CN117434429B - 芯片的稳定性测试方法及相关装置 - Google Patents
芯片的稳定性测试方法及相关装置 Download PDFInfo
- Publication number
- CN117434429B CN117434429B CN202311763914.9A CN202311763914A CN117434429B CN 117434429 B CN117434429 B CN 117434429B CN 202311763914 A CN202311763914 A CN 202311763914A CN 117434429 B CN117434429 B CN 117434429B
- Authority
- CN
- China
- Prior art keywords
- chip
- parameter
- test data
- data
- stability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012430 stability testing Methods 0.000 title claims description 29
- 238000012360 testing method Methods 0.000 claims abstract description 308
- 239000013598 vector Substances 0.000 claims abstract description 127
- 238000004458 analytical method Methods 0.000 claims abstract description 125
- 238000011156 evaluation Methods 0.000 claims abstract description 64
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims description 61
- 230000015654 memory Effects 0.000 claims description 54
- 238000013145 classification model Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 21
- 238000012216 screening Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 241000283153 Cetacea Species 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 5
- 238000002864 sequence alignment Methods 0.000 claims description 4
- 238000010998 test method Methods 0.000 claims description 3
- 238000013112 stability test Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 27
- 239000000284 extract Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 239000000306 component Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000001351 cycling effect Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000013097 stability assessment Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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]
- G01R31/2855—Environmental, reliability or burn-in testing
- G01R31/2872—Environmental, reliability or burn-in testing related to electrical or environmental aspects, e.g. temperature, humidity, vibration, nuclear radiation
- G01R31/2874—Environmental, reliability or burn-in testing related to electrical or environmental aspects, e.g. temperature, humidity, vibration, nuclear radiation related to temperature
-
- 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)
- Environmental & Geological Engineering (AREA)
- Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明涉及芯片测试领域,公开了一种芯片的稳定性测试方法及相关装置,用于提高芯片的稳定性测试准确率。方法包括:基于温度循环测试数据对目标芯片进行温度循环测试,得到正温度梯度测试数据以及逆温度梯度测试数据;进行参数解析,得到第一芯片电压参数以及第一芯片电流参数,第二芯片电压参数以及第二芯片电流参数;进行参数特征提取,得到第一参数特征集合以及第二参数特征集合;对温度循环测试数据、第一参数特征集合以及第二参数特征集合进行向量编码和向量融合,得到目标稳定性评价向量;将目标稳定性评价向量输入预置的芯片稳定性分析模型进行芯片稳定性分析,得到目标稳定性分析结果。
Description
技术领域
本发明涉及芯片测试领域,尤其涉及一种芯片的稳定性测试方法及相关装置。
背景技术
在信息时代的快速发展和科技进步中,芯片作为电子设备的核心组成部分,承担着巨大的数据存储和处理任务。然而,由于环境条件的变化以及长电流使用带来的各种挑战,保障芯片的稳定性和可靠性成为科研和工业界的迫切需求。当前,芯片在各种应用场景下被广泛使用,包括智能手机、电脑、数据中心等领域,因此对其稳定性的要求更为严格。随着电子设备的不断升级和应用场景的多样化,芯片需要在更加极端和多变的环境中运行。高温、低温、湿度、机械振动等因素都对芯片的性能产生不利影响。为了确保芯片在各种极端条件下仍然能够稳定工作,科学家和工程师们迫切需要一种全面的、高效的稳定性测试方法。
传统的测试方法往往只关注于某一方面的性能测试,例如温度循环测试只关注芯片在不同温度下的反应,这些测试未能全面考虑芯片在温度变化下的性能参数的综合影响,进而导致现有方案的准确率低。
发明内容
本发明提供了一种芯片的稳定性测试方法及相关装置,用于提高芯片的稳定性测试准确率。
本发明第一方面提供了一种芯片的稳定性测试方法,所述芯片的稳定性测试方法包括:
基于预置的温度循环测试数据对目标芯片进行温度循环测试,得到原始芯片测试数据,并对所述原始芯片测试数据进行数据集分类,得到正温度梯度测试数据以及逆温度梯度测试数据;
对所述正温度梯度测试数据进行参数解析,得到第一芯片电压参数以及第一芯片电流参数,并对所述逆温度梯度测试数据进行参数解析,得到第二芯片电压参数以及第二芯片电流参数;
对所述第一芯片电压参数以及所述第一芯片电流参数进行参数特征提取,得到第一参数特征集合,并对所述第二芯片电压参数以及所述第二芯片电流参数进行参数特征提取,得到第二参数特征集合;
对所述温度循环测试数据、所述第一参数特征集合以及所述第二参数特征集合进行向量编码和向量融合,得到目标稳定性评价向量;
将所述目标稳定性评价向量输入预置的芯片稳定性分析模型进行芯片稳定性分析,得到目标稳定性分析结果。
结合第一方面,在本发明第一方面的第一种实现方式中,所述基于预置的温度循环测试数据对目标芯片进行温度循环测试,得到原始芯片测试数据,并对所述原始芯片测试数据进行数据集分类,得到正温度梯度测试数据以及逆温度梯度测试数据,包括:
基于预置的温度循环测试数据对目标芯片进行温度循环测试,并对所述目标芯片进行数据采集,得到原始芯片测试数据;
对所述温度循环测试数据进行测试策略解析,得到温度循环测试策略,其中,所温度循环测试策略包括温度范围、循环次数及循环速度;
基于所述温度范围、所述循环次数以及所述循环速度,对所述原始芯片测试数据进行数据集划分,得到初始正梯度测试数据以及初始逆梯度测试数据;
对所述初始正梯度测试数据以及所述初始逆梯度测试数据进行数据标准化处理,得到对应的正温度梯度测试数据以及逆温度梯度测试数据。
结合第一方面,在本发明第一方面的第二种实现方式中,所述对所述正温度梯度测试数据进行参数解析,得到第一芯片电压参数以及第一芯片电流参数,并对所述逆温度梯度测试数据进行参数解析,得到第二芯片电压参数以及第二芯片电流参数,包括:
将所述正温度梯度测试数据输入预置的第一参数分类模型,通过所述第一参数分类模型分别确定第一芯片电压参数中心以及第一芯片电流参数中心;
基于所述第一芯片电压参数中心,对所述正温度梯度测试数据中的多个第一测试数据点进行数据点距离计算,得到多个第一电压数据点距,并根据所述多个第一电压数据点距对所述多个第一测试数据点进行筛选,得到第一芯片电压参数;
基于所述第一芯片电流参数中心,对所述正温度梯度测试数据中的多个第一测试数据点进行数据点距离计算,得到多个第一电流数据点距,并根据所述多个第一电流数据点距对所述多个第一测试数据点进行筛选,得到第一芯片电流参数;
将所述逆温度梯度测试数据输入预置的第二参数分类模型,通过所述第二参数分类模型分别确定第二芯片电压参数中心以及第二芯片电流参数中心;
基于所述第二芯片电压参数中心,对所述逆温度梯度测试数据中的多个第二测试数据点进行数据点距离计算,得到多个第二电压数据点距,并根据所述多个第二电压数据点距对所述多个第二测试数据点进行筛选,得到第二芯片电压参数;
基于所述第二芯片电流参数中心,对所述逆温度梯度测试数据中的多个第二测试数据点进行数据点距离计算,得到多个第二电流数据点距,并根据所述多个第二电流数据点距对所述多个第二测试数据点进行筛选,得到第二芯片电流参数。
结合第一方面,在本发明第一方面的第三种实现方式中,所述对所述第一芯片电压参数以及所述第一芯片电流参数进行参数特征提取,得到第一参数特征集合,并对所述第二芯片电压参数以及所述第二芯片电流参数进行参数特征提取,得到第二参数特征集合,包括:
将所述第一芯片电压参数输入预置的第一长短时记忆网络,并通过所述第一长短时记忆网络对所述第一芯片电压参数进行时序特征值提取,得到多个第一芯片电压特征值;
将所述第一芯片电流参数输入预置的第二长短时记忆网络,并通过所述第二长短时记忆网络对所述第一芯片电流参数进行时序特征值提取,得到多个第一芯片电流特征值;
对所述多个第一芯片电压特征值以及所述多个第一芯片电流特征值进行特征集合转换,生成对应的第一参数特征集合;
将所述第二芯片电压参数输入预置的第一长短时记忆网络,并通过所述第一长短时记忆网络对所述第二芯片电压参数进行时序特征值提取,得到多个第二芯片电压特征值;
将所述第二芯片电流参数输入预置的第二长短时记忆网络,并通过所述第二长短时记忆网络对所述第二芯片电流参数进行时序特征值提取,得到多个第二芯片电流特征值;
对所述多个第二芯片电压特征值以及所述多个第二芯片电流特征值进行特征集合转换,生成对应的第二参数特征集合。
结合第一方面,在本发明第一方面的第四种实现方式中,所述对所述温度循环测试数据、所述第一参数特征集合以及所述第二参数特征集合进行向量编码和向量融合,得到目标稳定性评价向量,包括:
根据所述温度范围、所述循环次数及所述循环速度,分别对所述温度循环测试数据、所述第一参数特征集合以及所述第二参数特征集合进行特征分组,得到多个正温度参数特征序列以及多个逆温度参数特征序列;
分别对所述多个正温度参数特征序列以及所述多个逆温度参数特征序列进行时序关联以及时序对齐;
分别对所述多个正温度参数特征序列以及所述多个逆温度参数特征序列进行归一化处理和向量编码,得到多个正温度参数特征向量以及多个逆温度参数特征向量;
对所述多个正温度参数特征向量以及所述多个逆温度参数特征向量进行向量融合,生成目标稳定性评价向量。
结合第一方面,在本发明第一方面的第五种实现方式中,所述将所述目标稳定性评价向量输入预置的芯片稳定性分析模型进行芯片稳定性分析,得到目标稳定性分析结果,包括:
将所述目标稳定性评价向量输入预置的芯片稳定性分析模型,其中,所述芯片稳定性分析模型包括一个强分类器,所述强分类器由多个弱分类器组成,每个弱分类器包括卷积长短时记忆网络以及两层全连接网络;
分别通过所述弱分类器中的卷积长短时记忆网络,对所述目标稳定性评价向量进行隐藏特征提取,得到目标隐藏特征向量;
分别通过所述弱分类器中的两层全连接网络,对所述目标隐藏特征向量进行稳定性分析,得到每个弱分类器的初始稳定性分析结果;
获取所述强分类器中每个弱分类器对应的分类器权重数据,并基于所述分类器权重数据对每个弱分类器的初始稳定性分析结果进行加权融合,得到所述强分类器对应的目标稳定性分析结果。
结合第一方面,在本发明第一方面的第六种实现方式中,所述芯片的稳定性测试方法还包括:
基于所述目标稳定性分析结果,创建所述目标芯片对应的初始芯片参数优化方案;
通过预置的鲸鱼优化算法,对所述初始芯片参数优化方案进行群体初始化,得到多个第一芯片参数优化方案;
对所述多个第一芯片参数优化方案进行适应度计算,得到每个第一芯片参数优化方案对应的第一适应度数据,并计算所述第一适应度数据对应的适应度均值;
根据所述适应度均值,将所述多个第一芯片参数优化方案中第一适应度数据大于适应度均值的第一芯片参数优化方案作为父代优化方案群体;
对所述父代优化方案群体进行繁殖、交叉和变异操作,生成多个第二芯片参数优化方案,并分别计算每个第二芯片参数优化方案对应的第二适应度数据;
根据所述第二适应度数据,对所述多个第二芯片参数优化方案进行最优化方案选取,输出对应的目标芯片参数优化方案。
本发明第二方面提供了一种芯片的稳定性测试装置,所述芯片的稳定性测试装置包括:
测试模块,用于基于预置的温度循环测试数据对目标芯片进行温度循环测试,得到原始芯片测试数据,并对所述原始芯片测试数据进行数据集分类,得到正温度梯度测试数据以及逆温度梯度测试数据;
解析模块,用于对所述正温度梯度测试数据进行参数解析,得到第一芯片电压参数以及第一芯片电流参数,并对所述逆温度梯度测试数据进行参数解析,得到第二芯片电压参数以及第二芯片电流参数;
提取模块,用于对所述第一芯片电压参数以及所述第一芯片电流参数进行参数特征提取,得到第一参数特征集合,并对所述第二芯片电压参数以及所述第二芯片电流参数进行参数特征提取,得到第二参数特征集合;
编码模块,用于对所述温度循环测试数据、所述第一参数特征集合以及所述第二参数特征集合进行向量编码和向量融合,得到目标稳定性评价向量;
分析模块,用于将所述目标稳定性评价向量输入预置的芯片稳定性分析模型进行芯片稳定性分析,得到目标稳定性分析结果。
本发明第三方面提供了一种芯片的稳定性测试设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述芯片的稳定性测试设备执行上述的芯片的稳定性测试方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的芯片的稳定性测试方法。
本发明提供的技术方案中,基于温度循环测试数据对目标芯片进行温度循环测试,得到正温度梯度测试数据以及逆温度梯度测试数据;进行参数解析,得到第一芯片电压参数以及第一芯片电流参数,第二芯片电压参数以及第二芯片电流参数;进行参数特征提取,得到第一参数特征集合以及第二参数特征集合;对温度循环测试数据、第一参数特征集合以及第二参数特征集合进行向量编码和向量融合,得到目标稳定性评价向量;将目标稳定性评价向量输入预置的芯片稳定性分析模型进行芯片稳定性分析,得到目标稳定性分析结果,本发明通过温度循环测试数据进行分类和参数解析,提取了多个参数特征集合,包括正温度梯度测试数据和逆温度梯度测试数据。通过多维度评估全面地了解芯片在不同温度条件下的性能表现。通过对芯片电压和芯片电流的关键参数进行详细解析,提高了对芯片性能的准确评估。参数特征提取过程使得评估更为细致,从而更准确地了解芯片在不同环境下的工作能力。通过向量编码和向量融合,将温度循环测试数据与参数特征集合综合考虑,形成目标稳定性评价向量。这种综合分析可以更全面、平衡地评估芯片的稳定性,避免了过分依赖某个特定参数而导致评估失真。通过将目标稳定性评价向量输入预置的芯片稳定性分析模型,实现了智能化的稳定性分析。这样的方法能够更高效地进行大规模测试,并对测试结果进行智能化处理,提高了分析的速度和精度。通过这种综合的稳定性测试方法,可以在芯片出现潜在问题之前,通过分析模型提前预警,采取相应的措施,从而提高了芯片的稳定性测试准确率。
附图说明
图1为本发明实施例中芯片的稳定性测试方法的一个实施例示意图;
图2为本发明实施例中参数解析的流程图;
图3为本发明实施例中参数特征提取的流程图;
图4为本发明实施例中向量编码和向量融合的流程图;
图5为本发明实施例中芯片的稳定性测试装置的一个实施例示意图;
图6为本发明实施例中芯片的稳定性测试设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种芯片的稳定性测试方法及相关装置,用于提高芯片的稳定性测试准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中芯片的稳定性测试方法的一个实施例包括:
S101、基于预置的温度循环测试数据对目标芯片进行温度循环测试,得到原始芯片测试数据,并对原始芯片测试数据进行数据集分类,得到正温度梯度测试数据以及逆温度梯度测试数据;
可以理解的是,本发明的执行主体可以为芯片的稳定性测试装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器基于预置的温度循环测试数据对目标芯片进行温度循环测试。在测试过程中,温度范围、循环次数以及循环速度等测试策略参数需要被记录。同时,对芯片进行数据采集,以获取原始芯片测试数据。这些数据包括芯片在不同温度条件下的性能表现。对温度循环测试数据进行解析,以得到温度循环测试策略。这个策略包括了用于测试的温度范围、循环次数和循环速度等参数。这些参数决定了测试的具体条件。基于温度范围、循环次数和循环速度等测试策略参数,将原始芯片测试数据进行数据集划分。这一步骤的目的是生成初始正梯度测试数据和初始逆梯度测试数据。正梯度测试数据对应升温过程,而逆梯度测试数据对应降温过程。划分数据集是为了更好地分析芯片在温度变化下的性能。对初始正梯度测试数据和初始逆梯度测试数据进行数据标准化处理。标准化可以包括将数据进行归一化或标准差处理,以确保数据在不同温度条件下具有可比性。标准化处理后,得到正温度梯度测试数据和逆温度梯度测试数据,这些数据已经准备好进行进一步的分析。例如,假设服务器设计了一套温度循环测试方案,包括在-40°C到85°C的温度范围内进行1000次循环,每秒进行5个温度循环。然后,服务器对芯片进行温度循环测试,并采集了性能数据。服务器解析测试策略,确定了温度范围、循环次数和循环速度。根据这些参数,服务器将原始测试数据分为正梯度和逆梯度测试数据集。服务器对正梯度和逆梯度测试数据进行标准化处理,以确保数据在不同温度条件下具有可比性。这些处理后的数据将用于进一步的分析,以评估芯片在极端温度条件下的稳定性。
S102、对正温度梯度测试数据进行参数解析,得到第一芯片电压参数以及第一芯片电流参数,并对逆温度梯度测试数据进行参数解析,得到第二芯片电压参数以及第二芯片电流参数;
具体的,服务器对正温度梯度测试数据进行参数解析,以获取第一芯片电压参数和第一芯片电流参数。同时,对逆温度梯度测试数据进行参数解析,以获取第二芯片电压参数和第二芯片电流参数。这些参数将用于后续的分析。将正温度梯度测试数据输入预置的第一参数分类模型,该模型是一个经过训练的机器学习模型或其他分类方法。模型将分别确定第一芯片电压参数中心以及第一芯片电流参数中心。这些中心点代表了正温度梯度测试数据中的典型参数值。基于第一芯片电压参数中心,对正温度梯度测试数据中的多个第一测试数据点进行数据点距离计算。这计算可以使用各种距离度量方法,如欧几里德距离或曼哈顿距离。然后,根据所得的多个第一电压数据点距离,对多个第一测试数据点进行筛选,以确定第一芯片电压参数。类似地,基于第一芯片电流参数中心,对正温度梯度测试数据中的多个第一测试数据点进行数据点距离计算,并根据所得的多个第一电流数据点距离进行筛选,以确定第一芯片电流参数。将逆温度梯度测试数据输入预置的第二参数分类模型,该模型也是一个训练过的分类模型。模型将分别确定第二芯片电压参数中心以及第二芯片电流参数中心,类似于第一参数分类模型的操作。基于第二芯片电压参数中心,对逆温度梯度测试数据中的多个第二测试数据点进行数据点距离计算,然后根据距离筛选多个第二测试数据点,以确定第二芯片电压参数。同样,基于第二芯片电流参数中心,对逆温度梯度测试数据中的多个第二测试数据点进行数据点距离计算,并根据距离筛选多个第二测试数据点,以确定第二芯片电流参数。
S103、对第一芯片电压参数以及第一芯片电流参数进行参数特征提取,得到第一参数特征集合,并对第二芯片电压参数以及第二芯片电流参数进行参数特征提取,得到第二参数特征集合;
需要说明的是,服务器从测试数据中提取第一芯片电压参数和第一芯片电流参数。这些参数通常以时序数据的形式出现,因为它们随时间变化。服务器引入了长短时记忆网络(LSTM),这是一种适用于处理时序数据的深度学习模型。服务器将第一芯片电压参数输入到预训练的第一LSTM中,而第一芯片电流参数输入到第二LSTM中。这两个LSTM模型将分别对这些参数进行时序特征值提取。例如,考虑芯片电压参数。第一LSTM可以分析这些参数随时间的变化,提取多个与芯片电压相关的特征值,例如芯片电压的平均值、波动性、或者芯片电压的趋势。这些特征值将有助于更全面地理解芯片的电压性能。同样,第二LSTM对第一芯片电流参数进行时序特征值提取。这可以包括芯片电流的变化趋势、波动性等。服务器将从LSTM中获得的特征值进行整合,形成第一参数特征集合。这个特征集合包含了关于芯片电压和芯片电流的时序性能特征。这种特征集合使服务器能够更好地理解芯片的性能在不同条件下的变化。同样的过程也适用于第二芯片电压参数和第二芯片电流参数。通过将它们输入到相应的LSTM中,提取时序特征值,并将这些特征值整合为第二参数特征集合,服务器获得有关芯片性能的更多信息。
S104、对温度循环测试数据、第一参数特征集合以及第二参数特征集合进行向量编码和向量融合,得到目标稳定性评价向量;
具体的,根据预设的温度范围、循环次数和循环速度,将温度循环测试数据、第一参数特征集合和第二参数特征集合分别进行特征分组。这意味着将它们划分成多个子组,每个子组对应于特定的温度条件和测试参数。在每个子组内,形成多个正温度参数特征序列和多个逆温度参数特征序列。这些序列包含了与温度循环测试相关的性能参数的时序数据。例如,正温度参数特征序列可以包括在正温度条件下的芯片电压和芯片电流的变化趋势。对于每个子组中的正温度和逆温度参数特征序列,进行时序关联和时序对齐。这可以确保在不同温度条件下的参数特征序列之间有合适的对应关系。时序关联和时序对齐的过程有助于消除由于温度变化引起的时延差异。对每个子组内的正温度和逆温度参数特征序列进行归一化处理,以确保它们具有相似的尺度。然后,将归一化后的特征序列进行向量编码,将其表示为数值向量的形式。这些向量将捕捉到不同温度条件下的性能参数特征。对正温度参数特征向量和逆温度参数特征向量进行向量融合,生成目标稳定性评价向量。这个向量将包含了在不同温度条件下芯片的综合性能评估,综合考虑了芯片电压、芯片电流以及温度循环测试的影响。例如,假设服务器设定了温度范围为0°C到70°C,循环次数为1000次,循环速度为每小时10次。在测试过程中,服务器获得了温度循环测试数据,其中包括温度变化和芯片性能的记录。服务器将数据分组,根据温度范围、循环次数和循环速度,形成多个子组。每个子组对应于一组温度条件和测试参数。在每个子组中,服务器形成了多个正温度参数特征序列和多个逆温度参数特征序列。例如,在正温度条件下,服务器记录了芯片电压和芯片电流的变化趋势,形成了正温度参数特征序列。在逆温度条件下,服务器进行类似的记录。然后,服务器对每个子组内的正温度和逆温度参数特征序列进行了时序关联和时序对齐,以确保它们在不同温度条件下具有对应关系。服务器对这些特征序列进行了归一化处理,使它们具有相似的尺度。随后,服务器将这些特征序列进行向量编码,转化为数值向量的形式。服务器对正温度参数特征向量和逆温度参数特征向量进行了向量融合,生成了目标稳定性评价向量。这个向量综合了在不同温度条件下芯片性能的各个方面,帮助服务器更全面地评估其稳定性和性能表现。
S105、将目标稳定性评价向量输入预置的芯片稳定性分析模型进行芯片稳定性分析,得到目标稳定性分析结果。
具体的,芯片稳定性分析模型采用了一个强分类器,而这个强分类器由多个弱分类器组成。每个弱分类器包括卷积长短时记忆网络(Convolutional Long Short-TermMemory,Conv-LSTM)以及两层全连接网络。在每个弱分类器中,首先通过卷积长短时记忆网络对目标稳定性评价向量进行隐藏特征提取。Conv-LSTM网络可以捕捉到目标向量中的时序信息和特征。在每个弱分类器中的两层全连接网络中,对提取的目标隐藏特征向量进行稳定性分析。模型会考虑隐藏特征的组合以进行稳定性评估,这有助于更全面地了解芯片的性能。每个弱分类器都会生成一个初始的稳定性分析结果,这个结果反映了在该弱分类器下对芯片稳定性的评估。从强分类器中获取每个弱分类器对应的分类器权重数据。这些权重数据反映了每个弱分类器在整体稳定性分析中的重要性,可以看作是不同分类器的权重分配。基于获取的分类器权重数据,对每个弱分类器的初始稳定性分析结果进行加权融合。性能较好的弱分类器在整体结果中会具有更高的权重,而性能较差的分类器则会具有较低的权重。通过这种方式,强分类器综合了不同分类器的评估结果,得到了目标稳定性分析结果。例如,假设芯片稳定性分析模型采用了一个强分类器,其中包括了多个弱分类器。每个弱分类器都经过了训练,包括了Conv-LSTM网络和两层全连接网络。在每个弱分类器中,Conv-LSTM网络对目标稳定性评价向量进行隐藏特征提取。这个过程可以捕捉到向量中的时序信息,例如芯片在不同温度条件下的性能变化趋势。在两层全连接网络中,对提取的隐藏特征进行了稳定性分析,考虑了不同特征之间的组合。每个弱分类器都会产生一个初始的稳定性分析结果,这反映了该分类器对芯片性能的评估。然后,服务器获取了每个弱分类器的分类器权重数据,这些权重数据指示了不同分类器在整体评估中的重要性。服务器对每个弱分类器的初始稳定性分析结果进行了加权融合,生成了强分类器对应的目标稳定性分析结果。这个结果综合了各个弱分类器的评估,考虑了它们的权重分配,从而更全面地评估了芯片在不同条件下的稳定性和性能。
本发明实施例中,本发明通过温度循环测试数据进行分类和参数解析,提取了多个参数特征集合,包括正温度梯度测试数据和逆温度梯度测试数据。通过多维度评估全面地了解芯片在不同温度条件下的性能表现。通过对芯片电压和芯片电流的关键参数进行详细解析,提高了对芯片性能的准确评估。参数特征提取过程使得评估更为细致,从而更准确地了解芯片在不同环境下的工作能力。通过向量编码和向量融合,将温度循环测试数据与参数特征集合综合考虑,形成目标稳定性评价向量。这种综合分析可以更全面、平衡地评估芯片的稳定性,避免了过分依赖某个特定参数而导致评估失真。通过将目标稳定性评价向量输入预置的芯片稳定性分析模型,实现了智能化的稳定性分析。这样的方法能够更高效地进行大规模测试,并对测试结果进行智能化处理,提高了分析的速度和精度。通过这种综合的稳定性测试方法,可以在芯片出现潜在问题之前,通过分析模型提前预警,采取相应的措施,从而提高了芯片的稳定性测试准确率。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)基于预置的温度循环测试数据对目标芯片进行温度循环测试,并对目标芯片进行数据采集,得到原始芯片测试数据;
(2)对温度循环测试数据进行测试策略解析,得到温度循环测试策略,其中,所温度循环测试策略包括温度范围、循环次数及循环速度;
(3)基于温度范围、循环次数以及循环速度,对原始芯片测试数据进行数据集划分,得到初始正梯度测试数据以及初始逆梯度测试数据;
(4)对初始正梯度测试数据以及初始逆梯度测试数据进行数据标准化处理,得到对应的正温度梯度测试数据以及逆温度梯度测试数据。
具体的,服务器针对目标芯片,服务器执行预置的温度循环测试。将芯片置于不同温度条件下,并模拟温度的循环变化,以模拟实际应用场景中的环境变化。这个过程可以在实验室或测试设备中进行,以确保温度条件的准确控制。在整个测试过程中,服务器记录下芯片的性能数据,包括芯片电压、芯片电流等相关参数。在温度循环测试过程中,服务器不仅仅监测并记录温度变化,还收集芯片在每个温度点下的性能数据。这些性能数据包括了芯片的芯片电压、芯片电流以及其他影响稳定性的指标。这些数据以电流序列的形式记录下来,形成了原始芯片测试数据。温度循环测试需要制定一项测试策略,以确定温度范围、循环次数以及循环速度。这个策略的选择将直接影响测试的有效性和结果的可靠性。解析测试策略包括确定应用的温度范围,即在哪些温度条件下进行测试;确定循环次数,即在每个温度条件下循环多少次;以及确定循环速度,即每个温度循环的速度有多快。根据温度循环测试策略,服务器对原始芯片测试数据进行数据集划分。将原始数据按照温度范围、循环次数和循环速度分为不同的子集。每个子集对应于一个特定的温度条件和测试参数,这有助于后续的数据分析和处理。在划分数据集后,服务器对初始正梯度测试数据和初始逆梯度测试数据进行数据标准化处理。数据标准化是为了确保不同子集中的数据具有相似的尺度,以便进行后续的分析和比较。标准化可以包括均值中心化和缩放,确保数据在不同温度条件下具有可比性。例如,假设温度范围设置为-40°C到85°C,循环次数为100次,循环速度为每小时5次。在测试过程中,服务器记录了芯片在不同温度下的芯片电压和芯片电流。经过测试,服务器得到了大量的原始芯片测试数据,这些数据包括了在每个温度点下的性能指标。然后,服务器根据测试策略解析出温度范围、循环次数和循环速度,确定了每个子集的划分方式。服务器对初始正梯度测试数据和初始逆梯度测试数据进行了数据标准化处理,确保它们在不同温度条件下的性能指标具有相似的尺度。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S201、将正温度梯度测试数据输入预置的第一参数分类模型,通过第一参数分类模型分别确定第一芯片电压参数中心以及第一芯片电流参数中心;
S202、基于第一芯片电压参数中心,对正温度梯度测试数据中的多个第一测试数据点进行数据点距离计算,得到多个第一电压数据点距,并根据多个第一电压数据点距对多个第一测试数据点进行筛选,得到第一芯片电压参数;
S203、基于第一芯片电流参数中心,对正温度梯度测试数据中的多个第一测试数据点进行数据点距离计算,得到多个第一电流数据点距,并根据多个第一电流数据点距对多个第一测试数据点进行筛选,得到第一芯片电流参数;
S204、将逆温度梯度测试数据输入预置的第二参数分类模型,通过第二参数分类模型分别确定第二芯片电压参数中心以及第二芯片电流参数中心;
S205、基于第二芯片电压参数中心,对逆温度梯度测试数据中的多个第二测试数据点进行数据点距离计算,得到多个第二电压数据点距,并根据多个第二电压数据点距对多个第二测试数据点进行筛选,得到第二芯片电压参数;
S206、基于第二芯片电流参数中心,对逆温度梯度测试数据中的多个第二测试数据点进行数据点距离计算,得到多个第二电流数据点距,并根据多个第二电流数据点距对多个第二测试数据点进行筛选,得到第二芯片电流参数。
具体的,服务器将正温度梯度测试数据输入预置的第一参数分类模型。这个模型经过训练,能够识别和提取与芯片电压和芯片电流相关的特征。第一参数分类模型在训练中学到了不同芯片电压和芯片电流的特征,并能够将这些特征映射到参数中心。这两个参数中心代表了在正温度梯度下的典型芯片电压和芯片电流。服务器将正温度梯度测试数据中的多个第一测试数据点与第一芯片电压参数中心进行数据点距离计算。这个距离计算可以使用常见的距离度量方法,例如欧氏距离或曼哈顿距离。通过计算距离,服务器得到了多个第一电压数据点距,然后根据这些距离对多个第一测试数据点进行筛选。通常,与第一芯片电压参数中心距离较近的数据点将被选为第一芯片电压参数。同样,服务器也会对正温度梯度测试数据中的多个第一测试数据点与第一芯片电流参数中心进行数据点距离计算。通过计算距离,服务器得到了多个第一电流数据点距,然后根据这些距离对多个第一测试数据点进行筛选。与第一芯片电流参数中心距离较近的数据点将被选为第一芯片电流参数。类似地,服务器将逆温度梯度测试数据输入预置的第二参数分类模型,该模型也经过训练,能够识别和提取与芯片电压和芯片电流相关的特征。第二参数分类模型在训练中学到了不同芯片电压和芯片电流的特征,并能够将这些特征映射到参数中心。这两个参数中心代表了在逆温度梯度下的典型芯片电压和芯片电流。服务器将逆温度梯度测试数据中的多个第二测试数据点与第二芯片电压参数中心进行数据点距离计算。通过计算距离,服务器得到了多个第二电压数据点距,然后根据这些距离对多个第二测试数据点进行筛选。与第二芯片电压参数中心距离较近的数据点将被选为第二芯片电压参数。服务器也会对逆温度梯度测试数据中的多个第二测试数据点与第二芯片电流参数中心进行数据点距离计算。通过计算距离,服务器得到了多个第二电流数据点距,然后根据这些距离对多个第二测试数据点进行筛选。与第二芯片电流参数中心距离较近的数据点将被选为第二芯片电流参数。
在一具体实施例中,如图3所示,执行步骤S103的过程可以具体包括如下步骤:
S301、将第一芯片电压参数输入预置的第一长短时记忆网络,并通过第一长短时记忆网络对第一芯片电压参数进行时序特征值提取,得到多个第一芯片电压特征值;
S302、将第一芯片电流参数输入预置的第二长短时记忆网络,并通过第二长短时记忆网络对第一芯片电流参数进行时序特征值提取,得到多个第一芯片电流特征值;
S303、对多个第一芯片电压特征值以及多个第一芯片电流特征值进行特征集合转换,生成对应的第一参数特征集合;
S304、将第二芯片电压参数输入预置的第一长短时记忆网络,并通过第一长短时记忆网络对第二芯片电压参数进行时序特征值提取,得到多个第二芯片电压特征值;
S305、将第二芯片电流参数输入预置的第二长短时记忆网络,并通过第二长短时记忆网络对第二芯片电流参数进行时序特征值提取,得到多个第二芯片电流特征值;
S306、对多个第二芯片电压特征值以及多个第二芯片电流特征值进行特征集合转换,生成对应的第二参数特征集合。
具体的,服务器将第一芯片电压参数输入预置的第一长短时记忆网络。LSTM是一种适用于序列数据的深度学习模型,它能够捕获数据中的时序信息。通过第一长短时记忆网络对第一芯片电压参数进行时序特征值提取,第一长短时记忆网络将处理输入的第一芯片电压参数,并在序列数据上执行前向传播,从序列中提取时序特征值。这些特征值可以包括序列中的趋势、周期性、波动等信息。这个过程会生成多个时序特征值,每个特征值代表了输入序列中的一个重要时序特征。例如,如果第一芯片电压参数是一个电流序列,那么这些特征值可以代表不同电流点上的芯片电压的变化。服务器将第一芯片电流参数输入预置的第二长短时记忆网络。这个网络与第一网络类似,但专门用于处理芯片电流参数。通过第二长短时记忆网络对第一芯片电流参数进行时序特征值提取,第二长短时记忆网络将处理输入的第一芯片电流参数,并提取与电流序列相关的时序特征值。这些特征值可以包括芯片电流的变化趋势、周期性等信息。类似于芯片电压参数,这个过程会生成多个时序特征值,每个特征值代表了输入序列中不同电流点上的芯片电流的特征。服务器将多个第一芯片电压特征值和多个第一芯片电流特征值进行特征集合转换。这可以包括将它们组合成一个更大的特征向量,应用降维技术,或者使用其他特征工程方法,以生成对应的第一参数特征集合。类似地,服务器将第二芯片电压参数输入预置的第一长短时记忆网络,以进行时序特征值提取。第一长短时记忆网络将处理输入的第二芯片电压参数,并提取与电流序列相关的时序特征值。这个过程会生成多个时序特征值,每个特征值代表了输入序列中不同电流点上的第二芯片电压的特征。服务器将第二芯片电流参数输入预置的第二长短时记忆网络,以进行时序特征值提取。第二长短时记忆网络将处理输入的第二芯片电流参数,并提取与电流序列相关的时序特征值。类似于芯片电压参数,这个过程会生成多个时序特征值,每个特征值代表了输入序列中不同电流点上的第二芯片电流的特征。服务器将多个第二芯片电压特征值和多个第二芯片电流特征值进行特征集合转换,以生成对应的第二参数特征集合。
在一具体实施例中,如图4所示,执行步骤S104的过程可以具体包括如下步骤:
S401、根据温度范围、循环次数及循环速度,分别对温度循环测试数据、第一参数特征集合以及第二参数特征集合进行特征分组,得到多个正温度参数特征序列以及多个逆温度参数特征序列;
S402、分别对多个正温度参数特征序列以及多个逆温度参数特征序列进行时序关联以及时序对齐;
S403、分别对多个正温度参数特征序列以及多个逆温度参数特征序列进行归一化处理和向量编码,得到多个正温度参数特征向量以及多个逆温度参数特征向量;
S404、对多个正温度参数特征向量以及多个逆温度参数特征向量进行向量融合,生成目标稳定性评价向量。
具体的,服务器根据温度范围、循环次数和循环速度,服务器将温度循环测试数据、第一参数特征集合和第二参数特征集合分别进行特征分组。服务器将数据按照不同的温度范围、循环次数和循环速度进行组织,以便进一步分析。对于每个特征序列,服务器进行时序关联和时序对齐,以确保它们在电流上对齐。这有助于在不同条件下进行数据比较和分析。分别对多个正温度参数特征序列以及多个逆温度参数特征序列进行归一化处理,归一化处理是为了确保不同参数的值具有相似的尺度。这是为了避免某些参数对稳定性评价的影响过大。归一化通常包括将数据缩放到特定的范围或进行零均值化。对多个正温度参数特征序列以及多个逆温度参数特征序列进行向量编码,向量编码是将每个特征序列转换为向量形式的过程,以便于后续的处理。这可以采用各种编码方法,如平均值编码、频率编码等。服务器将融合多个正温度参数特征向量和多个逆温度参数特征向量,生成目标稳定性评价向量。向量融合可以采用加权平均、拼接、堆叠等方法,以便将所有特征合并成一个综合的评价向量。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)将目标稳定性评价向量输入预置的芯片稳定性分析模型,其中,芯片稳定性分析模型包括一个强分类器,强分类器由多个弱分类器组成,每个弱分类器包括卷积长短时记忆网络以及两层全连接网络;
(2)分别通过弱分类器中的卷积长短时记忆网络,对目标稳定性评价向量进行隐藏特征提取,得到目标隐藏特征向量;
(3)分别通过弱分类器中的两层全连接网络,对目标隐藏特征向量进行稳定性分析,得到每个弱分类器的初始稳定性分析结果;
(4)获取强分类器中每个弱分类器对应的分类器权重数据,并基于分类器权重数据对每个弱分类器的初始稳定性分析结果进行加权融合,得到强分类器对应的目标稳定性分析结果。
具体的,服务器将目标稳定性评价向量输入芯片稳定性分析模型中,这个模型包括一个强分类器和多个弱分类器。芯片稳定性分析模型中的强分类器是一个集成模型,它由多个弱分类器组成。每个弱分类器是一个独立的模型,用于对目标稳定性评价向量进行分析。每个弱分类器中包括一个ConvLSTM网络,用于提取目标隐藏特征向量。ConvLSTM结合了卷积神经网络(CNN)和长短时记忆网络(LSTM)的特性,可以有效处理序列数据,并提取数据中的时序特征。通过ConvLSTM,可以将目标稳定性评价向量转化为更具信息量的隐藏特征向量。在每个弱分类器中,目标隐藏特征向量经过两层全连接网络进行稳定性分析。这两层全连接网络将学习如何将隐藏特征向量映射到最终的稳定性分析结果。这些网络层可以通过训练来适应不同的稳定性模式和数据分布。每个弱分类器都会生成初始稳定性分析结果,这是在ConvLSTM和两层全连接网络之后的输出。这些初始结果可以被视为弱分类器对芯片稳定性的初步评估。强分类器中的每个弱分类器都有一个相应的权重,用于衡量其对最终稳定性分析结果的贡献。这些权重是根据训练数据和模型性能来确定的。通常,性能较好的弱分类器将被赋予更高的权重,以便在加权融合中起到更重要的作用。对于强分类器中的每个弱分类器,其初始稳定性分析结果将根据其权重进行加权融合。性能更好的弱分类器将在最终结果中占据更大的份额,从而提高了整个模型的准确性和稳定性。加权融合的结果即为芯片的目标稳定性分析结果。例如,假设一个芯片稳定性分析模型包括三个弱分类器:A、B和C。每个弱分类器都包括ConvLSTM网络和两层全连接网络。在输入目标稳定性评价向量后,每个弱分类器会生成初始稳定性分析结果。假设A分类器的权重最高,B次之,C权重最低。然后,通过对初始结果进行加权融合,以A、B和C的权重,得到了整个模型的最终稳定性分析结果。这个结果综合了多个弱分类器的评估,从而提供了更准确和可靠的芯片稳定性评价。这种集成方法可以提高模型的鲁棒性和性能,使其适用于各种芯片的稳定性测试场景。
在一具体实施例中,执行芯片的稳定性测试方法的过程还包括如下步骤:
(1)基于目标稳定性分析结果,创建目标芯片对应的初始芯片参数优化方案;
(2)通过预置的鲸鱼优化算法,对初始芯片参数优化方案进行群体初始化,得到多个第一芯片参数优化方案;
(3)对多个第一芯片参数优化方案进行适应度计算,得到每个第一芯片参数优化方案对应的第一适应度数据,并计算第一适应度数据对应的适应度均值;
(4)根据适应度均值,将多个第一芯片参数优化方案中第一适应度数据大于适应度均值的第一芯片参数优化方案作为父代优化方案群体;
(5)对父代优化方案群体进行繁殖、交叉和变异操作,生成多个第二芯片参数优化方案,并分别计算每个第二芯片参数优化方案对应的第二适应度数据;
(6)根据第二适应度数据,对多个第二芯片参数优化方案进行最优化方案选取,输出对应的目标芯片参数优化方案。
具体的,根据目标稳定性分析结果,创建初始的芯片参数优化方案。这些方案包括芯片的各种参数,例如芯片电压、芯片电流等。利用预置的鲸鱼优化算法,对初始芯片参数优化方案进行群体初始化。生成多个的芯片参数组合,形成一个初始群体。对每个第一芯片参数优化方案进行适应度计算。适应度函数可以根据具体情况而定,通常是一个与芯片性能稳定性相关的指标。这个指标可以是某种性能度量,如误差率、可靠性指数等。计算所有第一芯片参数优化方案对应的适应度数据的均值。这个均值将用于后续步骤中,用于筛选父代优化方案。从多个第一芯片参数优化方案中,选取适应度数据大于适应度均值的方案作为父代优化方案群体。这些方案被认为在性能稳定性上表现较好。对父代优化方案群体进行繁殖、交叉和变异操作,生成多个第二芯片参数优化方案。这些操作模拟了进化过程,旨在产生更多潜在的优化方案。对每个第二芯片参数优化方案进行适应度计算,得到第二适应度数据。这些数据表示了新生成方案的性能。基于第二适应度数据,选取适应度最高的芯片参数优化方案作为最终的目标芯片参数优化方案。这个方案应该在性能稳定性上表现最佳。例如,假设服务器收集了一系列测试数据,通过芯片稳定性分析模型得到了目标稳定性分析结果。然后,根据这些结果,服务器创建了一组初始的芯片参数优化方案,包括芯片电压、芯片电流等参数。服务器使用鲸鱼优化算法对这些参数方案进行优化。算法生成了一个初始群体,对每个方案计算了适应度,然后筛选出适应度高于均值的方案作为父代。通过交叉和变异操作,服务器生成了新的芯片参数方案,并计算了它们的适应度。根据适应度最高的方案,服务器得到了优化后的芯片参数,这将显著提高智能芯片的性能稳定性,使其更加可靠。这个过程可以在各种芯片应用中使用,以提高其性能和稳定性。
上面对本发明实施例中芯片的稳定性测试方法进行了描述,下面对本发明实施例中芯片的稳定性测试装置进行描述,请参阅图5,本发明实施例中芯片的稳定性测试装置一个实施例包括:
测试模块501,用于基于预置的温度循环测试数据对目标芯片进行温度循环测试,得到原始芯片测试数据,并对所述原始芯片测试数据进行数据集分类,得到正温度梯度测试数据以及逆温度梯度测试数据;
解析模块502,用于对所述正温度梯度测试数据进行参数解析,得到第一芯片电压参数以及第一芯片电流参数,并对所述逆温度梯度测试数据进行参数解析,得到第二芯片电压参数以及第二芯片电流参数;
提取模块503,用于对所述第一芯片电压参数以及所述第一芯片电流参数进行参数特征提取,得到第一参数特征集合,并对所述第二芯片电压参数以及所述第二芯片电流参数进行参数特征提取,得到第二参数特征集合;
编码模块504,用于对所述温度循环测试数据、所述第一参数特征集合以及所述第二参数特征集合进行向量编码和向量融合,得到目标稳定性评价向量;
分析模块505,用于将所述目标稳定性评价向量输入预置的芯片稳定性分析模型进行芯片稳定性分析,得到目标稳定性分析结果。
通过上述各个组成部分的协同合作,本发明通过温度循环测试数据进行分类和参数解析,提取了多个参数特征集合,包括正温度梯度测试数据和逆温度梯度测试数据。通过多维度评估全面地了解芯片在不同温度条件下的性能表现。通过对芯片电压和芯片电流的关键参数进行详细解析,提高了对芯片性能的准确评估。参数特征提取过程使得评估更为细致,从而更准确地了解芯片在不同环境下的工作能力。通过向量编码和向量融合,将温度循环测试数据与参数特征集合综合考虑,形成目标稳定性评价向量。这种综合分析可以更全面、平衡地评估芯片的稳定性,避免了过分依赖某个特定参数而导致评估失真。通过将目标稳定性评价向量输入预置的芯片稳定性分析模型,实现了智能化的稳定性分析。这样的方法能够更高效地进行大规模测试,并对测试结果进行智能化处理,提高了分析的速度和精度。通过这种综合的稳定性测试方法,可以在芯片出现潜在问题之前,通过分析模型提前预警,采取相应的措施,从而提高了芯片的稳定性测试准确率。
上面图5从模块化功能实体的角度对本发明实施例中的芯片的稳定性测试装置进行详细描述,下面从硬件处理的角度对本发明实施例中芯片的稳定性测试设备进行详细描述。
图6是本发明实施例提供的一种芯片的稳定性测试设备的结构示意图,该芯片的稳定性测试设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对芯片的稳定性测试设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在芯片的稳定性测试设备600上执行存储介质630中的一系列指令操作。
芯片的稳定性测试设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Server,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的芯片的稳定性测试设备结构并不构成对芯片的稳定性测试设备的限定,可以包括比图示更多或更少的部件,或者序列某些部件,或者不同的部件布置。
本发明还提供一种芯片的稳定性测试设备,所述芯片的稳定性测试设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述芯片的稳定性测试方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述芯片的稳定性测试方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种芯片的稳定性测试方法,其特征在于,所述芯片的稳定性测试方法包括:
基于预置的温度循环测试数据对目标芯片进行温度循环测试,得到原始芯片测试数据,并对所述原始芯片测试数据进行数据集分类,得到正温度梯度测试数据以及逆温度梯度测试数据;
对所述正温度梯度测试数据进行参数解析,得到第一芯片电压参数以及第一芯片电流参数,并对所述逆温度梯度测试数据进行参数解析,得到第二芯片电压参数以及第二芯片电流参数;具体包括:将所述正温度梯度测试数据输入预置的第一参数分类模型,通过所述第一参数分类模型分别确定第一芯片电压参数中心以及第一芯片电流参数中心;基于所述第一芯片电压参数中心,对所述正温度梯度测试数据中的多个第一测试数据点进行数据点距离计算,得到多个第一电压数据点距,并根据所述多个第一电压数据点距对所述多个第一测试数据点进行筛选,得到第一芯片电压参数;基于所述第一芯片电流参数中心,对所述正温度梯度测试数据中的多个第一测试数据点进行数据点距离计算,得到多个第一电流数据点距,并根据所述多个第一电流数据点距对所述多个第一测试数据点进行筛选,得到第一芯片电流参数;将所述逆温度梯度测试数据输入预置的第二参数分类模型,通过所述第二参数分类模型分别确定第二芯片电压参数中心以及第二芯片电流参数中心;基于所述第二芯片电压参数中心,对所述逆温度梯度测试数据中的多个第二测试数据点进行数据点距离计算,得到多个第二电压数据点距,并根据所述多个第二电压数据点距对所述多个第二测试数据点进行筛选,得到第二芯片电压参数;基于所述第二芯片电流参数中心,对所述逆温度梯度测试数据中的多个第二测试数据点进行数据点距离计算,得到多个第二电流数据点距,并根据所述多个第二电流数据点距对所述多个第二测试数据点进行筛选,得到第二芯片电流参数;
对所述第一芯片电压参数以及所述第一芯片电流参数进行参数特征提取,得到第一参数特征集合,并对所述第二芯片电压参数以及所述第二芯片电流参数进行参数特征提取,得到第二参数特征集合;
对所述温度循环测试数据、所述第一参数特征集合以及所述第二参数特征集合进行向量编码和向量融合,得到目标稳定性评价向量;
将所述目标稳定性评价向量输入预置的芯片稳定性分析模型进行芯片稳定性分析,得到目标稳定性分析结果;具体包括:将所述目标稳定性评价向量输入预置的芯片稳定性分析模型,其中,所述芯片稳定性分析模型包括一个强分类器,所述强分类器由多个弱分类器组成,每个弱分类器包括卷积长短时记忆网络以及两层全连接网络;分别通过所述弱分类器中的卷积长短时记忆网络,对所述目标稳定性评价向量进行隐藏特征提取,得到目标隐藏特征向量;分别通过所述弱分类器中的两层全连接网络,对所述目标隐藏特征向量进行稳定性分析,得到每个弱分类器的初始稳定性分析结果;获取所述强分类器中每个弱分类器对应的分类器权重数据,并基于所述分类器权重数据对每个弱分类器的初始稳定性分析结果进行加权融合,得到所述强分类器对应的目标稳定性分析结果。
2.根据权利要求1所述的芯片的稳定性测试方法,其特征在于,所述基于预置的温度循环测试数据对目标芯片进行温度循环测试,得到原始芯片测试数据,并对所述原始芯片测试数据进行数据集分类,得到正温度梯度测试数据以及逆温度梯度测试数据,包括:
基于预置的温度循环测试数据对目标芯片进行温度循环测试,并对所述目标芯片进行数据采集,得到原始芯片测试数据;
对所述温度循环测试数据进行测试策略解析,得到温度循环测试策略,其中,所述温度循环测试策略包括温度范围、循环次数及循环速度;
基于所述温度范围、所述循环次数以及所述循环速度,对所述原始芯片测试数据进行数据集划分,得到初始正梯度测试数据以及初始逆梯度测试数据;
对所述初始正梯度测试数据以及所述初始逆梯度测试数据进行数据标准化处理,得到对应的正温度梯度测试数据以及逆温度梯度测试数据。
3.根据权利要求1所述的芯片的稳定性测试方法,其特征在于,所述对所述第一芯片电压参数以及所述第一芯片电流参数进行参数特征提取,得到第一参数特征集合,并对所述第二芯片电压参数以及所述第二芯片电流参数进行参数特征提取,得到第二参数特征集合,包括:
将所述第一芯片电压参数输入预置的第一长短时记忆网络,并通过所述第一长短时记忆网络对所述第一芯片电压参数进行时序特征值提取,得到多个第一芯片电压特征值;
将所述第一芯片电流参数输入预置的第二长短时记忆网络,并通过所述第二长短时记忆网络对所述第一芯片电流参数进行时序特征值提取,得到多个第一芯片电流特征值;
对所述多个第一芯片电压特征值以及所述多个第一芯片电流特征值进行特征集合转换,生成对应的第一参数特征集合;
将所述第二芯片电压参数输入预置的第一长短时记忆网络,并通过所述第一长短时记忆网络对所述第二芯片电压参数进行时序特征值提取,得到多个第二芯片电压特征值;
将所述第二芯片电流参数输入预置的第二长短时记忆网络,并通过所述第二长短时记忆网络对所述第二芯片电流参数进行时序特征值提取,得到多个第二芯片电流特征值;
对所述多个第二芯片电压特征值以及所述多个第二芯片电流特征值进行特征集合转换,生成对应的第二参数特征集合。
4.根据权利要求2所述的芯片的稳定性测试方法,其特征在于,所述对所述温度循环测试数据、所述第一参数特征集合以及所述第二参数特征集合进行向量编码和向量融合,得到目标稳定性评价向量,包括:
根据所述温度范围、所述循环次数及所述循环速度,分别对所述温度循环测试数据、所述第一参数特征集合以及所述第二参数特征集合进行特征分组,得到多个正温度参数特征序列以及多个逆温度参数特征序列;
分别对所述多个正温度参数特征序列以及所述多个逆温度参数特征序列进行时序关联以及时序对齐;
分别对所述多个正温度参数特征序列以及所述多个逆温度参数特征序列进行归一化处理和向量编码,得到多个正温度参数特征向量以及多个逆温度参数特征向量;
对所述多个正温度参数特征向量以及所述多个逆温度参数特征向量进行向量融合,生成目标稳定性评价向量。
5.根据权利要求1所述的芯片的稳定性测试方法,其特征在于,所述芯片的稳定性测试方法还包括:
基于所述目标稳定性分析结果,创建所述目标芯片对应的初始芯片参数优化方案;
通过预置的鲸鱼优化算法,对所述初始芯片参数优化方案进行群体初始化,得到多个第一芯片参数优化方案;
对所述多个第一芯片参数优化方案进行适应度计算,得到每个第一芯片参数优化方案对应的第一适应度数据,并计算所述第一适应度数据对应的适应度均值;
根据所述适应度均值,将所述多个第一芯片参数优化方案中第一适应度数据大于适应度均值的第一芯片参数优化方案作为父代优化方案群体;
对所述父代优化方案群体进行繁殖、交叉和变异操作,生成多个第二芯片参数优化方案,并分别计算每个第二芯片参数优化方案对应的第二适应度数据;
根据所述第二适应度数据,对所述多个第二芯片参数优化方案进行最优化方案选取,输出对应的目标芯片参数优化方案。
6.一种芯片的稳定性测试装置,其特征在于,所述芯片的稳定性测试装置包括:
测试模块,用于基于预置的温度循环测试数据对目标芯片进行温度循环测试,得到原始芯片测试数据,并对所述原始芯片测试数据进行数据集分类,得到正温度梯度测试数据以及逆温度梯度测试数据;
解析模块,用于对所述正温度梯度测试数据进行参数解析,得到第一芯片电压参数以及第一芯片电流参数,并对所述逆温度梯度测试数据进行参数解析,得到第二芯片电压参数以及第二芯片电流参数;具体包括:将所述正温度梯度测试数据输入预置的第一参数分类模型,通过所述第一参数分类模型分别确定第一芯片电压参数中心以及第一芯片电流参数中心;基于所述第一芯片电压参数中心,对所述正温度梯度测试数据中的多个第一测试数据点进行数据点距离计算,得到多个第一电压数据点距,并根据所述多个第一电压数据点距对所述多个第一测试数据点进行筛选,得到第一芯片电压参数;基于所述第一芯片电流参数中心,对所述正温度梯度测试数据中的多个第一测试数据点进行数据点距离计算,得到多个第一电流数据点距,并根据所述多个第一电流数据点距对所述多个第一测试数据点进行筛选,得到第一芯片电流参数;将所述逆温度梯度测试数据输入预置的第二参数分类模型,通过所述第二参数分类模型分别确定第二芯片电压参数中心以及第二芯片电流参数中心;基于所述第二芯片电压参数中心,对所述逆温度梯度测试数据中的多个第二测试数据点进行数据点距离计算,得到多个第二电压数据点距,并根据所述多个第二电压数据点距对所述多个第二测试数据点进行筛选,得到第二芯片电压参数;基于所述第二芯片电流参数中心,对所述逆温度梯度测试数据中的多个第二测试数据点进行数据点距离计算,得到多个第二电流数据点距,并根据所述多个第二电流数据点距对所述多个第二测试数据点进行筛选,得到第二芯片电流参数;
提取模块,用于对所述第一芯片电压参数以及所述第一芯片电流参数进行参数特征提取,得到第一参数特征集合,并对所述第二芯片电压参数以及所述第二芯片电流参数进行参数特征提取,得到第二参数特征集合;
编码模块,用于对所述温度循环测试数据、所述第一参数特征集合以及所述第二参数特征集合进行向量编码和向量融合,得到目标稳定性评价向量;
分析模块,用于将所述目标稳定性评价向量输入预置的芯片稳定性分析模型进行芯片稳定性分析,得到目标稳定性分析结果;具体包括:将所述目标稳定性评价向量输入预置的芯片稳定性分析模型,其中,所述芯片稳定性分析模型包括一个强分类器,所述强分类器由多个弱分类器组成,每个弱分类器包括卷积长短时记忆网络以及两层全连接网络;分别通过所述弱分类器中的卷积长短时记忆网络,对所述目标稳定性评价向量进行隐藏特征提取,得到目标隐藏特征向量;分别通过所述弱分类器中的两层全连接网络,对所述目标隐藏特征向量进行稳定性分析,得到每个弱分类器的初始稳定性分析结果;获取所述强分类器中每个弱分类器对应的分类器权重数据,并基于所述分类器权重数据对每个弱分类器的初始稳定性分析结果进行加权融合,得到所述强分类器对应的目标稳定性分析结果。
7.一种芯片的稳定性测试设备,其特征在于,所述芯片的稳定性测试设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述芯片的稳定性测试设备执行如权利要求1-5中任一项所述的芯片的稳定性测试方法。
8.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-5中任一项所述的芯片的稳定性测试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311763914.9A CN117434429B (zh) | 2023-12-21 | 2023-12-21 | 芯片的稳定性测试方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311763914.9A CN117434429B (zh) | 2023-12-21 | 2023-12-21 | 芯片的稳定性测试方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117434429A CN117434429A (zh) | 2024-01-23 |
CN117434429B true CN117434429B (zh) | 2024-03-15 |
Family
ID=89548379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311763914.9A Active CN117434429B (zh) | 2023-12-21 | 2023-12-21 | 芯片的稳定性测试方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117434429B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117647725B (zh) * | 2024-01-29 | 2024-04-02 | 深圳维盛半导体科技有限公司 | Pcba的老化测试方法及系统 |
CN118409194B (zh) * | 2024-06-28 | 2024-08-30 | 深圳市芯片测试技术有限公司 | 芯片的实时检测方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04199843A (ja) * | 1990-11-29 | 1992-07-21 | Mitsubishi Electric Corp | 半導体試験方法 |
KR20160028541A (ko) * | 2014-09-03 | 2016-03-14 | 한림대학교 산학협력단 | 바이오칩 온도 센서의 교정 시스템 및 그 교정 방법 |
CN110875276A (zh) * | 2018-08-30 | 2020-03-10 | 瑞萨电子株式会社 | 半导体器件 |
CN114520602A (zh) * | 2020-11-19 | 2022-05-20 | 重庆美的制冷设备有限公司 | 温度检测电路、驱动芯片、智能功率模块及空调器 |
CN115561173A (zh) * | 2021-07-02 | 2023-01-03 | 深圳康爱医疗科技有限公司 | 一种基于微流控芯片的体外医学诊断装置及系统 |
CN117214637A (zh) * | 2023-10-26 | 2023-12-12 | 深圳永贵技术有限公司 | 充电枪耐压测试方法、装置、设备及存储介质 |
-
2023
- 2023-12-21 CN CN202311763914.9A patent/CN117434429B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04199843A (ja) * | 1990-11-29 | 1992-07-21 | Mitsubishi Electric Corp | 半導体試験方法 |
KR20160028541A (ko) * | 2014-09-03 | 2016-03-14 | 한림대학교 산학협력단 | 바이오칩 온도 센서의 교정 시스템 및 그 교정 방법 |
CN110875276A (zh) * | 2018-08-30 | 2020-03-10 | 瑞萨电子株式会社 | 半导体器件 |
CN114520602A (zh) * | 2020-11-19 | 2022-05-20 | 重庆美的制冷设备有限公司 | 温度检测电路、驱动芯片、智能功率模块及空调器 |
CN115561173A (zh) * | 2021-07-02 | 2023-01-03 | 深圳康爱医疗科技有限公司 | 一种基于微流控芯片的体外医学诊断装置及系统 |
CN117214637A (zh) * | 2023-10-26 | 2023-12-12 | 深圳永贵技术有限公司 | 充电枪耐压测试方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
星载温度传感控制芯片的自动测试系统;刘童;陈华;邱仅朋;王志宇;刘小敏;王立平;郁发新;;传感技术学报;20160930(第09期);第149-156页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117434429A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117434429B (zh) | 芯片的稳定性测试方法及相关装置 | |
CN110163261B (zh) | 不平衡数据分类模型训练方法、装置、设备及存储介质 | |
CN109685104B (zh) | 一种识别模型的确定方法和装置 | |
CN108681742B (zh) | 用于分析司机驾驶行为对车辆能耗敏感性的分析方法 | |
CN116453438A (zh) | 一种显示屏参数检测方法、装置、设备及存储介质 | |
CN117171696B (zh) | 一种基于物联网的传感器生产监测方法及系统 | |
CN103714332A (zh) | 字符识别设备和字符识别方法 | |
CN111343147A (zh) | 一种基于深度学习的网络攻击检测装置及方法 | |
CN111461445A (zh) | 短期风速预测方法、装置、计算机设备及存储介质 | |
CN112420125A (zh) | 分子属性预测方法、装置、智能设备和终端 | |
CN110472659B (zh) | 数据处理方法、装置、计算机可读存储介质和计算机设备 | |
CN113010671B (zh) | 一种app分类系统 | |
CN117079741A (zh) | 一种基于神经网络的分子绝缘强度预测方法、装置及介质 | |
CN110177006B (zh) | 基于接口预测模型的节点测试方法及装置 | |
CN113010687B (zh) | 一种习题标签预测方法、装置、存储介质以及计算机设备 | |
CN116204648A (zh) | 样本确定方法、装置、计算机设备及计算机可读存储介质 | |
CN115358473A (zh) | 基于深度学习的电力负荷预测方法及预测系统 | |
CN112463964B (zh) | 文本分类及模型训练方法、装置、设备及存储介质 | |
CN117011539A (zh) | 目标检测方法、目标检测模型的训练方法、装置及设备 | |
US20220051077A1 (en) | System and method for selecting components in designing machine learning models | |
CN115497564A (zh) | 一种鉴定抗原模型建立方法及鉴定抗原方法 | |
CN115171790A (zh) | 质谱的数据序列在质量评估中的分析方法、装置和存储介质 | |
CN111026661B (zh) | 一种软件易用性全面测试方法及系统 | |
CN114116456A (zh) | 测试用例生成方法、系统及计算机可读存储介质 | |
CN113468816A (zh) | 铁塔钢材指标预测模型的训练方法、装置及可读存储介质 |
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 |