多维学习策略下数字集成电路高分辨率诊断模型研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号:
    61702473
  • 项目类别:
    青年科学基金项目
  • 资助金额:
    25.0万
  • 负责人:
  • 依托单位:
  • 学科分类:
    F0204.计算机系统结构与硬件技术
  • 结题年份:
    2020
  • 批准年份:
    2017
  • 项目状态:
    已结题
  • 起止时间:
    2018-01-01 至2020-12-31

项目摘要

Diagnosis provides a crucial basis for the optimization of integrated circuit design, adjustment of fabrication process, and improvement of packaging and testing. Improving diagnostic resolution is the only available and effective approach of identifying root-cause failures for the majority of the failing, defected circuits. It serves as a foundation for the follow-on procedure, the PFA (Physical Failure Analysis). Based on the present states of the applied diagnostic techniques, and with regards to the actual demands from industry, this project intends to construct models enhancing diagnostic resolution. By leveraging multiple learning strategies, which include supervised and unsupervised learning, semi-supervised learning, active learning, ensemble learning, etc., the project builds a test-termination model that produces an optimal volume of test-response data, resulting a much more compacted set of candidates. It also builds a model that identifies false candidates using both logical and physical neighborhood information. In this way, the diagnostic resolution is improved. The project adjusts the two types of models with the addition of PFA reports, accordingly, so that they meet the actual application requirement from silicon industry. This project aims to promote the integrated circuit industry with both theoretical and technical support.
诊断是数字集成电路设计优化、制造工艺调整、封装测试改良的重要依据。提高诊断分辨率是绝大多数残次电路准确探寻故障缘由的唯一可行途径,也是提高随后PFA步骤成功几率的基础,具有重要现实意义。拟针对目前诊断分辨率欠佳的现状,结合现代工业中集成电路测试及诊断实际需要,深入开展高分辨率诊断模型构建研究。本项目在不同阶段和条件下,灵活运用包括监督学习、无监督学习、半监督学习、主动学习、集成学习等在内的多维机器学习策略建模。拟构建数字集成电路测试进程结束时机判定模型,在兼顾诊断准确率的情况下降低诊断结果集合的规模;构建真伪辨识模型,以逻辑及物理邻域信息为依据,为从诊断结果集合中剔伪存真提供理论指导;依据PFA报告及实际可用的PFA资源,校正上述模型,为研究成果贴近实际工业需求及应用奠定基础。本项目将为促进集成电路相关产业的发展提供理论和技术支持。

结项摘要

数字集成电路的高分辨率诊断模型有着重要的理论研究意义和巨大的实际应用价值。本项目结合现代工业中集成电路测试及诊断实际需要,针对目前诊断分辨率欠佳的现状,深入开展基于多种机器学习策略的高分辨率诊断模型构建研究。主要研究内容包括基于测试数据量优化的诊断模型构建、基于邻域信息的诊断结果真伪辨识模型的构建、基于物理失效分析(PFA)的模型校正。本项目除按计划设计了一系列高分辨诊断模型外,还提出了一种通用型集成学习算法框架和一种片上诊断系统硬件部署范式,并从实验中积累了大量关键实验数据。项目研究工作总体进展顺利,达到了预期研究目标,作为青年基金为今后更高水平的研究工作奠定了良好的基础。..项目研究表明:(1)使用合适的机器学习策略能够很大程度上提高芯片诊断分辨率;(2)测试响应数据量与诊断分辨率之间存在强关联性;(3)主动学习、半监督学习能够有效的用于高分辨率诊断模型构建,若结合PFA结果校正后模型性能可以进一步提高;(4)提出的阶层式集成学习框架对无论是线下诊断还是片上诊断系统实现均具有十分积极的意义。..迄今为止,本项目在领域内重要期刊与会议发表学术研究论文多篇,包括SCI收录3篇,EI收录5篇,CCF期刊/会议4篇,ACM Transactions期刊2篇。本项目基金作为主要资助渠道或者发挥主要资助作用,均为第一标注或唯一标注。另有2篇研究论文在审稿或返修过程中。..在人才培养方面,项目期间累计培养硕士生6名(其中2名已毕业工作),同时指导本科生参与发表了研究论文并毕业后继续深造。在本项目的资助下,积极与多家半导体公司、海内外高校开展学术交流,包括美国卡耐基梅隆大学、杜克大学、意大利都灵理工大学等。

项目成果

期刊论文数量(3)
专著数量(0)
科研奖励数量(0)
会议论文数量(2)
专利数量(0)
Improving Test and Diagnosis Efficiency through Ensemble Reduction and Learning
通过集成缩减和学习提高测试和诊断效率
  • DOI:
    10.1145/3328754
  • 发表时间:
    2019
  • 期刊:
    ACM Transactions on Design Automation of Electronic Systems
  • 影响因子:
    1.4
  • 作者:
    Hongfei Wang;Kun He
  • 通讯作者:
    Kun He
Hierarchical Ensemble Reduction and Learning for Resource-constrained Computing
资源受限计算的分层集成缩减和学习
  • DOI:
    10.1145/3365224
  • 发表时间:
    2020
  • 期刊:
    ACM Transactions on Design Automation of Electronic Systems
  • 影响因子:
    1.4
  • 作者:
    Hongfei Wang;Jianwen Li;Kun He
  • 通讯作者:
    Kun He
Sub-population prediction using enhanced correlation filters
使用增强型相关滤波器进行子群预测
  • DOI:
    10.1049/el.2018.0338
  • 发表时间:
    2018
  • 期刊:
    Electronics Letters
  • 影响因子:
    1.1
  • 作者:
    Wang Hongfei;He Kun
  • 通讯作者:
    He Kun

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--"}}
  • 发表时间:
    {{ item.publish_year || "--" }}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--"}}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ patent.updateTime }}

其他文献

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--" }}
  • 发表时间:
    {{ item.publish_year || "--"}}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--" }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}
empty
内容获取失败,请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题,我已根据课题信息分析并撰写以下内容,帮您拓宽课题思路:

AI项目思路

AI技术路线图

王虹飞的其他基金

资源受限下集成学习算法设计与硬件实现研究
  • 批准号:
    62372198
  • 批准年份:
    2023
  • 资助金额:
    50 万元
  • 项目类别:
    面上项目
数字集成电路高效能诊断方法与良率提升研究
  • 批准号:
  • 批准年份:
    2021
  • 资助金额:
    59 万元
  • 项目类别:
    面上项目

相似国自然基金

{{ item.name }}
  • 批准号:
    {{ item.ratify_no }}
  • 批准年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号:
    {{ item.ratify_no }}
  • 财政年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目:调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要:

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题,其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子,其表达水平对抗病毒防御至关重要。然而,TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用,影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法,探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用,为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义,并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路:

科学问题:TRIM2如何调控A型流感病毒诱导的IFN-β表达?
前期研究:已有研究表明TRIM2参与抗病毒反应,但其具体机制尚不明确。
研究创新点:本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线:包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术:TRIM2与病毒RNA的相互作用分析,IFN-β启动子活性检测。
实验模型:使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
      
关闭
close
客服二维码