【量子芯链】《集成电路可测性设计(DFT)工程师》高级班招生咯!

《集成电路可测性设计(DFT)工程师》课程是工业和信息化部教育与考试中心组织开展的“工业和信息化职业技能提升工程”培训项目,旨在培养集成电路可测性设计(DFT)高级应用型人才,提升一线企业工作人员的理论和动手能力。

随着集成电路设计规模的增加和工艺水平的提高,Design-For-Test在设计流程中已成为不可缺少的一环,所占比例越来越大,直接影响到产品质量、生产成本和生命周期。DFT就是要确保以最少的投入,来取得高质量产品。

本次培训将展示和讲解Scan/ATPG 的技术和解决方案,同时也会介绍DFT其它技术的基本方法包括MBIST/BoundarySCAN/Diagnosis。结合相应的实际练习,了解在ATPG领域所备受关注的各种问题,学习和掌握使用扫描链和测试点插入工具;ATPG产生工具Tessent Fastscan。了解整个ATPG处理的流程,包括设计可测性分析,可测电路设计,测试向量产生,以及低可测性的改进方法和高质量测试缺陷类型的覆盖。 

Part.01活动详情

【主办单位】电子芯链集成电路学院 

【授课方式】线上直播授课(安博O课平台)

【培训时间】2023年11月12日-2023年11月19日

【结业证书】由工业和信息化部教育与考试中心颁发《工业和信息化职业能力证书》,学员信息纳入“工业和信息化技术技能人才库”。可在官网查询。

Part.02课程内容和安排

Part.03授课教师介绍

授课讲师主要由来自北方工业大学及业界经验丰富的资深测试应用技术专家组成,均具有10年以上的集成电路测试教育培训及复杂芯片可测性设计应用经历。对复杂芯片SOC如人工智能,汽车电子和GPU等可测性设计,积累了实际的技术经验。在逻辑电路可测性设计、存储器可测性设计、边界扫描技术、内建自测试技术设计方面,全面掌握当前芯片测试设计的需求和工程测试设计规划的制定。对主流可测性设计软件的项目开发与应用方面具有丰厚的理论和实践积淀。 

付永杰,资深DFT Staff工程师,从事DFT可测性设计与应用多达20年,具有国内外DFT可测性设计和应用工作经验。对逻辑电路可测性设计和存储器BIST测试,以及边界扫描电路应用与芯片良率改善分析等技术应用,以及复杂芯片SOC如人工智能,汽车电子和GPU等可测性设计方面,都积累了丰富的实践经验。

魏淑华,博士,北方工业大学副教授。主要从事集成电路测试、集成电路工艺等方面的教学和科研工作。主持完成国家自然科学基金,北京市自然科学基金,国际合作与交流等项目。教授《集成电路测试技术基础》,《虚拟测试技术》,《集成电路测试实践》及《集成电路测试及可测性设计》等课程,在集成电路测试基本理论,测试方法及集成电路测试设备实践方法积累了丰富经验。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值