DeepTPI：基于深度强化学习的测试点插入方法
机器学习
2022-06-29 v2 人工智能
硬件体系结构
摘要
测试点插入（TPI）是一种广泛使用的可测试性增强技术，尤其适用于逻辑内建自测试（LBIST），因为其故障覆盖率相对较低。本文提出一种基于深度强化学习（DRL）的新型 TPI 方法，名为 DeepTPI。与以往将 TPI 任务建模为监督学习问题的基于学习的方案不同，我们训练了一个新颖的 DRL 智能体，实例化为图神经网络（GNN）与深度 Q 学习网络（DQN）的组合，以最大化测试覆盖率的提升。具体而言，我们将电路建模为有向图，并设计了一个基于图的值网络来估计插入不同测试点的动作价值。DRL 智能体的策略定义为选择具有最大价值的动作。此外，我们应用来自预训练模型的通用节点嵌入来增强节点特征，并为值网络提出了一种专用的可测试性感知注意力机制。在不同规模电路上的实验结果表明，与商用 DFT 工具相比，DeepTPI 显著提升了测试覆盖率。本工作的代码可在 https://github.com/cure-lab/DeepTPI 获取。
引用
@article{arxiv.2206.06975,
title = {DeepTPI: Test Point Insertion with Deep Reinforcement Learning},
author = {Zhengyuan Shi and Min Li and Sadaf Khan and Liuzheng Wang and Naixing Wang and Yu Huang and Qiang Xu},
journal= {arXiv preprint arXiv:2206.06975},
year = {2022}
}
备注
Accepted by ITC 2022