System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于芯片测试,具体涉及一种ai芯片测试管理系统及方法。
技术介绍
1、随着电子科技的不断进步,伴随而来ai芯片技术也得到了快速发展,尤其是芯片制造工艺的日益提升,使得ai芯片的规模越来越大,ai芯片的功能越来越强,ai芯片也被称为ai加速器或计算卡,即专门用于处理人工智能应用中的大量计算任务的模块(其他非计算任务仍由cpu负责)。当前,ai芯片主要分为gpu、fpga、asic,ai芯片回片后,为了验证其性能,需要对其进行性能测试。
2、现阶段,对ai芯片进行测试时,主要通过性能模拟器对待测试的ai芯片进行算力、设计缺陷进行检测,但是随着ai芯片不断的迭代更新,现有的性能模拟器无法适应ai芯片不断的迭代更新,使得性能测试结果不精准,基于此,我们提出了一种ai芯片测试管理系统及方法。
技术实现思路
1、本专利技术的目的在于针对现有技术的不足之处,提供一种ai芯片测试管理系统及方法,解决了现有的性能模拟器无法适应ai芯片不断的迭代更新,使得性能测试结果不精准的问题。
2、随着ai芯片不断的迭代更新,现有的性能模拟器无法适应ai芯片不断的迭代更新,使得性能测试结果不精准,基于此,我们提出了一种ai芯片测试管理系统及方法,所述方法包括在ai芯片架构中设置测试匹配器,然后基于预建立的测试匹配模型生成测试代码,ai芯片架构响应于测试指令,测试匹配器将测试代码下载至ai芯片架构中片上ram,ai芯片架构cpu释放并执行测试代码;获取至少一组测试输出管脚上传的的时
3、本专利技术是这样实现的,一种ai芯片测试管理方法,所述ai芯片测试管理方法包括:
4、在ai芯片架构中设置测试匹配器,使得ai芯片架构上电时ai芯片架构cpu处于未释放状态;
5、基于预建立的测试匹配模型生成测试代码,测试匹配模型与测试匹配器建立连接;
6、ai芯片架构响应于测试指令,测试匹配器将测试代码下载至ai芯片架构中片上ram,ai芯片架构cpu释放并执行测试代码;
7、获取至少一组测试输出管脚上传的的时序测试数据,对所述时序测试数据进行预处理。
8、优选地,所述ai芯片测试管理方法还包括:
9、获取时序测试数据预处理结果,基于预设的测试评价模型加权计算ai芯片架构的性能健康度。
10、优选地,所述测试匹配模型的生成方法,具体包括:
11、响应于测试匹配模型生成指令,获取测试匹配模型训练用数据集;
12、确定与训练匹配器一一对应的rom起始地址的训练样本,利用rom起始地址的训练样本对测试匹配模型进行测试,得到第一匹配模型;
13、确定与训练匹配器一一对应的rom终止地址的训练样本,利用rom终止地址的训练样本对测试匹配模型进行测试,得到第二匹配模型。
14、优选地,所述测试匹配模型的生成方法,具体还包括:
15、加载第一匹配模型以及第二匹配模型,根据第一匹配模型确定rom起始地址的训练样本与rom起始地址上电代码的第一匹配度,判断第一匹配度是否超过第一预设精度,若超过第一预设精度,则根据第二匹配模型确定rom终止地址的训练样本与rom终止地址上电代码的第二匹配度;
16、判断第二匹配度是否超过第二预设精度,若超过第二预设精度,以第二匹配模型为输出的测试匹配模型。
17、优选地,所述获取至少一组测试输出管脚上传的的时序测试数据的方法,具体包括:
18、解析测试代码,测试匹配器响应于测试代码输入指令;
19、测试匹配器烧录ai芯片架构的功能模块功能配置程序;
20、根据输入指令的测试设计方案,ai芯片架构上电,同时ai芯片架构cpu处于释放状态;
21、功能模块功能配置程序控制ai芯片架构内部各模拟开关的开关状态得到多组的数字功能电路;
22、加载多组所述不同的数字功能电路测试所述ai芯片的数字功能模块功能;
23、测试输出管脚获取ai芯片的数字功能模块功能的至少一组时序测试数据。
24、优选地,所述基于预设的测试评价模型加权计算ai芯片架构的性能健康度的方法,具体包括:
25、加载至少一组时序测试数据;
26、预设的测试评价模型对时序测试数据进行解析,获取cpu温度、cpu功耗、cpu处理耗时、ai芯片架构缺陷、存储功耗的当前数值;
27、测试评价模型将当前数值解码处理,得到有稀疏长尾现象的评价矩阵。
28、优选地,所述基于预设的测试评价模型加权计算ai芯片架构的性能健康度的方法,具体还包括:
29、评价矩阵进行cpu温度、cpu功耗、cpu处理耗时、ai芯片架构缺陷、存储功耗的真实值计算,得到真实测试结果;
30、对真实测试结果进行加权计算,测试评价模型选择反sigmoid衰减时间表来模拟性能健康指标,进而确定ai芯片架构的性能健康度。
31、优选地,所述测试评价模型包括第一解码器、第二解码器以及加权嵌入器,其中,所述第一解码器进行有稀疏长尾现象的评价矩阵预测,在第一解码器和第二解码器交互过程中,第一解码器提供有稀疏长尾现象的评价矩阵。
32、另一方面,本专利技术实施例还提供了一种ai芯片测试管理系统,所述一种ai芯片测试管理系统具体包括:
33、测试匹配器,所述测试匹配器设置在ai芯片架构中,使得ai芯片架构上电时ai芯片架构cpu处于未释放状态;
34、测试配置模块,所述测试配置模块基于预建立的测试匹配模型生成测试代码,测试匹配模型与测试匹配器建立连接;
35、代码执行模块,所述代码执行模块使得ai芯片架构响应于测试指令,测试匹配器将测试代码下载至ai芯片架构中片上ram,ai芯片架构cpu释放并执行测试代码;
36、数据获取模块,所述数据获取模块用于获取至少一组测试输出管脚上传的的时序测试数据,对所述时序测试数据进行预处理。
37、健康度评价模块,所述健康度评价模块用于获取时序测试数据预处理结果,基于预设的测试评价模型加权计算ai芯片架构的性能健康度。
38、优选地,所述健康度评价模块包括:
39、数据解析单元,所述数据解析单元基于预设的测试评价模型对时序测试数据进行解析,获取cpu温度、cpu功耗、cpu处理耗时、ai芯片架构缺陷、存储功耗的当前数值;
40、评价矩阵单元,所述评价矩阵单元基于测试评价模型将当前数值解码处理,得到有稀疏长尾现象的评价矩阵;
41、测试结果获取单元,所述测试结果获取单元通过评价矩阵进行cpu温度、cpu功耗本文档来自技高网...
【技术保护点】
1.一种AI芯片测试管理方法,其特征在于,所述AI芯片测试管理方法包括:
2.如权利要求1所述的AI芯片测试管理方法,其特征在于:所述AI芯片测试管理方法还包括:
3.如权利要求2所述的AI芯片测试管理方法,其特征在于:所述测试匹配模型的生成方法,具体包括:
4.如权利要求3所述的AI芯片测试管理方法,其特征在于:所述测试匹配模型的生成方法,具体还包括:
5.如权利要求2所述的AI芯片测试管理方法,其特征在于:所述获取至少一组测试输出管脚上传的的时序测试数据的方法,具体包括:
6.如权利要求1所述的AI芯片测试管理方法,其特征在于:所述基于预设的测试评价模型加权计算AI芯片架构的性能健康度的方法,具体包括:
7.如权利要求6所述的AI芯片测试管理方法,其特征在于:所述基于预设的测试评价模型加权计算AI芯片架构的性能健康度的方法,具体还包括:
8.如权利要求6所述的AI芯片测试管理方法,其特征在于:所述测试评价模型包括第一解码器、第二解码器以及加权嵌入器,其中,所述第一解码器进行有稀疏长尾现象的评价
9.一种AI芯片测试管理系统,采用如权利要求1-8任一所述的AI芯片测试管理系统,其特征在于:所述方法,具体包括:
10.如权利要求9所述的AI芯片测试管理系统,其特征在于:所述健康度评价模块包括:
...【技术特征摘要】
1.一种ai芯片测试管理方法,其特征在于,所述ai芯片测试管理方法包括:
2.如权利要求1所述的ai芯片测试管理方法,其特征在于:所述ai芯片测试管理方法还包括:
3.如权利要求2所述的ai芯片测试管理方法,其特征在于:所述测试匹配模型的生成方法,具体包括:
4.如权利要求3所述的ai芯片测试管理方法,其特征在于:所述测试匹配模型的生成方法,具体还包括:
5.如权利要求2所述的ai芯片测试管理方法,其特征在于:所述获取至少一组测试输出管脚上传的的时序测试数据的方法,具体包括:
6.如权利要求1所述的ai芯片测试管理方法,其特征在于:所述基于预设的测试评价模型加权计算ai芯片架构的性能健...
【专利技术属性】
技术研发人员:吕向东,夏菁,陈真,李政达,欧阳托日,
申请(专利权)人:恒烁半导体合肥股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。