源管理方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8922230B2 (en) * | 2011-05-11 | 2014-12-30 | Taiwan Semiconductor Manufacturing Company, Ltd. | 3D IC testing apparatus |
| US8701073B1 (en) * | 2012-09-28 | 2014-04-15 | Taiwan Semiconductor Manufacturing Co., Ltd. | System and method for across-chip thermal and power management in stacked IC designs |
-
2023
- 2023-10-16 CN CN202311330837.8A patent/CN117074925B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104699531A (zh) * | 2013-12-09 | 2015-06-10 | 超威半导体公司 | 3d芯片系统中的电压下降缓解 |
| CN104182771A (zh) * | 2014-07-30 | 2014-12-03 | 北京航空航天大学 | 基于带丢包自动编码技术的时间序列数据图形化分析方法 |
| WO2022041198A1 (zh) * | 2020-08-31 | 2022-03-03 | 深圳大学 | 一种三维堆叠存储芯片的温度变化计算方法 |
| CN114125338A (zh) * | 2021-12-13 | 2022-03-01 | 中国电子科技集团公司第四十四研究所 | 一种基于3d集成芯片的时序同步方法 |
| CN114325477A (zh) * | 2021-12-30 | 2022-04-12 | 西安紫光国芯半导体有限公司 | 三维芯片的测试方法、装置和系统 |
| CN116306411A (zh) * | 2023-03-14 | 2023-06-23 | 华中科技大学 | 一种三维堆叠芯片热仿真模型建立及热点温度预测方法 |
| CN116719684A (zh) * | 2023-08-11 | 2023-09-08 | 中诚华隆计算机技术有限公司 | 一种3d封装的芯片测试系统 |
| CN116860097A (zh) * | 2023-09-01 | 2023-10-10 | 中诚华隆计算机技术有限公司 | 一种3d芯片的自适应电源管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117074925A (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117074925B (zh) | 一种3d芯片测试分析方法和系统 | |
| US11921566B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
| US8682824B2 (en) | Method and device for monitoring the state of a facility | |
| EP1416348B1 (en) | Methodology for temporal fault event isolation and identification | |
| US8712929B1 (en) | Dynamic data filtering system and method | |
| US20170193372A1 (en) | Health Management Using Distances for Segmented Time Series | |
| CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
| CN102265227A (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
| CN111967535B (zh) | 一种储粮管理场景温度传感器故障诊断方法及其诊断装置 | |
| KR20190025474A (ko) | 플랜트 데이터 예측 장치 및 방법 | |
| CN112581719B (zh) | 基于时序生成对抗网络的半导体封装过程预警方法和装置 | |
| KR20190025473A (ko) | 플랜트 데이터 예측 장치 및 방법 | |
| KR20200005206A (ko) | 기계 학습 기반의 설비 이상 분류 시스템 및 방법 | |
| KR20200010671A (ko) | 기계 학습 기반의 설비 이상 진단 시스템 및 방법 | |
| CN117273489A (zh) | 光伏状态评估方法及装置 | |
| US20180018570A1 (en) | Information processing system, change point detection method, and recording medium | |
| CN116796275A (zh) | 一种工业设备多模态时序异常检测方法 | |
| CN111046331A (zh) | 一种基于信号异常的健康监控方法 | |
| CN116974268B (zh) | 一种控制系统电路智能化监测预警方法 | |
| CN116401137B (zh) | 一种芯粒健康状态预测方法、装置、电子设备及存储介质 | |
| Zheng et al. | Reliability analysis of multi-stage degradation with stage-varying noises based on the nonlinear Wiener process | |
| KR20180025447A (ko) | Dtwep 기반 제조공정의 이상탐지 방법 및 장치 | |
| CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
| Bhattacharyya et al. | Adaptive, online models to detect and estimate gross error in SPNDs | |
| KR102212022B1 (ko) | 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템 |
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 |