Автоматическая генерация тестовых шаблонов: новый дифференцируемый подход

Автор: Денис Аветисян

Исследователи предлагают инновационную систему DEFT, использующую градиентную оптимизацию для повышения эффективности обнаружения сложных дефектов в интегральных схемах.

☕️

Читаем отчёты, пьём кофе, ждём дивиденды. Если тебе надоел хайп и ты ищешь скучную, но стабильную гавань — добро пожаловать.

Бесплатный Телеграм канал

Фреймворк DEFT представляет собой целостную систему, предназначенную для обеспечения детерминированного и воспроизводимого анализа сложных алгоритмов, что позволяет гарантировать корректность и доказуемость каждого этапа вычислений, в отличие от эмпирической проверки на тестовых данных.

Представлена дифференцируемая платформа автоматической генерации тестовых шаблонов (ATPG) с использованием кастомного CUDA-ядра для улучшения покрытия HTD-дефектов и масштабируемости.

С ростом сложности интегральных схем традиционные методы автоматического тестирования сталкиваются с экспоненциальным увеличением объема необходимых тестовых паттернов. В данной работе представлена новая методология DEFT: Differentiable Automatic Test Pattern Generation, преобразующая задачу генерации тестовых паттернов из дискретной в непрерывную оптимизационную, что позволяет эффективно находить покрытия для труднообнаружимых дефектов. Предложенный подход, использующий дифференцируемые вычисления и специализированное CUDA-ядро, демонстрирует значительное улучшение покрытия труднообнаружимых дефектов по сравнению с существующими коммерческими инструментами. Не откроет ли это путь к созданию более эффективных и масштабируемых систем тестирования для будущих поколений микросхем?

Вызов Необнаружимых Неисправностей

Современные методы автоматической генерации тестовых паттернов (ATPG) сталкиваются с растущими трудностями по мере усложнения схем интегральных цепей, однако особенно серьезную проблему представляют собой труднообнаружимые неисправности (HTD). Эти неисправности, характеризующиеся низкой вероятностью обнаружения стандартными тестовыми процедурами, требуют значительно больших затрат времени и вычислительных ресурсов для выявления. Традиционные алгоритмы ATPG, разработанные для более простых типов дефектов, часто оказываются неэффективными при работе с HTD, что приводит к снижению уровня покрытия неисправностей и увеличению риска выпуска дефектных устройств. Поиск оптимальных тестовых паттернов для таких сложных случаев требует применения более продвинутых и ресурсоемких методов, что является актуальной задачей в области тестирования микроэлектроники.

Эффективность автоматической генерации тестовых шаблонов (ATPG) напрямую зависит от достижения высокого уровня покрытия неисправностей, однако труднообнаружимые неисправности (HTD) представляют собой серьезное препятствие на пути к этой цели. Суть проблемы заключается в том, что стандартные алгоритмы ATPG, разработанные для выявления типичных дефектов, часто оказываются неспособны эффективно генерировать тесты, способные выявить именно эти скрытые неисправности. Это связано с тем, что HTD-неисправности характеризуются сложными путями распространения сигнала, маскирующимися эффектами или особыми условиями, требующими специфических тестовых векторов. Низкий уровень покрытия HTD-неисправностей не только снижает уверенность в надежности тестируемого чипа, но и может привести к выпуску дефектных устройств, что чревато финансовыми потерями и репутационными рисками для производителя.

Коммерческие инструменты автоматической генерации тестовых шаблонов (ATPG), несмотря на свою эффективность в большинстве случаев, зачастую демонстрируют ограниченные возможности при работе со сложными труднообнаружимыми дефектами. Это связано с тем, что алгоритмы, лежащие в основе этих инструментов, могут испытывать трудности при создании тестовых векторов, способных эффективно выявить такие дефекты. В результате, для достижения приемлемого уровня покрытия дефектов требуется значительное увеличение времени тестирования и, соответственно, возрастают затраты на проверку качества продукции. Более того, невыявление труднообнаружимых дефектов повышает риск выхода на рынок ненадёжной электроники, что может привести к серьёзным последствиям для потребителей и репутации производителя.

Результаты автоматического тестирования схем (ATPG) показали, что DEFT обнаруживает такое же или большее количество неисправностей, чем коммерческие инструменты.

DEFT: Дифференцируемый ATPG — Новый Подход к Тестированию

DEFT (Дифференцируемая Автоматическая Генерация Тестовых Входных Данных) представляет собой новую структуру ATPG, использующую возможности дифференцируемого программирования. В отличие от традиционных методов ATPG, основанных на дискретном поиске, DEFT позволяет применять градиентные методы оптимизации непосредственно к задаче генерации тестовых входных данных. Это достигается за счет представления процесса ATPG как оптимизационной задачи в непрерывном пространстве, что открывает возможности для использования техник машинного обучения и эффективного исследования пространства решений. DEFT обеспечивает более гибкий и масштабируемый подход к ATPG, потенциально улучшая качество генерируемых тестовых данных и сокращая время, необходимое для их создания.

Традиционные методы автоматической генерации тестовых векторов (ATPG) оперируют дискретными значениями сигналов, что исключает возможность применения градиентных методов оптимизации. DEFT, представляя собой дифференцируемый ATPG, переформулирует задачу как непрерывную оптимизационную, позволяя использовать алгоритмы, основанные на вычислении градиента функции потерь. Это достигается путем замены дискретных логических переменных непрерывными, что позволяет вычислять производные и применять стандартные методы оптимизации, такие как стохастический градиентный спуск (SGD) или Adam, для поиска оптимальных тестовых векторов, максимизирующих покрытие отказов. Такой подход значительно расширяет возможности ATPG, позволяя автоматизировать поиск тестовых векторов для сложных схем, где традиционные методы оказываются неэффективными или требуют значительных вычислительных ресурсов.

В основе подхода DEFT лежит использование метода непрерывной релаксации, позволяющего представить задачу автоматического генерирования тестовых наборов (ATPG) в виде гладкой, дифференцируемой функции. Традиционно, ATPG оперирует дискретными значениями (0 и 1) для представления логических сигналов. Непрерывная релаксация заменяет эти дискретные значения непрерывными, в диапазоне от 0 до 1, что позволяет применять методы градиентной оптимизации. Это преобразование позволяет вычислять градиенты функции потерь, отражающей покрытие ошибок, по отношению к входным тестовым векторам, что дает возможность итеративно улучшать тестовые векторы для достижения максимального покрытия. В результате, задача ATPG, ранее решаемая методами поиска в дискретном пространстве, формулируется как задача непрерывной оптимизации, доступная для стандартных алгоритмов, таких как стохастический градиентный спуск.

Метод перепараметризации в DEFT обеспечивает более эффективное решение по сравнению с наивным непрерывным приближением.

Технические Инновации в DEFT: Оптимизация и Стабилизация

Для обеспечения эффективной градиентной оптимизации, DEFT использует ряд ключевых методов. В частности, применяется репараметризация Gumbel-Softmax, позволяющая дифференцировать дискретные переменные, что необходимо для обучения моделей с категориальными признаками. Кроме того, для ускорения распространения значений и вычисления градиентов реализовано специализированное CUDA-ядро. Данное ядро оптимизировано для параллельных вычислений на графических процессорах, что существенно повышает производительность алгоритма по сравнению с реализациями на основе PyTorch и DGL.

Для ускорения вычислений в DEFT разработан специализированный CUDA-ядер, демонстрирующий прирост производительности в диапазоне от 4.6x до 26x по сравнению с реализацией на основе PyTorch и DGL. Данный выигрыш достигается за счет оптимизации процесса распространения значений и параллелизации вычислений на графических процессорах NVIDIA. Ускорение особенно заметно на задачах, требующих интенсивных вычислений на графах, что позволяет значительно сократить время обучения и повысить эффективность алгоритма.

Для стабилизации процесса оптимизации в DEFT применяется нормализация градиентов. Данная техника предотвращает проблему взрывающихся градиентов ( $\nabla L$ ), которая возникает при обучении глубоких нейронных сетей и может приводить к расхождению процесса обучения. Нормализация градиентов ограничивает максимальное значение градиентов, гарантируя, что обновления весов не станут чрезмерно большими. Это способствует более стабильному и надежному сходимости алгоритма оптимизации, особенно при работе со сложными моделями и большими объемами данных.

В DEFT для распространения непрерывных значений используется специализированное CUDA-ядро, обеспечивающее эффективную обработку данных.

Практическое Влияние DEFT: Результаты на Промышленных Эталонах

Исследования показали, что разработанная методология DEFT демонстрирует существенное превосходство в обнаружении дефектов по сравнению с традиционными подходами, что подтверждено результатами тестирования на промышленных эталонах, таких как блоки Non-Cacheable Units (NCU) и ячейки MAC. В ходе оценки на этих эталонах, DEFT выявил значительно больше скрытых дефектов, чем стандартные инструменты автоматического тестирования, что указывает на повышенную эффективность в обеспечении надежности микросхем. Особенно заметны улучшения в обнаружении трудновыявляемых дефектов, что критически важно для современных технологических процессов и повышения качества конечной продукции.

Исследования показали, что разработанный метод DEFT демонстрирует значительное повышение эффективности выявления скрытых дефектов (HTD) в тестируемых схемах по сравнению с ведущими коммерческими инструментами автоматизированного тестирования (ATPG). В среднем, DEFT позволяет обнаружить на 21.1% — 48.9% больше труднообнаруживаемых дефектов, что свидетельствует о существенном улучшении качества тестирования и надежности электронных устройств. Данное повышение достигается благодаря усовершенствованным алгоритмам, позволяющим более эффективно генерировать тестовые векторы, способные выявить даже самые сложные и скрытые неисправности в схемах.

При тестировании на эталонном наборе Non-Cacheable Units (NCU), разработанный метод DEFT продемонстрировал способность достичь полного покрытия дефектов, используя на 96 тестовых шаблонов меньше, чем коммерческий инструмент автоматизированного тестирования (116 шаблонов). Это представляет собой значительное снижение — на 17.8% — в количестве необходимых тестов для обеспечения надежности микросхем. Уменьшение числа шаблонов не только сокращает время тестирования, но и снижает стоимость производства, делая DEFT перспективным решением для индустрии микроэлектроники.

Исследования показали, что разработанный метод DEFT демонстрирует значительно превосходящие результаты в обнаружении дефектов в ячейках MAC по сравнению с ведущим коммерческим инструментом автоматизированного тестирования. В ходе тестирования DEFT выявил более 800 дефектов, что на 40% превышает количество обнаруженных коммерческим аналогом. Это существенное увеличение свидетельствует о повышенной эффективности DEFT в выявлении скрытых и труднообнаруживаемых дефектов, что критически важно для обеспечения надежности и качества микросхем, использующих ячейки MAC в своей архитектуре. Подобный результат позволяет говорить о значительном улучшении процесса тестирования и повышении уровня контроля качества в производстве электронных устройств.

Разработка DEFT позволила добиться значительного снижения так называемого “bit-ratio” — показателя, отражающего количество тестовых векторов, необходимых для выявления дефектов в схемах. В ходе испытаний было установлено, что DEFT требует на 30.3% меньше тестовых векторов, чем традиционные методы, при этом сохраняя и даже улучшая показатели по обнаружению неисправностей. Такое снижение существенно уменьшает время тестирования, снижает требования к объему памяти для хранения тестовых данных и, как следствие, позволяет сократить затраты на проверку качества микросхем. Эффективное сжатие тестовых данных, достигаемое DEFT, открывает возможности для применения более сложных тестов без увеличения общей длительности процедуры, что особенно важно при тестировании современных высокоинтегрированных схем.

Визуализация DEFT для застрявшей ошибки на входе n1 демонстрирует поток градиентов (зеленый) и конус разветвления, добавленный для обнаружения неисправности (красный).

Перспективы Развития DEFT: Взгляд в Будущее

Будущие исследования направлены на изучение синергии между DEFT и обучением с подкреплением, что позволит значительно улучшить процесс принятия решений и повысить эффективность поиска оптимальных решений. Предполагается, что интеграция этих двух подходов позволит DEFT самостоятельно адаптироваться к различным сценариям и сложностям проектирования, оптимизируя стратегию поиска без необходимости ручной настройки параметров. Обучение с подкреплением предоставит DEFT возможность оценивать эффективность каждого шага в процессе тестирования и, таким образом, формировать более эффективные алгоритмы поиска неисправностей, что особенно важно при работе с высокосложными интегральными схемами, где традиционные методы испытывают значительные затруднения. Ожидается, что такой комбинированный подход не только ускорит процесс автоматического тестирования, но и позволит находить более сложные и скрытые дефекты, повышая надежность и качество конечного продукта.

Дальнейшее исследование применимости DEFT к еще более сложным схемам и моделям отказов представляется критически важным для расширения его влияния. Увеличение масштаба и сложности современных интегральных схем требует разработки методов, способных эффективно обрабатывать все более разнообразные и трудноуловимые дефекты. Исследования в этом направлении направлены на адаптацию DEFT к более реалистичным сценариям отказов, включая эффекты, связанные с производственными отклонениями и старением компонентов. Успешная адаптация позволит значительно повысить надежность и качество современных электронных устройств, а также снизить затраты на тестирование и верификацию. Особенно важным представляется изучение возможностей применения DEFT к схемам с высокой степенью иерархичности и повторного использования блоков, что позволит оптимизировать процесс тестирования и сократить время разработки.

Представленная работа закладывает основу для нового поколения инструментов автоматического тестирования (ATPG), использующих возможности дифференцируемого программирования и оптимизации на основе градиентов. Традиционные методы ATPG, часто полагающиеся на перебор и эвристики, сталкиваются с возрастающими трудностями при проектировании современных микросхем, характеризующихся огромным количеством транзисторов и сложными взаимосвязями. Использование дифференцируемого программирования позволяет рассматривать процесс тестирования как задачу оптимизации, что открывает путь к более эффективным и масштабируемым решениям. Градиентные методы, в свою очередь, позволяют быстро и точно находить оптимальные тестовые векторы, значительно сокращая время и вычислительные ресурсы, необходимые для верификации проектов. Такой подход обещает революционизировать процесс разработки микросхем, позволяя создавать более сложные и надежные электронные устройства.

Схема DEFT проводит аналогию между обучением нейронной сети и дифференцируемым ATPG, где зеленые (синие) блоки обозначают обучаемые (фиксированные) компоненты.

Представленная работа демонстрирует стремление к математической чистоте в области автоматического генерирования тестовых шаблонов. Авторы, подобно тем, кто ищет элегантность в коде, фокусируются на создании доказуемо эффективного метода. Как заметил Дональд Кнут: «Преждевременная оптимизация — корень всех зол». В данном контексте, стремление к высокой степени покрытия труднообнаружимых неисправностей (HTD faults) посредством дифференцируемого подхода, позволяет избежать эмпирических настроек и приблизительных решений, обеспечивая корректность и надёжность процесса тестирования. Основываясь на градиентной оптимизации и специализированном CUDA-ядре, DEFT не просто работает, но и предоставляет контролируемый и предсказуемый результат.

Что Дальше?

Представленный подход, хоть и демонстрирует значительный прогресс в области автоматической генерации тестовых воздействий, не является окончательным решением. В конечном счете, дифференцируемая генерация тестовых воздействий — это лишь приближение к дискретной задаче, и вопрос о точном соответствии полученных решений оптимальным остается открытым. Существующие методы, основанные на градиентной оптимизации, склонны к застреванию в локальных минимумах, что требует дальнейшей разработки более устойчивых алгоритмов и функций потерь.

Особый интерес представляет расширение возможностей предложенного фреймворка для работы с более сложными схемами и дефектами. Необходимо исследовать возможности адаптации метода к условиям, когда информация о структуре схемы неполна или искажена. Кроме того, эффективность предложенного CUDA-ядра требует дальнейшей оптимизации для работы с ещё более крупными и сложными схемами, поскольку вычислительные ресурсы всегда ограничены.

В хаосе данных спасает только математическая дисциплина. В конечном итоге, истинный прогресс в этой области будет достигнут не за счет увеличения вычислительной мощности, а за счет разработки более элегантных и доказуемо корректных алгоритмов, способных находить оптимальные решения даже в условиях неопределенности и шума. Иначе говоря, необходимо стремиться к математической красоте, а не к грубой силе.

Оригинал статьи: https://arxiv.org/pdf/2512.23746.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-01-04 02:06