[发明专利]一种基于机器学习的集成电路可测性设计方法

权利要求书

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PrimePower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；

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data_new之和，如下，

sum＝data_new1+data_new2+data_new3+data_new4+data_new5

其中，data_new1为测试覆盖率、data_new2为自动测试向量生成时间、data_new3为测试时间、data_new4为面积、data_new5为功耗。