DeCo：面向在线IC测试任务分配优化的缺陷感知建模与对比匹配
人工智能
2025-06-04 v2
摘要
在半导体行业中，集成电路（IC）工艺扮演着至关重要的角色，因为日益增长的复杂性和市场期望要求提高良率。识别IC缺陷并将IC测试任务分配给合适的工程师可以提高效率并减少损失。虽然当前的研究强调故障定位或缺陷分类，但它们忽视了缺陷特征、历史故障以及工程师专业知识洞察的整合，这限制了它们在改善IC处理方面的有效性。为了利用人工智能应对这些挑战，我们提出了DeCo，这是一种用于优化IC测试中任务分配的创新方法。DeCo从IC测试报告中构建了一个新颖的缺陷感知图，捕获共失效关系以增强缺陷区分能力，即使在缺陷数据稀缺的情况下也是如此。此外，它通过缺陷感知图上的局部和全局结构建模，为工程师和任务制定了缺陷感知表示。最后，一个基于对比的分配机制通过考虑QA工程师的技能水平和当前工作负载，将测试任务与工程师配对，从而促进公平高效的任务分派。在真实世界数据集上的实验表明，DeCo在不同场景下实现了最高的任务处理成功率，超过80%，同时在稀缺或扩展的缺陷数据上也能保持平衡的工作负载。此外，案例研究表明，DeCo可以将任务分配给潜在有能力的工程师，即使面对他们不熟悉的缺陷，这突显了其作为AI驱动解决方案在真实世界IC失效分析和任务处理中的潜力。
引用
@article{arxiv.2505.00278,
title = {DeCo: Defect-Aware Modeling with Contrasting Matching for Optimizing Task Assignment in Online IC Testing},
author = {Lo Pang-Yun Ting and Yu-Hao Chiang and Yi-Tung Tsai and Hsu-Chao Lai and Kun-Ta Chuang},
journal= {arXiv preprint arXiv:2505.00278},
year = {2025}
}