基于差分进化算法聚类的2.5D集成电路小时延缺陷检测方法技术

基于差分进化算法聚类的2.5D集成电路小时延缺陷检测方法，属于集成电路测试优化技术领域，本发明专利技术为解决传统2.5D集成电路小时延缺陷检测方法测试成本开销大、测试速度慢的问题。本发明专利技术方法包括：步骤一，读取2.5D集成电路关键路径数据作为待聚类数据；步骤二，使用差分进化算法对寄存器中的待聚类数据进行处理，获取最优聚类方案：无需提前设定分组数量，可以在运行过程中确定最佳分组数量，通过变异、交叉和选择等操作实现对聚类过程的优化，确定最佳聚类方案；步骤三，根据最优聚类方案选择每个子类中的聚类中心作为代表性关键路径，测量代表性关键路径上的延迟并映射到其他关键路径上，完成检测集成电路关键路径上的小时延缺陷。缺陷。缺陷。

【技术实现步骤摘要】
基于差分进化算法聚类的2.5D集成电路小时延缺陷检测方法


[0001]本专利技术涉及一种基于差分进化算法聚类的2.5D集成电路小时延缺陷检测方法，属于集成电路测试优化


技术介绍

[0002]在新一轮科技和产业革命背景下，集成电路面临着日益增长的市场需求，为了使其功能更加强大、性能更加优越，集成电路的规模也越来越大。然而，规模扩大所导致的路径延时长、测试成本高，成为集成电路设计和制造过程中存在的严重问题。当前，一种具有较低制造成本和设计复杂度的2.5D集成电路是集成电路行业发展的主流方向之一。
[0003]随着2.5D集成电路工艺尺寸的不断缩小和工作频率的不断提高，电路正常工作所允许的时序波动变得越来越小，因此由小时延缺陷所引起的额外延迟将不可忽略。研究表明，当集成电路技术发展到45nm以下时，因延迟而产生的故障大部分是由于小时延缺陷引起的，因此有效检测关键路径上的小时延缺陷是至关重要的。但是2.5D集成电路中存在大量的关键路径，逐一检测将消耗大量的测试时间成本，如何从关键路径中选择出一组具有典型特征的代表性关键路径，是实现对小时延缺陷进行快速检测的关键。
[0004]代表性关键路径的选择过程本质上就是利用不同关键路的径特征相似性进行聚类的过程。但是常见的聚类算法在执行过程中需要预先设定聚类数量，而且在面对集成电路中大规模的关键路径将产生组合爆炸，聚类效率低，无法有效实现小时延缺陷的快速检测。

技术实现思路

[0005]针对传统2.5D集成电路小时延缺陷检测方法测试成本开销大、测试速度慢的问题，本专利技术提供一种基于差分进化算法聚类的2.5D集成电路小时延缺陷检测方法。本专利技术利用差分进化算法进行聚类分析，选择出少量代表性关键路径，并利用时延的相似性，将测量值映射到其他关键路径上；并且该方法无需预先知道待聚类数据，可以在聚类过程中决定数据的最优分簇数量，实现了小时延缺陷的快速检测。
[0006]本专利技术所述基于差分进化算法聚类的2.5D集成电路小时延缺陷检测方法，该方法包括以下步骤：
[0007]步骤一，读取2.5D集成电路关键路径数据作为待聚类数据，并存入待处理的寄存器中；
[0008]步骤二，使用差分进化算法对寄存器中的待聚类数据进行处理，获取最优聚类方案：
[0009]首先，对待聚类数据进行初始化形成初始种群，所述初始种群包括K个子类，对初始种群进行评估；
[0010]然后反复进行变异操作、交叉操作和选择操作来优化聚类过程，直到满足设置的最大迭代次数，获取最优聚类方案；
[0011]步骤三，根据最优聚类方案选择每个子类中的聚类中心作为代表性关键路径，测量代表性关键路径上的延迟并映射到其他关键路径上，完成检测集成电路关键路径上的小时延缺陷。
[0012]优选地，待聚类数据为X
×
Y的数据集P
X
×
Y
＝{P1,P2,
…
,P
X
}
T
，行向量P
x
,x＝1,2,
…
,X表示数据集中的第x条关键路径，X为关键路径的数量，每条路径都采用Y个特性进行编码；P
x,y
表示第x条关键路径的第y,y＝1,2,...,Y个特性。
[0013]优选地，步骤二使用差分进化算法获取最优聚类方案的过程为：
[0014]S1、种群初始化，初始种群中每一个个体代表一种聚类方案，种群中共含有NP个个体，每个个体初始化为一个K
max
+K
max
×
Y维的向量：
[0015][0016]其中，np表示种群中个体的序号，G为迭代次数，X
np,G
为第G次迭代的第np个个体，K
max
表示所允许的最大的聚类数目，在个体编码中，前K
max
个元素A
np,k
,(k＝1,2,
…
,K
max
)为聚类中心的激活标志，为[0,1]之间的随机数，初始化时将其设置为[0.5,1]之间的随机数；剩余元素s
np,k
(k＝1,2,
…
,K
max
)为第k个子类的聚类中心，均为Y维的向量，初始化为从X条关键路径中随机选取的K
max
条关键路径；执行过程中，如果A
np,k
≥0.5，那么对应的第k个聚类中心s
np,k
处于激活状态；否则，处于无效状态；
[0017]S2、评估初始种群，获取初始种群的最优聚类方案；
[0018]首先，对每个个体进行分类，根据关键路径到聚类中心的欧式距离将聚类方案中的所有关键路径划分到不同的子类里；
[0019]然后，对初始种群中的每个个体进行适应度值评估，评估指标CS(K)按下式获取：
[0020][0021]其中，C
k
表示第k个子类，k＝1,2,...,K，K表示处于激活状态的聚类数量,K≤K
max
；
[0022]P
a
,P
b
为第k个子类中关键路径，a＝1,2,...,N
k
，b＝1,2,...,N
k
，且a≠b，N
k
表示第k个子类中关键路径的数量；
[0023]d(P
a
,P
b
)表示关键路径P
a
与P
b
之间的欧氏距离，
[0024]av
k
为第k个子类的平均位置，av
k'
为第k'个子类的平均位置，k'＝1,2,...,K，且k≠k'，av
k
和av
k'
的计算方式相同，其中av
k
按下式获取：
[0025][0026]将评估指标CS(K)值最小的个体最为初始种群的最优聚类方案，作为第0次迭代最优个体X
best,0
；
[0027]S3、差分变异操作；
[0028]将第G次迭代生成的最优聚类方案进行变异，生成变异个体，第G次迭代第np个个体生成的变异个体V
np,G
为：
[0029][0030]X
best,G
为第G次迭代生成的最优个体；
[0031]为第G次迭代时从种群中随机选择的三个当前个体，其中为三个个体中适应度值最优的精英个体；
[0032]w为过程参数，通过该参数将向量与X
best,G
进行了组合，按下式获取：
[0033]w＝GP/exp(ES)
[0034]式中，GP＝(G
max
‑
G+1)/G
max
是与迭代次数相关的参数，随着进化过程而递减，G
max
表示允许的最大迭代次数；参数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于差分进化算法聚类的2.5D集成电路小时延缺陷检测方法，其特征在于，该方法包括以下步骤：步骤一，读取2.5D集成电路关键路径数据作为待聚类数据，并存入待处理的寄存器中；步骤二，使用差分进化算法对寄存器中的待聚类数据进行处理，获取最优聚类方案：首先，对待聚类数据进行初始化形成初始种群，所述初始种群包括K个子类，对初始种群进行评估；然后反复进行变异操作、交叉操作和选择操作来优化聚类过程，直到满足设置的最大迭代次数，获取最优聚类方案；步骤三，根据最优聚类方案选择每个子类中的聚类中心作为代表性关键路径，测量代表性关键路径上的延迟并映射到其他关键路径上，完成检测集成电路关键路径上的小时延缺陷。2.根据权利要求1所述基于差分进化算法聚类的2.5D集成电路小时延缺陷检测方法，其特征在于，待聚类数据为X
×
Y的数据集P
X
×
Y
＝{P1,P2,
…
,P
X
}
T
，行向量P
x
,x＝1,2,
…
,X表示数据集中的第x条关键路径，X为关键路径的数量，每条路径都采用Y个特性进行编码；P
x,y
表示第x条关键路径的第y,y＝1,2,...,Y个特性。3.根据权利要求2所述基于差分进化算法聚类的2.5D集成电路小时延缺陷检测方法，其特征在于，步骤二使用差分进化算法获取最优聚类方案的过程为：S1、种群初始化，初始种群中每一个个体代表一种聚类方案，种群中共含有NP个个体，每个个体初始化为一个K
max
+K
max
×
Y维的向量：其中，np表示种群中个体的序号，G为迭代次数，X
np,G
为第G次迭代的第np个个体，K
max
表示所允许的最大的聚类数目，在个体编码中，前K
max
个元素A
np,k
,(k＝1,2,
…
,K
max
)为聚类中心的激活标志，为[0,1]之间的随机数，初始化时将其设置为[0.5,1]之间的随机数；剩余元素s
np,k
(k＝1,2,
…
,K
max
)为第k个子类的聚类中心，均为Y维的向量，初始化为从X条关键路径中随机选取的K
max
条关键路径；执行过程中，如果A
np,k
≥0.5，那么对应的第k个聚类中心s
np,k
处于激活状态；否则，处于无效状态；S2、评估初始种群，获取初始种群的最优聚类方案；首先，对每个个体进行分类，根据关键路径到聚类中心的欧式距离将聚类方案中的所有关键路径划分到不同的子类里；然后，对初始种群中的每个个体进行适应度值评估，评估指标CS(K)按下式获取：其中，C
k
表示第k个子类，k＝1,2,...,K，K表示处于激活状态的聚类数量,K≤K
max
；P
a
,P
b
为第k个子类中关键路径，a＝1,2,...,N
k
，b＝1,2,...,N
k
，且a≠b，N
k
表示第k个子类中关键路径的数量；
d(P
a
,P
b
)表示关键路径P
a
与P
b
之间的欧氏距离，av
k
为第k个子类的平均位置，av
k'
为第k'个子类的平均位置，k'＝1,2,...,K，且k≠k'，av
k
和av
k'
的计算方式相同，其中av
k
按下式获取：将评估指标CS(K)值最小的个体最为初始种群的最优聚类方案，作为第0次迭代最优个体X
best,0
；S3、差分变异操作；将第G次迭代生成的最优聚类方案进行变异，生成变异个体，第G次迭代第np个个体生成的变异个体V
np,G
为：X
best,G
为第G次迭代生成的最优个体；X
r*,G
、为第G次迭代时...

【专利技术属性】
技术研发人员：邓立宝，李春磊，狄原竹，乔立岩，
申请(专利权)人：哈尔滨工业大学威海，
类型：发明
国别省市：