CN117076972A - 芯片失效类型的数据分类方法及装置、存储介质和终端 - Google Patents
芯片失效类型的数据分类方法及装置、存储介质和终端 Download PDFInfo
- Publication number
- CN117076972A CN117076972A CN202210487539.9A CN202210487539A CN117076972A CN 117076972 A CN117076972 A CN 117076972A CN 202210487539 A CN202210487539 A CN 202210487539A CN 117076972 A CN117076972 A CN 117076972A
- Authority
- CN
- China
- Prior art keywords
- failure
- chip
- block
- clustering
- result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012360 testing method Methods 0.000 claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 230000015654 memory Effects 0.000 claims abstract description 27
- 238000013461 design Methods 0.000 claims abstract description 17
- 238000010586 diagram Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
Landscapes
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种芯片失效类型的数据分类方法及装置、存储介质和终端，其中方法包括获取待测芯片的设计信息，并基于设计信息获取待测芯片的尺寸信息、逻辑位置与物理位置对应信息以及失效类型信息；获取待测芯片的测试数据，并基于尺寸信息和逻辑位置与物理位置对应信息将测试数据转化为测试物理位置信息；基于测试物理位置信息通过优化聚类算法对待测芯片的失效位进行聚类，以获取失效聚类结果；基于失效类型信息和失效聚类结果对待测芯片的失效位进行分类，以获取待测芯片的失效分类结果。本方法通过优化聚类算法提高了聚类运算效率，节省了运算所占用的内存，大大提高了芯片失效类型获取效率；提高了数据读取和保存效率，节省了存储空间。
Description
技术领域
本发明涉及芯片失效数据分析技术领域，尤其涉及一种芯片失效类型的数据分类方法及装置、存储介质和终端。
背景技术
静态随机存取存储器(Static Random-Access Memory，SRAM)是随机存取存储器的一种。静态随机存取存储器失效背后的物理机制会在数据的层面形成一个特定的模式，通过对不同失效模式的分类，可以针对性的寻找背后失效的原因。
为了获取芯片失效机理的信息，需要找到失效的芯片上每一个位(bit)的位置，并对每个位进行失效判断。对于存储类的芯片来说，由于存储类芯片在版图的时候都以阵列形式进行版图并在硅片上形成，因此分析芯片的物理位置数据即可判断芯片失效位的具***置。现有的芯片失效位数据分类分析方法分别从原始数据的横向和纵向进行聚类，而后再将两个聚类结果进行合并，此过程会产生三个矩阵，而后需要多次重复使用三个矩阵运行分类算法。该分析方法数据读取和处理速度较慢，占用存储空间大，分类算法的运行速度都比较慢，内存占用率高，且重复使用三个矩阵运行算法，效率低下。
发明内容
本发明所要解决的技术问题是现有的芯片失效类型的数据分类方法数据读取和处理速度较慢，占用存储空间较大，且分类算法的运行速度比较慢，内存占用率高，效率低下。
为了解决上述技术问题，本发明提供了一种芯片失效类型的数据分类方法，包括：
获取待测芯片的设计信息，并基于所述设计信息获取所述待测芯片的尺寸信息、逻辑位置与物理位置对应信息以及失效类型信息；
获取所述待测芯片的测试数据，并基于所述尺寸信息和所述逻辑位置与物理位置对应信息将所述测试数据转化为测试物理位置信息；
基于所述测试物理位置信息通过优化聚类算法对所述待测芯片中的失效位进行聚类，以获取失效聚类结果；
基于所述失效类型信息和所述失效聚类结果对所述待测芯片的失效位进行分类，以获取待测芯片的失效分类结果；
其中，所述优化聚类算法包括：
将目标区块中的第N行/列点位作为目标行/列点位；
通过一维聚类算法对所述目标行/列点位中的失效位进行聚类，以获取一维聚类结果；
将所述一维聚类结果中和最新定义的临时聚类结果中相邻的聚类类型进行合并，以获取目标聚类结果；
判断N是否等于第一预设阈值，若是则将最新获取的所述目标聚类结果作为区块失效聚类结果，否则N加1，将最新获取的所述目标聚类结果定义为临时聚类结果，并重新将第N行/列点位作为目标行/列点位，
其中N的初始值为1，且当N为1时，最新定义的临时聚类结果为无，所述待测芯片包括多个区块，每个所述区块包括多行或多列点位，所述第一预设阈值为所述区块中的点位行数或点位列数。
优选地，基于所述尺寸信息和所述逻辑位置与物理位置对应信息将所述测试数据转化为测试物理位置信息包括：
将所述测试数据转化为矩阵格式数据；
基于所述尺寸信息和所述逻辑位置与物理位置对应信息将所述矩阵格式数据转化为测试物理位置信息。
优选地，基于所述测试物理位置信息通过优化聚类算法对所述待测芯片的失效位进行聚类，以获取失效聚类结果步骤包括：
将所述待测芯片中的所有区块进行排序，以获取区块排序结果；
将所述区块排序结果中的第M个区块作为目标区块；
通过优化聚类算法对所述目标区块中的失效位进行聚类，以获取所述第M个区块的区块聚类结果；
判断M是否等于预设排序值，若是则所有区块的区块聚类结果形成所述待测芯片的失效聚类结果，否则M加1，且重新将所述区块排序结果中的第M个区块作为目标区块；
其中，M的初始值为1，所述预设排序值为所述待测芯片中区块的总个数。
优选地，基于所述失效类型信息和所述失效聚类结果对所述待测芯片的失效位进行分类，以获取待测芯片的失效分类结果步骤包括：
分别对所述待测芯片中每个区块中的聚类类型进行分类，以获取每个所述区块的区块分类结果，所有所述区块的区块分类结果形成所述待测芯片的失效分类结果；
其中，对单个区块中的聚类类型进行分类过程包括：
判断该区块中所有聚类类型中的所有失效位总个数是否大于第一预设个数，若是则判定该区块为块状失效模式，否则分别判断该区块中的所有聚类类型是否符合线型失效设定，并将符合线型失效设定的聚类类型设定为线型失效模式，而后分别判断该区块中的剩下聚类类型是否符合点状失效设定，并将符合点状失效设定的聚类类型设定为点状失效模式，将不符合点状失效设定的聚类类型设定为其它失效模式；
其中，所述线型失效设定为所述聚类类型中的失效位个数大于第二预设个数，所述点状失效设定为所述聚类类型中只有一个失效位、具有连续两个失效位或具有四个相邻且形成正方形的失效位。
优选地，芯片失效类型的数据分类方法还包括：
基于所述待测芯片的尺寸信息和所述分类结果对所述分类结果进行图像显示，以获取待测芯片的失效分类显示图。
优选地，当判定区块为块状失效模式时，计算该区块失效位的密度分布，并将该区块在所述待测芯片的失效分类显示图中以密度分布图的形式体现。
优选地，芯片失效类型的数据分类方法还包括：
以稀疏矩阵原理将所述测试数据存储在数据库中，将所述失效分类结果中的各个分类结果分别与所述测试数据中对应的数据建立索引关系，并将建立索引后的所述失效分类结果存储到所述数据库中。
为了解决上述技术问题，本发明还提供了一种芯片失效类型的数据分类装置，包括信息获取模块、测试物理位置信息获取模块、失效聚类结果获取模块和失效分类结果获取模块；
所述信息获取模块，用于获取待测芯片的设计信息，并基于所述设计信息获取所述待测芯片的尺寸信息、逻辑位置与物理位置对应信息以及失效类型信息；
所述测试物理位置信息获取模块，用于获取所述待测芯片的测试数据，并基于所述尺寸信息和所述逻辑位置与物理位置对应信息将所述测试数据转化为测试物理位置信息；
所述失效聚类结果获取模块，用于基于所述测试物理位置信息通过优化聚类算法对所述待测芯片中的失效位进行聚类，以获取失效聚类结果；
所述失效分类结果获取模块，用于基于所述失效类型信息和所述失效聚类结果对所述待测芯片的失效位进行分类，以获取待测芯片的失效分类结果；
其中，所述优化聚类算法包括：
将目标区块中的第N行/列点位作为目标行/列点位；
通过一维聚类算法对所述目标行/列点位中的失效位进行聚类，以获取一维聚类结果；
将所述一维聚类结果和最新定义的临时聚类结果中相邻的聚类类型进行合并，以获取目标聚类结果；
判断N是否等于第一预设阈值，若是则将最新获取的所述目标聚类结果作为区块失效聚类结果，否则N加1，将最新获取的所述目标聚类结果定义为临时聚类结果，并重新将第N行/列点位作为目标行/列点位，
其中N的初始值为1，且当N为1时，最新定义的临时聚类结果为无，所述待测芯片包括多个区块，每个所述区块包括多行或多列点位，所述第一预设阈值为所述区块中的点位行数或点位列数。
为了解决上述技术问题，本发明还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现芯片失效类型的数据分类方法。
为了解决上述技术问题，本发明还提供了一种终端，包括：处理器以及存储器，所述存储器与所述处理器之间通信连接；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如芯片失效类型的数据分类方法。
与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：
应用本发明实施例提供的芯片失效类型的数据分类方法，通过优化聚类算法提高了聚类运算效率，节省了运算所占用的内存；基于聚类结果进行芯片失效位分类，大大提高了芯片失效类型获取效率；在待测芯片的失效分类显示图中通过密度分布形式对块状失效模型进行显示，可更加准确的表达实际数据所反映的情况；采用稀疏矩阵的理念结合失效模式存储分类结果与原始数据，提高了数据读取和保存效率，节省了存储空间。进一步优化聚类算法仅从横向或纵向进行聚类，降低了内存占用率，且在聚类过程中将相邻聚类类型进行合并，减少了计算次数和过程变量的使用，提高了整体计算效率。
本发明的其它特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：
图1示出了本发明实施例一芯片失效类型的数据分类方法的流程示意图；
图2示出了本发明实施例一中失效分类显示图的示例图；
图3示出了本发明实施例二芯片失效类型的数据分类装置的结构示意图；
图4示出了本发明实施例四终端的结构示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
静态随机存取存储器(SRAM)失效背后的物理机制会在数据的层面形成一个特定的模式，通过对不同失效模式的分类，可以针对性的寻找背后失效的原因。但对芯片数据进行处理面临着数据量过大，占据大量存储空间，且分析速度较慢的问题。目前现有针对芯片失效类型的数据分类方法将原始数据直接存储在数据库中，使得数据读取和处理速度较慢，且占据了大量存储空间；横向和纵向分别进行聚类，以获取两个对应的矩阵，而后再将两个矩阵进行合并，该过程运行速度慢，且内存占用率高；最后在运算过程中需多次重复使用三个矩阵，使得运算效率低下。
实施例一
为解决现有技术中存在的技术问题，本发明实施例提供了一种芯片失效类型的数据分类方法。
图1示出了本发明实施例一芯片失效类型的数据分类方法的流程示意图；参考图1所示，本发明实施例芯片失效类型的数据分类方法包括如下步骤。
步骤S101，获取待测芯片的设计信息，并基于设计信息获取待测芯片的尺寸信息、逻辑位置与物理位置对应信息以及失效类型信息。
具体地，通过下载或其他方式获取待测芯片的设计信息，其中设计信息包括芯片尺寸信息、逻辑位置与物理位置对应信息以及该芯片的失效类型信息。进一步芯片尺寸信息包括芯片的尺寸、芯片中每个区块的位置尺寸信息以及每个区块中每个点位的水平方向和竖直方向的地址。逻辑位置与物理位置对应信息包括待测芯片逻辑位置和物理位置的对应关系，其主要用于基于芯片数据的逻辑位置信息确定芯片数据在芯片上的物理位置信息。失效类型信息包括失效模式以及与失效模式对应的参数；具体失效模式包括块状失效模式、线型失效模式、点状失效设定和其它失效模式。块状失效模式参数为块状失效设定定义及第一预设个数数值；线型失效模式参数为线型失效设定及第二预设个数数值；点状失效模型参数为点状失效模型失效设定。因此基于待测芯片的设计信息即可获取待测芯片的尺寸信息、逻辑位置与物理位置对应信息、失效类型信息等信息。
步骤S102，获取待测芯片的测试数据，并基于尺寸信息和逻辑位置与物理位置对应信息将测试数据转化为测试物理位置信息。
具体地，若要对芯片失效类型进行获取，需先对芯片进行测试，而后获取芯片的测试数据，以作为分析芯片失效模式的数据基础。因此需对待测芯片进行测试以获取待测芯片的测试数据。待测芯片的测试数据即为体现失效的逻辑位置数据；获取的测试数据通常为文本文档格式数据，此时为了便于处理，需将测试数据转化为标准格式的数据，且标准格式需为矩阵格式，进一步标准格式的其它限定条件可基于实际情况进行限定。而后再基于待测芯片的尺寸信息和逻辑位置与物理位置对应信息将测试数据中的逻辑点位逐个转换为对应的物理点位，进而获取待测芯片的测试物理位置信息。
步骤S103，基于测试物理位置信息通过优化聚类算法对待测芯片的失效位进行聚类，以获取失效聚类结果。
芯片中通常包括多个区块，每个区块上又包括多个点位，若待测芯片为失效芯片，则待测芯片中的点位又分为失效位和未失效位。具体地对待测芯片中的失效位进行聚类包括如下步骤：S31，将待测芯片中的所有区块进行排序，以获取区块排序结果。S32，将区块排序结果中的第M个区块作为目标区块；其中M的初始值为1，且M为正整数。S33，通过优化聚类算法对目标区块进行聚类，以获取第M个区块的区块聚类结果。S34，判断M是否等于预设排序值，若是则待测芯片中所有区块的区块聚类结果即形成待测芯片的失效聚类结果，否则M加1，并转到步骤S31，以对待测芯片中的下一区块进行聚类。其中，M的初始值为1且M的正整数，且预设排序值为待测芯片中区块的总个数。
即为了简化失效位统计运算量，我们先采用优化聚类算法对待测芯片中的每个区块进行聚类，而后再基于聚类结果对待测芯片的失效位进行分类，大大简化了所失效位的统计过程，减少了统计的运算量。进一步通过优化聚类算法对目标区块进行聚类，以获取区块聚类结果的具体过程包括如下步骤：
S331，将目标区块中的第N行点位作为目标行/列点位。
具体地，将目标区块中的点位划分为横纵交错的行和列，并将目标区块中的第N行点位作为目标行点位。需要说明的是，还可选取目标区块中的第N列点位作为目标列点位，相对应的以下步骤中的行均修改为列，列修改为行。进一步聚类方式按行进行还是按列进行可基于待测芯片的实际情况设定，在此不对其进行限定。
S332，通过一维聚类算法对目标行点位中的失效位进行一维聚类运算，以获取一维聚类结果。
具体地，按顺序对目标行点位中的失效位进行一维聚类，以获取多个聚类类型，多个聚类类型形成目标行的一维聚类结果。优选地，一维聚类算法具体为计算目标行上失效位之间的距离，设定一个阈值，如果相邻失效位之间的距离小于阈值，定义为同一类，大于阈值则定义为新的聚类类型。
S333，将一维聚类结果和最新定义的临时聚类结果中相邻的聚类类型进行合并，以获取目标聚类结果。
具体地，判断目标行的一维聚类结果中的多个聚类类型与临时聚类结果中的多个聚类类型是否存在相邻的聚类类型，若存在则将目标行一维聚类结果中和临时聚类结果中所有相邻的两个聚类类型进行合并，并调整相应聚类类型的类型名称。而后在相邻聚类类型合并的基础上对目标行一维聚类结果中的聚类类型和临时聚类结果中的聚类类型进行整合，以获取目标聚类结果。例如假设目标区块第一行的聚类类型包括聚类1-聚类3，第二行的聚类类型包括聚类4-聚类8，判断是否存在第二行中的失效位和第一行失效位属于同一列的，若存在则表示属于同一列的两个失效位所处的两个聚类类型为相邻聚类类型；例如假设第一行的第三列为失效位，且属于聚类1，第二行的第三列也为失效位，属于聚类3，则聚类1和聚类4属于相邻聚类类型，将聚类4中的失效位合并到聚类1中，并将聚类4之后的聚类数值向前挪一位；通过上述方式将第一行中与第二行中的所有相邻聚类类型合并完成，并将两行进行整合，即获取第一行和第二行合并后的目标聚类结果。
且需要说明的是，随着N数值的增大，定义的临时聚类结果实际上是在不断的变化的，因此该步骤所采用的临时聚类结果均为最新定义的临时聚类结果。而当N值为1时，设定此时的临时聚类结果未无，即无需将该行的聚类结果与其它聚类结果进行合并。
S334，判断N是否等于第一预设阈值，若是则将最新获取的目标聚类结果作为区块失效聚类结果，否则N加1，并将最新获取的目标聚类结果定义为临时聚类结果，并重新将第N行点位作为目标行点位。
具体地，设定第一预设阈值为目标区块中的点位行数，即若判断当前目标行即为目标区块的最后一行时，则可将最新获取的目标聚类结果作为目标区块的区块失效聚类结果。若判断N的值小于目标区块中的点位行数，即表示目标区块还未聚类到最后一行，而后将N加1，并转到步骤S331，以重新定义目标行点位。
需要说明的是，若采用按列进行聚类时，第一预设阈值即为目标区块中的点位列数。
步骤S104，基于失效类型信息和失效聚类结果对待测芯片的失效位进行分类，以获取待测芯片的失效分类结果。
具体地，对待测芯片失效位进行分类，实质上即是对待测芯片中每个区块的失效位进行分类。进一步地，分别对待测芯片中每个区块中的聚类类型进行分类，以获取每个区块的区块分类结果，而后所有区块的区块分类结果即可形成待测芯片的失效分类结果。
进一步地，对单个区块中的聚类类型进行分类的过程具体包括：首先判断该区块中所有聚类类型中的所有失效位总个数是否大于第一预设个数，若是则判定该区块为块状失效模式；即当区块所有点位中失效位的个数超过第一预设个数时，即表示该区块中的失效位太多，无需对其进行详细分类，此时该区块整体即为块状失效模式；其中第一预设个数的数值可基于实际情况进行限定。
若判定该区块不为块状失效模式时，进一步分别判断该区块中的所有聚类类型是否符合线型失效设定，若符合则将符合线型失效设定的聚类类型设定为线型失效模式，若不符合线型失效设定则对应的聚类类型留待进一步判定；其中线型失效设定为聚类类型中的失效位个数大于第二预设个数，即若某个聚类类型中失效位个数超过一定数值，即判定该聚类类型为线型失效模式；其中第二预设个数的数值可基于实际情况进行限定。更近一步地，还可将线型失效模式分为多种类型，例如某区块中一整行或一整列均为失效位，则该线型失效模式为第一类线型失效模式；若某区块中的某一行或某一列仅存在一个线型失效模式，且存在不为失效位的点位，则该线型失效模式为第二类线型失效模式；其他类型的线型失效模式为第三类线型失效模式。
最后再对该区块中剩下未判定失效类型的聚类类型进行判断，即分别判读该区块中剩下的聚类类型是否符合点状失效设定，若符合则将符合点状失效设定的聚类类型设定为点状失效模式，若不符合点状失效设定则对应的聚类类型设定为其它失效模式；其中点状失效设定为聚类类型中只有一个失效位、具有连续两个失效位或具有四个相邻且形成正方形的失效位。
进一步地，在判定区块为块状失效模式时，还需计算该区块失效位的密度分布，以便于在失效分类显示图对其进行显示。
在获取待测芯片的失效分类结果，还可通过图示方式对其进行显示，即本实施例芯片失效类型的数据分类方法还可包括如下步骤。
步骤S105，基于待测芯片的尺寸信息和分类结果对分类结果进行图像显示，以获取待测芯片的失效分类显示图。
图2示出了本发明实施例一中失效分类显示图的示例图；参考图2所示，具体可采用python调用matplotlib包的方式对分类结果进行显示。其中块状失效模式的区块在待测芯片的失效分类显示图中以密度分布图的形式进行体现的，以更加准确的表达实际数据所反映的信息。
本实施例芯片失效类型的数据分类方法还可包括如下步骤S106。
步骤S106，以稀疏矩阵原理将测试数据存储在数据库中，将失效分类结果中的各个分类结果分别与测试数据中对应的数据建立索引关系，并将建立索引后的失效分类结果存储到数据库中。
具体地，在获取测试数据后还需基于稀疏矩阵原理将其存储到数据库中，以便于之后进行数据查找等。采用稀疏矩阵原理对测试数据进行存储，可达到使用更少的内存进行对矩阵的操作，同时运算速度也会更快。而后将待测芯片失效分类结果中的各个分类结果分别与测试数据中对应的数据建立索引关系，以使得每种分类结果均可通过索引查询到其对应的原始测试数据。最后再将建立索引后的失效分类结果存储到数据库中。运用稀疏矩阵的理念结合失效模式存储分类结果与测试数据，可有效提高数据读取效率。
本发明实施例提供的芯片失效类型的数据分类方法，通过优化聚类算法提高了聚类运算效率，节省了运算所占用的内存；基于聚类结果进行芯片失效位分类，大大提高了芯片失效类型获取效率；在待测芯片的失效分类显示图中通过密度分布形式对块状失效模型进行显示，可更加准确的表达实际数据所反映的情况；采用稀疏矩阵的理念结合失效模式存储分类结果与原始数据，提高了数据读取和保存效率，节省了存储空间。进一步优化聚类算法仅从横向或纵向进行聚类，降低了内存占用率，且在聚类过程中将相邻聚类类型进行合并，减少了计算次数和过程变量的使用，提高了整体计算效率。
实施例二
为解决现有技术中存在的技术问题，本发明实施例提供了一种芯片失效类型的数据分类装置。
图3示出了本发明实施例二芯片失效类型的数据分类装置的结构示意图；参考图3所示，本发明实施例芯片失效类型的数据分类装置包括信息获取模块、测试物理位置信息获取模块、失效聚类结果获取模块和失效分类结果获取模块。
信息获取模块用于获取待测芯片的设计信息，并基于设计信息获取待测芯片的尺寸信息、逻辑位置与物理位置对应信息以及失效类型信息。
测试物理位置信息获取模块用于获取待测芯片的测试数据，并基于尺寸信息和逻辑位置与物理位置对应信息将测试数据转化为测试物理位置信息。
失效聚类结果获取模块用于基于测试物理位置信息通过优化聚类算法对待测芯片的失效位进行聚类，以获取失效聚类结果。
失效分类结果获取模块用于基于失效类型信息和失效聚类结果对待测芯片的失效位进行分类，以获取待测芯片的失效分类结果。
其中，优化聚类算法为：
将目标区块中的第N行/列点位作为目标行/列点位；
通过一维聚类算法对目标行/列点位中的失效位进行聚类，以获取一维聚类结果；
将一维聚类结果和最新定义的临时聚类结果中相邻的聚类类型进行合并，以获取目标聚类结果；
判断N是否等于第一预设阈值，若是则将最新获取的目标聚类结果作为区块失效聚类结果，否则N加1，将最新获取的目标聚类结果定义为临时聚类结果，并重新将第N行/列点位作为目标行/列点位，
其中N的初始值为1，且当N为1时，最新定义的临时聚类结果为无，待测芯片包括多个区块，每个区块包括多行或多列点位，第一预设阈值为区块中的点位行数或点位列数。
本发明实施例提供的芯片失效类型的数据分类装置，通过优化聚类算法提高了聚类运算效率，节省了运算所占用的内存；基于聚类结果进行芯片失效位分类，大大提高了芯片失效类型获取效率；在待测芯片的失效分类显示图中通过密度分布形式对块状失效模型进行显示，可更加准确的表达实际数据所反映的情况；采用稀疏矩阵的理念结合失效模式存储分类结果与原始数据，提高了数据读取和保存效率，节省了存储空间。进一步优化聚类算法仅从横向或纵向进行聚类，降低了内存占用率，且在聚类过程中将相邻聚类类型进行合并，减少了计算次数和过程变量的使用，提高了整体计算效率。
实施例三
为解决现有技术中存在的上述技术问题，本发明实施例还提供了一种存储介质，其存储有计算机程序，该计算机程序被处理器执行时可实现实施例一中芯片失效类型的数据分类方法中的所有步骤。
芯片失效类型的数据分类方法的具体步骤以及应用本发明实施例提供的可读存储介质获取的有益效果均与实施例一相同，在此不在对其进行赘述。
需要说明的是：存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
实施例四
为解决现有技术中存在的上述技术问题，本发明实施例还提供了一种终端。
图4示出了本发明实施例四终端结构示意图，参照图4，本实施例终端包括相互连接的处理器及存储器；存储器用于存储计算机程序，处理器用于执行存储器存储的计算机程序，以使终端执行时可实现实施例一芯片失效类型的数据分类方法中的所有步骤。
芯片失效类型的数据分类方法的具体步骤以及应用本发明实施例提供的终端获取的有益效果均与实施例一相同，在此不在对其进行赘述。
需要说明的是，存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。同理处理器也可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种芯片失效类型的数据分类方法，包括：
获取待测芯片的设计信息，并基于所述设计信息获取所述待测芯片的尺寸信息、逻辑位置与物理位置对应信息以及失效类型信息；
获取所述待测芯片的测试数据，并基于所述尺寸信息和所述逻辑位置与物理位置对应信息将所述测试数据转化为测试物理位置信息；
基于所述测试物理位置信息通过优化聚类算法对所述待测芯片中的失效位进行聚类，以获取失效聚类结果；
基于所述失效类型信息和所述失效聚类结果对所述待测芯片的失效位进行分类，以获取待测芯片的失效分类结果；
其中，所述优化聚类算法包括：
将目标区块中的第N行/列点位作为目标行/列点位；
通过一维聚类算法对所述目标行/列点位中的失效位进行聚类，以获取一维聚类结果；
将所述一维聚类结果中和最新定义的临时聚类结果中相邻的聚类类型进行合并，以获取目标聚类结果；
判断N是否等于第一预设阈值，若是则将最新获取的所述目标聚类结果作为区块失效聚类结果，否则N加1，将最新获取的所述目标聚类结果定义为临时聚类结果，并重新将第N行/列点位作为目标行/列点位，
其中N的初始值为1，且当N为1时，最新定义的临时聚类结果为无，所述待测芯片包括多个区块，每个所述区块包括多行或多列点位，所述第一预设阈值为所述区块中的点位行数或点位列数。
2.根据权利要求1所述分类方法，其特征在于，基于所述尺寸信息和所述逻辑位置与物理位置对应信息将所述测试数据转化为测试物理位置信息包括：
将所述测试数据转化为矩阵格式数据；
基于所述尺寸信息和所述逻辑位置与物理位置对应信息将所述矩阵格式数据转化为测试物理位置信息。
3.根据权利要求1所述分类方法，其特征在于，基于所述测试物理位置信息通过优化聚类算法对所述待测芯片的失效位进行聚类，以获取失效聚类结果步骤包括：
将所述待测芯片中的所有区块进行排序，以获取区块排序结果；
将所述区块排序结果中的第M个区块作为目标区块；
通过优化聚类算法对所述目标区块中的失效位进行聚类，以获取所述第M个区块的区块聚类结果；
判断M是否等于预设排序值，若是则所有区块的区块聚类结果形成所述待测芯片的失效聚类结果，否则M加1，且重新将所述区块排序结果中的第M个区块作为目标区块；
其中，M的初始值为1，所述预设排序值为所述待测芯片中区块的总个数。
4.根据权利要求1所述分类方法，其特征在于，基于所述失效类型信息和所述失效聚类结果对所述待测芯片的失效位进行分类，以获取待测芯片的失效分类结果步骤包括：
分别对所述待测芯片中每个区块中的聚类类型进行分类，以获取每个所述区块的区块分类结果，所有所述区块的区块分类结果形成所述待测芯片的失效分类结果；
其中，对单个区块中的聚类类型进行分类过程包括：
判断该区块中所有聚类类型中的所有失效位总个数是否大于第一预设个数，若是则判定该区块为块状失效模式，否则分别判断该区块中的所有聚类类型是否符合线型失效设定，并将符合线型失效设定的聚类类型设定为线型失效模式，而后分别判断该区块中的剩下聚类类型是否符合点状失效设定，并将符合点状失效设定的聚类类型设定为点状失效模式，将不符合点状失效设定的聚类类型设定为其它失效模式；
其中，所述线型失效设定为所述聚类类型中的失效位个数大于第二预设个数，所述点状失效设定为所述聚类类型中只有一个失效位、具有连续两个失效位或具有四个相邻且形成正方形的失效位。
5.根据权利要求4所述分类方法，其特征在于，还包括：
基于所述待测芯片的尺寸信息和所述分类结果对所述分类结果进行图像显示，以获取待测芯片的失效分类显示图。
6.根据权利要求5所述分类方法，其特征在于，当判定区块为块状失效模式时，计算该区块失效位的密度分布，并将该区块在所述待测芯片的失效分类显示图中以密度分布图的形式体现。
7.根据权利要求1所述分类方法，其特征在于，还包括：
以稀疏矩阵原理将所述测试数据存储在数据库中，将所述失效分类结果中的各个分类结果分别与所述测试数据中对应的数据建立索引关系，并将建立索引后的所述失效分类结果存储到所述数据库中。
8.一种芯片失效类型的数据分类装置，其特征在于，包括信息获取模块、测试物理位置信息获取模块、失效聚类结果获取模块和失效分类结果获取模块；
所述信息获取模块，用于获取待测芯片的设计信息，并基于所述设计信息获取所述待测芯片的尺寸信息、逻辑位置与物理位置对应信息以及失效类型信息；
所述测试物理位置信息获取模块，用于获取所述待测芯片的测试数据，并基于所述尺寸信息和所述逻辑位置与物理位置对应信息将所述测试数据转化为测试物理位置信息；
所述失效聚类结果获取模块，用于基于所述测试物理位置信息通过优化聚类算法对所述待测芯片中的失效位进行聚类，以获取失效聚类结果；
所述失效分类结果获取模块，用于基于所述失效类型信息和所述失效聚类结果对所述待测芯片的失效位进行分类，以获取待测芯片的失效分类结果；
其中，所述优化聚类算法包括：
将目标区块中的第N行/列点位作为目标行/列点位；
通过一维聚类算法对所述目标行/列点位中的失效位进行聚类，以获取一维聚类结果；
将所述一维聚类结果和最新定义的临时聚类结果中相邻的聚类类型进行合并，以获取目标聚类结果；
判断N是否等于第一预设阈值，若是则将最新获取的所述目标聚类结果作为区块失效聚类结果，否则N加1，将最新获取的所述目标聚类结果定义为临时聚类结果，并重新将第N行/列点位作为目标行/列点位，
其中N的初始值为1，且当N为1时，最新定义的临时聚类结果为无，所述待测芯片包括多个区块，每个所述区块包括多行或多列点位，所述第一预设阈值为所述区块中的点位行数或点位列数。
9.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7中任一项芯片失效类型的数据分类方法。
10.一种终端，其特征在于，包括：处理器以及存储器，所述存储器与所述处理器之间通信连接；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至7中任一项芯片失效类型的数据分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210487539.9A CN117076972A (zh) | 2022-05-06 | 2022-05-06 | 芯片失效类型的数据分类方法及装置、存储介质和终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210487539.9A CN117076972A (zh) | 2022-05-06 | 2022-05-06 | 芯片失效类型的数据分类方法及装置、存储介质和终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117076972A true CN117076972A (zh) | 2023-11-17 |
Family
ID=88718042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210487539.9A Pending CN117076972A (zh) | 2022-05-06 | 2022-05-06 | 芯片失效类型的数据分类方法及装置、存储介质和终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117076972A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118133778A (zh) * | 2024-05-07 | 2024-06-04 | 杭州广立微电子股份有限公司 | 失效点分析方法、装置、计算机设备和存储介质 |
-
2022
- 2022-05-06 CN CN202210487539.9A patent/CN117076972A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118133778A (zh) * | 2024-05-07 | 2024-06-04 | 杭州广立微电子股份有限公司 | 失效点分析方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110210490B (zh) | 图像数据处理方法、装置、计算机设备和存储介质 | |
| CN117076972A (zh) | 芯片失效类型的数据分类方法及装置、存储介质和终端 | |
| CN110119408B (zh) | 地理空间实时流数据下移动对象连续查询方法 | |
| US20230267571A1 (en) | Data loading method and apparatus for convolution operation | |
| CN115145906A (zh) | 一种面向结构化数据的预处理和补全方法 | |
| CN111768458A (zh) | 一种基于卷积神经网络的稀疏图像处理方法 | |
| CN105512598A (zh) | 一种qr码图像取样的自适应匹配识别方法 | |
| CN112380302A (zh) | 基于轨迹数据的热力图生成方法、装置、电子设备以及存储介质 | |
| KR20230081697A (ko) | 팽창 컨볼루션 계산 가속화 방법 및 장치 | |
| CN110569300A (zh) | 一种实现树状层级结构报表数据排序的方法及*** | |
| CN112149518A (zh) | 基于began和yolov3模型的松果检测方法 | |
| CN111652976A (zh) | 基于dem栅格数据的通视分析方法 | |
| CN116433050B (zh) | 应用于农业大数据管理***的异常报警方法及*** | |
| CN115982418A (zh) | 一种提升ai计算芯片超分运算性能的方法 | |
| US10140681B2 (en) | Caching method of graphic processing unit | |
| CN115165363A (zh) | 一种基于cnn的轻型轴承故障诊断方法及*** | |
| CN113468838B (zh) | 一种三维交叉点存储阵列的建模方法及模拟方法 | |
| CN114330687A (zh) | 数据处理方法及装置、神经网络处理装置 | |
| JP2006121697A5 (zh) | ||
| CN117710235B (zh) | 图像目标增强方法、装置、计算机设备和存储介质 | |
| CN113542755B (zh) | 二维楔形遮罩的产生方法及*** | |
| CN117707743B (zh) | 一种智慧车站能源管控***任务执行方法、装置及设备 | |
| CN118133778A (zh) | 失效点分析方法、装置、计算机设备和存储介质 | |
| US8200920B2 (en) | Systems and methods for storing and accessing data stored in a data array | |
| CN115035355B (zh) | 一种五度搜索二值靶图非连通区像素分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |