通过CNN-LSTM驱动的有效模式识别降低VLSI测试成本

《Microelectronics Journal》：Test-cost reduction via CNN-LSTM-Driven valid pattern identification for VLSI testing

　　

摘要

随着集成电路密度的急剧增加，测试图案的规模和测试时间也大幅上升，这给传统的压缩方法带来了挑战，因为那些方法往往需要牺牲缺陷检测的准确性。为降低测试时间，本研究提出了一种基于学习的图案筛选框架，该框架结合了拓扑感知的图卷积与序列依赖学习，从而识别出对故障起关键作用的图案，同时剔除冗余图案。通过利用潜在的合格/不合格结构，该方法能够去除无用图案，在不降低检测质量的前提下减少测试时间。这一方法在显著降低测试时间的同时并未增加缺陷检测风险，从而实现了较高的测试质量。这些结果证明了数据驱动的图案选择在降低先进集成电路测试成本方面的有效性。

引言

现代集成电路的可靠性保障面临一个矛盾状况：随着器件几何尺寸缩小到深纳米级别，每个晶体管的物理尺寸虽在减小，但制造缺陷出现的可能性却在增加[1]（见图1中的步骤a）。亚光刻级图案生成、材料沉积的随机变化以及颗粒引起的不一致性，共同导致了越来越微妙、空间分布不均且统计上较为罕见的故障模式[2]。这些缺陷很少单独出现，而是会与较长的信号路径及收敛逻辑结构相互作用，产生难以被传统测试策略识别的微妙故障特征[3]。

数十年来，工业界一直遵循这样的原则：更多的测试图案能确保更安全的测试。现有的测试压缩策略默认所有图案对缺陷检测的贡献是相同的，但在高度异构的深亚微米电路中，这一假设逐渐不再成立。然而，要全面检测和观察罕见缺陷，所需的测试图案数量会随着电路规模的扩大而呈超线性增长，这就导致了全面覆盖与实际可行性之间的矛盾[4]。如今，测试时间已成为大规模生产的最大成本因素，在先进的生产线中，哪怕测试延迟略有增加，也会导致每年数百万美元的额外开支[5]（见图1中的步骤b）。传统的应对措施，如图案压缩和有限抽样，虽然能在一定程度上缓解压力，但却未能解决根本问题，即电路各部分的缺陷检测能力并不均匀，无法通过统一的图案策略有效实现检测[6]。

从技术层面来看，当前的核心挑战在于测试复杂性的急剧上升与众多图案有限的诊断价值之间的矛盾，这表明现有方法存在更深层次的结构效率问题。如果电路的拓扑结构本身就能指示哪些区域对物理扰动更为敏感，那么测试时就无需对所有节点一视同仁[7]。借助网络科学和表示学习的理念，我们可以重新思考测试生成的思路，不再采用穷举法，而是根据电路内在的故障易感性模式进行有针对性的搜索。这种视角将可靠性测试视为一种识别结构脆弱性的过程，而非单纯地积累测试图案，从而为在降低计算成本的同时保持高测试性能的策略打开了大门。为了解决成本问题，新兴的拓扑感知图学习方法可以直接从结构拓扑中推断出节点级的故障敏感性，进而实现基于学习的电路故障易感组件识别。通过融入结构特征，可以高效识别出关键测试图案，避免穷举测试带来的指数级成本上升。将节点优先级排序视为图学习问题，还能根据节点的固有检测重要性对电路进行排序，从而以少得多的测试操作实现近乎全面的覆盖。

基于我们的研究结果，我们开发了一种图案识别方法，该方法能够优先选择对故障敏感区域的测试图案，从而大幅降低测试成本。该方法通过识别能够揭示关键子网络故障的图案，能够在保持测试准确性的同时减少测试时间和缺陷检测错误。主要贡献如下：

(1) 该框架基于卷积神经网络，可直接从电路拓扑中学习故障敏感特征，无需手动设计测试图案，也无需依赖经验性的故障注入设计方法；

(2) 通过将学到的结构敏感性与测试有效性相结合，该方法能够根据图案的故障揭示潜力对它们进行排序，从而消除冗余，显著降低测试时间和成本，同时不会影响故障检测的覆盖率。

本文的其余部分安排如下：第2节介绍相关背景，第3节阐述所提出的卷积神经网络算法，第4节展示实验设置与结果，最后一部分则给出结论。

章节节选

背景

所提出的测试方法

与传统基于欧几里得网格的图像域卷积神经网络不同，所提出的拓扑感知卷积神经网络是在图结构化的电路表示上运行的，其卷积操作是通过逻辑连接关系对邻域数据进行聚合来实现的。

实验设置

结论

本研究提出了一种基于学习的方案，可用于识别有效的测试图案，从而有效控制集成电路验证成本的上升。实验结果表明，高效的分类器能够可靠地区分有用的测试刺激，为简化测试流程和加强缺陷筛查提供了可行途径。这些优势得益于该模型能够提取与故障行为相关的稳定响应特征。不过，模型的性能仍然会受到电路结构多样性和差异性的限制。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。

孙颖|李志楠|宋泰|李亚东

中国河南省平顶山市平顶山职业技术学院自动化与信息工程系，467001