DFT-高覆盖率文献阅读笔记-使用机器学习推荐SNOPS压缩结构中SIO与MaxLength

DFT-高覆盖率文献阅读笔记-使用机器学习推荐SNOPS压缩结构中SIO与MaxLength

参考文献

本文是对文献《Machine Learning-Based DFT Recommendation System for ATPG QOR》阅读之后的笔记与记录。欢迎阅读原文献，并与我交流。

A. Zorian, B. Shanyour and M. Vaseekar, “Machine Learning-Based DFT Recommendation System for ATPG QOR,” 2019 IEEE International Test Conference (ITC), Washington, DC, USA, 2019, pp. 1-7, doi: 10.1109/ITC44170.2019.9000136.

文章主要内容

​ 通过机器学习推荐压缩结构的扫描通道数（SIO）与扫描链长度（MaxLength），来减少相同覆盖率下测试周期数（TAT），从而降低测试成本。

​ 前面的研究通过采用新的压缩结构、改进消耗函数或者提出动态压缩率来降低TAT。本文采用SYNOPS的压缩结构，从压缩结构中最基础的扫描通道数（SIO）与扫描链长度（MaxLength）入手。

存在的矛盾

​ MaxLength 越小，压缩逻辑的短链越多（一个设计总的扫描寄存器不变），压缩率越高，短链中的无关位数目越多，而使得某些故障被遮掉，因此需要更多的测试向量数目，但是每条测试向量的周期数降低了，这就是“Pattern inflation”问题。因此并不是MaxLength越小，测试周期越小。

​ SISO增多，压缩率降低，可以有效克服“Pattern inflation”问题。但是SISO受ATE与布线通道的限制。（Port越多的ATE，使用价格越贵）

论文目标

​ 寻找一组最小测试周期数下的SIO与MaxLength配置，并对测试周期数进行排序，以方便挑选合适SIO的压缩结构配置。

提出方法

1.数据收集

• Synopsys TestMAX Advisor收集寄存器数量、时钟域数量、故障数目、基本门数量和static and random test coverage（不知道是啥）信息。
• TestMAX™ DFT 对不同SIO与MaxLength配置的压缩逻辑电路进行扫描链插入，并使用Synopsys TestMAX™ ATPG产生相同覆盖率下的测试向量数目，从而得出测试周期数。（注意：一些难以侦测到的故障，通常发生在ATPG 覆盖率曲线的尾部，这时候ATPG会更加激进，该模型会识别这种过程，从而得到更为准确的测试周期数【如何识别文章中没有说】）

2.机器学习模型产生

• 将上述数据分类，80%用于训练，其他用于测试。

• 将数据按测试周期数的相关性进行手动排序，给算法一个初始值，后期模型会迭代，来确定各种信息的相关强度。

• 本文采用基于树的增强回归模型，采用了网格搜索方法进行超参数优化。一些重要的超参数为训练速率、最大树深度、最大特征数和最小样本拆分数。

• 模型评估：模型的目标，最小测试周期数下的SIO与MaxLength的组合。模型准确度：其中D = {d1, d2, …, dK}为各个模块，SIO ∈ {S1, S2, …, SP}。当该模型在固定SIO的情况下能预测最小周期的MaxLength数目的时候，即为命中，即I=1。我的理解是全部测试集预测成功的百分比。

• 

• 退化指标：当两个SIO/MaxLength的最小周期相差不大的时候，我们更加希望采用SIO更小的配置。采用退化指标来衡量。其公式如下，表示某配置对应的测试周期与最小测试周期的差值。

  

• 衡量退化指标是否计算正确，提出置信度的参数。该参数为预测的退化指标与实际的退化指标的均方差。该数值越小，说明预测越准确。

  

3. 模型测试

​ 通过上述模型来推荐最小周期的SIO、MaxLength配置，并通过退化指标、置信度，来选取需要SIO下的最佳配置。

实验结果

1. 提出的方法对DFTMAX与DFTMAX Ultra都有用。图中的Absolute为预测准确率。Sensitivity<5%为当最小周期数相差小于5%的预测准确度，因为对于大型设计来说，测试周期数相差10%以内都是可以接受的。感觉该模型的预测准确度超过85%。

   

2. 下图为实验结果，从图中可以看出前几个的预测退化指标与实际相差较小，且均方差也较小（4%以内），因此该算法可以有效的预测最小测试周期所对应的SIO、MaxLength配置。

   

我的一些疑问

​ 1.图二跟图三中的横坐标与文章描述对不上，不知道是不是我理解不到位。

情况说明

本博客中可能包含对文献、研究论文或其他来源的引用和评论。所有引用内容均出于学术和信息分享目的，并尊重原作者的知识产权。本博客的目的是分享个人阅读体验和见解，并非用于商业目的。如有任何版权所有者或作者对引用内容的使用有异议，欢迎联系我，我将立即根据要求进行修改或移除。