[发明专利]基于深度学习的集成电路测试异常分析系统及其方法

权利要求书

1.一种基于深度学习的集成电路测试异常分析方法，其特征在于，包括以下步骤：

S1：数据收集模块收集测试数据，其中，所述测试数据包括历史的测试数据和实时的测试数据；

S2：第一输入层对历史的所述测试数据进行格式转化以及特征提取，预处理子模块对实时的所述测试数据进行预处理；

S3：神经网络子模块采用神经网络对特征提取后的历史的所述测试数据进行深度学习和训练，以获得一个训练好的神经网络，并将预处理后的实时的所述测试数据输入至训练好的所述神经网络中进行运算处理，以得到测试异常预警信息和已发生测试异常的解决方法；以及

S4：人机交互模块接收所述测试异常预警信息和已发生测试异常的解决方法，并进行测试异常预警及解决方法的显示。

2.如权利要求1所述的集成电路测试异常分析方法，其特征在于，S3包括：

S31：第二输入层接收特征提取后的历史的所述测试数据，并将其发送给中间层，所述第二输入层还接收所述预处理子模块预处理后的实时的所述测试数据；

S32：采用神经网络对特征提取后的历史的所述测试数据进行深度学习和训练，以获得一个训练好的神经网络；以及

S33：输出层接收所述中间层输出的测试异常预警信息和已发生测试异常的解决方法，并将其发送给人机交互模块。

3.如权利要求2所述的集成电路测试异常分析方法，其特征在于，

经过神经网络的学习获得所述中间层的输出数据y1满足以下公式：

y1＝F(x，{W_i})；

其中，x为中间层输入的历史的测试数据；Wi为第i层网络。

4.如权利要求3所述的集成电路测试异常分析方法，其特征在于，

经过一个两层的神经网络的学习获得所述中间层的输出y1为：

y1＝σ(W₂σ(W₁x))；

其中，σ为非线性激励函数。

5.如权利要求2所述的集成电路测试异常分析方法，其特征在于，

经过所述中间层的深度学习和训练，确定最小误差相对应的交叉熵损失函数如下：

L_log(y，p)＝-(y log(p)+(1-y)log(1-p))

其中，y为分类标签，其取值为0或1；p为测试正常的概率；1-p为测试异常的概率。

6.如权利要求1所述的集成电路测试异常分析方法，其特征在于，所述解决方法包括如何对测试进行优化；对测试机、测试探针卡、测试夹具校准或保养的提醒；对发生测试异常的自动识别。

7.如权利要求1所述的集成电路测试异常分析方法，其特征在于，所述特征提取包括将每种神经元素标签为正常或异常。

8.一种基于深度学习的集成电路测试异常分析系统，用于执行如权利要求1～7中任一项所述的集成电路测试异常分析方法，其特征在于，包括：

数据收集模块，用于收集测试数据，其中，所述测试数据包括历史的测试数据和实时的测试数据；

第一输入层，用于对历史的所述测试数据进行格式转化以及特征提取；

预处理子模块，用于对实时的所述测试数据进行预处理；

神经网络子模块，用于采用神经网络对特征提取后的历史的所述测试数据进行深度学习和训练，以获得一个训练好的神经网络，并将预处理后的实时的所述测试数据输入至训练好的所述神经网络中进行运算处理，以得到测试异常预警信息和已发生测试异常的解决方法；以及

人机交互模块，用于接收所述测试异常预警信息和已发生测试异常的解决方法，并进行测试异常预警及解决方法的显示。

9.如权利要求8所述的集成电路测试异常分析系统，其特征在于，所述测试数据包括测试设备数据、测试硬件数据、测试良率数据、测试结果数据、测试过程数据和测试时间数据。

10.如权利要求8所述的集成电路测试异常分析系统，其特征在于，所述神经网络子模块包括：

第二输入层，用于接收所述第一输入层处理后的历史的所述测试数据和所述预处理子模块预处理后的实时的所述测试数据，并将上述测试数据发送给中间层；

中间层，用于采用神经网络对历史的所述测试数据进行深度学习和训练，以获得一个训练好的神经网络，并将预处理后的实时的所述测试数据输入至训练好的神经网络中进行运算处理，并在测试存在异常时可以得到测试异常预警信息及已发生测试异常的解决方法，并将测试异常预警信息及已发生测试异常的解决方法发送给输出层；以及

输出层，用于将所述测试异常预警信息及已发生测试异常的解决方法发送给人机交互模块。