带有故障性质预测的自动测试向量求解模型OA北大核心CSCDCSTPCD
基于布尔满足模型的自动测试向量生成是芯片故障检测的关键环节,相应布尔问题的求解已然成为整个故障检测过程的效率瓶颈.本文研究了主流自动测试向量求解框架中不同算子对求解效率的影响,在保证测试向量求解流程完备性的同时引入基于深度学习的故障分析机制,并将分析结果用于算子的自动选择和初始求解状态的确定,旨在优化整体求解进程.针对因真实电路故障数据不足导致模型学习效果欠佳的问题,本文利用生成对抗网络实现数据增广,结合多层图卷积神经网络促进高效表征学习,从而提高故障性质的预测精度.在若干真实电路上的实验结果表明,本文所提出的新框架与原有框架相比,平均求解效率提升近20%.
贺丽媛;黄俊华;陶继平
厦门大学自动化系,福建厦门361102华为诺亚方舟实验室,广东深圳518000厦门大学自动化系,福建厦门361102
电子信息工程
自动测试向量生成图神经网络生成对抗网络数据增广算子选择
《电子学报》 2023 (12)
P.3540-3548,9
福建省自然科学基金(No.2020J01053)。
评论