面向预测静默数据损坏并引发电路级故障的时空图神经网络方法
机器学习
2025-09-09 v1 硬件体系结构
新兴技术
摘要
静默数据错误（SDE）由时零缺陷和老化引发，影响安全关键系统。功能性测试可检测 SDE 相关故障，但仿真成本高昂。我们提出一种统一的时空图卷积网络（ST-GCN），用于快速准确预测大型顺序电路中长周期故障影响概率（FIP），支持定量风险评估。将门级 netlist 建模为时空图以捕获拓扑结构和信号时序；专用的时空编码器高效预测多周期 FIP。实验表明，在 ISCAS-89 数据集上，该方法在保持高精度（5 周期预测均方绝对误差为 0.024）的同时，将仿真时间缩短了 10 倍以上。该框架接受可测试性指标或故障仿真的特征输入，可在效率与精度之间进行权衡。测试点选择研究表明，依据预测的 FIP 选择观察点可提高对长周期难检测故障的检测率。该方法可扩展至 SoC 级测试策略优化，并适配下游电子设计自动化流程。
引用
@article{arxiv.2509.06289,
title = {A Spatio-Temporal Graph Neural Networks Approach for Predicting Silent Data Corruption inducing Circuit-Level Faults},
author = {Shaoqi Wei and Senling Wang and Hiroshi Kai and Yoshinobu Higami and Ruijun Ma and Tianming Ni and Xiaoqing Wen and Hiroshi Takahashi},
journal= {arXiv preprint arXiv:2509.06289},
year = {2025}
}
备注
21 pages, 9 figures, plan to submit to ACM TODAES