轻量化卷积神经网络Light-ShmooNet：高精度自动化Shmoo图分类新方法

针对集成电路(IC)测试中Shmoo图人工分类效率低、主观性强的问题，研究人员提出轻量化卷积神经网络Light-ShmooNet。通过自动测试设备(ATE)采集1078份样本构建16类数据集，该模型以97.88%的准确率超越传统算法10-12%，仅0.12M参数量适于工业部署，为IC测试智能化提供新方案。

　　

在半导体产业飞速发展的今天，集成电路(IC)测试成本持续攀升，而作为关键诊断工具的Shmoo图却仍依赖工程师人工分类。这些由自动测试设备(ATE)生成的二维矩阵，通过电压-频率坐标下的0/1状态反映芯片性能，但面对日益复杂的芯片设计，传统人工分析方法已暴露出效率低下、主观性强等痛点。更棘手的是，测试过程中产生的Shmoo图往往呈现类别不平衡——"Pass-Normal"等常见类型占多数，而"Fail-XY-Wall"等罕见故障仅占少数，这给自动化分类带来双重挑战。

合肥工业大学与Teradyne联合培养团队另辟蹊径，将目光投向深度学习领域。研究人员收集1078份11×11标准尺寸Shmoo图，创新性地提出16类基于图形特征与缺陷关联的分类体系。为避免过拟合，团队摒弃盲目堆叠网络深度的常规做法，转而设计仅含0.12M参数的轻量化卷积神经网络Light-ShmooNet。该模型巧妙融合空间金字塔池化(SPP)结构捕捉多尺度特征，配合Dropout层有效缓解样本不平衡问题，最终在保持97.88%超高准确率的同时，模型体积压缩至0.46MB，完美适配工业场景部署需求。相关成果发表于《Expert Systems with Applications》。

关键技术方法包括：通过ATE采集芯片测试数据构建11×11标准尺寸Shmoo图数据集；采用分层抽样解决类别不平衡问题；设计含SPP模块的轻量化CNN架构；通过参数量化(0.12M)和模型压缩(0.46MB)实现工业部署。

研究结果方面：
数据集创建：从ATE测试芯片中提取1078个样本，按图形特征与缺陷关联划分为16类，建立首个标准尺寸Shmoo图分类基准。
网络架构：Light-ShmooNet采用5层卷积+SPP的极简设计，参数量仅为ResNet50的1/500，推理速度提升3倍。
性能对比：以97.88%准确率碾压SVM(85.32%)等传统算法，较EfficientNet等先进模型提升1-5%，对罕见故障类别的召回率达92.4%。

这项研究开创了Shmoo图智能分析的新范式。其价值不仅体现在97.88%的行业最高准确率，更在于验证了轻量化模型在专业工业场景的适用性——当多数研究者追求更大更深的网络时，Ruochen Li等人反其道而行，用精巧的架构设计证明：针对特定领域的专业问题，"小而美"的解决方案往往比通用模型更具生命力。该成果为半导体测试自动化提供了可落地的技术路径，其构建的标准化数据集更为后续复杂Shmoo图分析研究奠定基础。未来，随着三维Shmoo图等更复杂形态的出现，这种轻量化设计思路或将展现更大潜力。