基于卷积神经网络的非易失性存储器故障位图批量诊断与分类

《IEEE Transactions on Emerging Topics in Computing》：Effective and Efficient Methodology to Classify Volumes of Large Memory Failure Bitmaps

　　

摘要：

本文讨论了内存核的批量诊断，并展示了如何以高置信度快速准确地分类从批量生产中转储的故障位图。该方法主要使用卷积神经网络（CNNs），能够对故障形状进行快速准确的分类，并将其划分为预定义标签。此外，所提出的方法还能精确识别新的、未分类的故障形状。实验结果聚焦于非易失性存储器（NVMs），这些存储器嵌入在片上系统（SoC）中，每 bank 的大小可达数兆字节。所提出的方法能够对生产批次进行大规模分析，每天可处理数千颗芯片和数十万个嵌入式 NVM 核心。对于大约一万块兆比特大小的故障 NVM 数据集，分类准确率高达 98.64，平均计算时间不到一小时。该方法在指导识别异常形状方面也证明是有效的。