(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110440277.6 (22)申请日 2021.04.23 (65)同一申请的已公布的文献号 申请公布号 CN 113128147 A (43)申请公布日 2021.07.16 (73)专利权人 南京邮电大 学 地址 210003 江苏省南京市栖霞区文苑路9 号 (72)发明人 蔡志匡　杨涵　王子轩　郭静静　 赵泽宇　汤谨溥　郭宇锋　 (74)专利代理 机构 南京禹为知识产权代理事务 所(特殊普通 合伙) 32272 代理人 王晓东 (51)Int.Cl. G06F 30/333(2020.01) G06F 30/337(2020.01) G06F 30/27(2020.01)G06F 111/06(2020.01) G06F 119/06(2020.01) (56)对比文件 TW 201734869 A,2017.10.01 CN 111523116 A,2020.08.1 1 US 20210815 09 A1,2021.0 3.18 US 20210972 24 A1,2021.04.01 US 2020019652 A1,2020.01.16 应健锋等.一种多X值输入下测试覆盖率损 失的预测方法. 《微电子学与计算机》 .2020,第37 卷(第4期), 此时此刻.DFT- -工具篇(Syn opsys). 《知乎： https://zhuanlan.zhihu.com/p/13798083 0》 .2020, 蔡志匡.低电压SRAM测试电路设计与实现. 《电子器件》 .2018,第41卷(第6期), 审查员 李斌 (54)发明名称 一种基于机器学习的集成电路可测性设计 方法 (57)摘要 本发明公开了一种基于机器学习的高效率 集成电路可测性设计方法， 包括， 对不同参数进 行配置， 利用工具插入扫描链、 自动测试向量生 成及功耗分析， 收集运行结果； 将所述收集结果 读入基于机器学习的预测模型中设置参数， 得到 预测值； 合并所有的所述预测值和所述收集运行 结果存储为csv文件， 启动预测最优配置模型， 得 到设计需求的最优配置。 本发明方法达到保证高 测试覆盖率的同时运行时间少、 低功耗、 低面积 开销的目的。 权利要求书2页 说明书7页 附图6页 CN 113128147 B 2022.02.11 CN 113128147 B 1.一种基于 机器学习的高效率 集成电路可测性设计方法， 其特 征在于： 包括， 对不同参数进行配置， 利用工具插入扫描链、 自动测试向量生成及功耗分析， 收集运行 结果； 将所述收集结果读入基于 机器学习的预测模型中设置参数， 得到预测值； 合并所有的所述预测值和所述收集运行结果存储为csv文件， 启动预测最优配置模型， 得到设计需求的最优配置， 收集所述 运行结果之前包括， 读入待设计的网表文件， 在执行插入扫描链之前， 利用Synopsys  DFT Compiler工具对 扫描链数量、 扫描压缩最小比例参数进行配置； 对于不同配置组合的电路， 分别利用所述Synopsys  DFT Compiler工具插入扫描链、 TetraMax工具 执行自动测试向量 生成以及PrimePo wer进行功耗分析， 收集所述 运行结果包括， 利用perl脚本对所述扫描链数量和所述扫描压缩最小比例参数进行替换； 对不同配置的参数插 入扫描链、 自动测试向量 生成及功耗分析； 收集测试覆盖率、 自动测试向量 生成时间、 测试时间、 功耗及面积运行 结果， 得到所述预测值包括， 将所述收集运行结果存储为所述csv文件， 读入基于机器学习的所述预测模型， 所述预 测模型采用梯度下降算法； 其中， 学习速率为0.01、 迭代次数为600， 得到使函数收敛的theta值， 并设置待预测参 数， 得到所述预测值， 所述预测模型包括， 所述预测模型为单目标参数预测模型， 每次运行前， 根据需求设定待预测配置的扫描 链条数、 扫描压缩比例最小比例参数， 所述预测模 型仅针对单一目标参数预测， 若需要预测 所述配置的五个目标参数， 即测试覆盖率、 自动测试向量生成时间、 测试时间、 面积及功 耗， 则需要读入含有不同目标参数的csv文件， 执行所述预测模型5次， 所述预测模型的函数如 下， z＝thetaValue[0， 0]+(thetaValue[0， 1]*x)+(thetaValue[0， 2]*y) 其中， x为每次运行前根据需求所设定的待预测配置的扫描链条数， y为每次运行前根 据需求所设定的待预测配置的扫描压缩最小比例参数。 2.根据权利要求1所述的基于机器学习的高效率集成电路可测性设计方法， 其特征在 于： 包括， 将所有的所述预测值及所述收集运行结果合并存储为所述csv文件， 启动预测最优配 置模型； 所述预测最优配置模型将各参数不同配置得到的运行结果进行归一化处理， 与最优值 误差比例计算， 求出运行 结果的和。 3.根据权利要求2所述的基于机器学习的高效率集成电路可测性设计方法， 其特征在 于： 还包括， 以各参数的单参数最佳值要求倒序或正序排列， 保留前20％的配置； 保留各参数 前20％最佳配置的交集；权　利　要　求　书 1/2 页 2 CN 113128147 B 2输出各项运行结果、 各项运行结果的和， 得到单目标参数最优配置预测结果、 多参数平 衡的损失值， 并输出最佳配置 。 4.根据权利要求3所述的基于机器学习的高效率集成电路可测性设计方法， 其特征在 于： 所述预测最优配置模型包括， 利用所述测试覆盖率、 所述自动测试向量生成时间、 所述测试时间、 面积和所述功耗五 个目标参数均衡预测最佳配置， 运行结果和为， 各参数前20％最佳配置的交集中的五个目 标参数datanew之和， 如下， sum＝datanew1+datanew2+datanew3+datanew4+datanew5 其中， datanew1为测试覆盖率、 datanew2为自动测试向量生成时间、 datanew3为测试时间、 datanew4为面积、 datanew5为功耗。权　利　要　求　书 2/2 页 3 CN 113128147 B 3