LBIST种子选择对测试覆盖率有何影响？

Question

在LBIST（逻辑内建自测试）中，种子（Seed）选择对测试覆盖率有何影响？一个常见的技术问题是：**如何通过优化种子选择提高故障覆盖率并减少测试时间？** 由于LBIST依赖伪随机序列生成测试向量，种子的不同会直接影响激励的分布与故障检测能力。不当的种子可能导致冗余测试或漏测关键故障，从而降低整体测试效率。因此，如何在有限的测试周期内选择最优种子，以实现高故障覆盖率并缩短测试时间，成为LBIST设计中的关键技术挑战。

Answer 1

1. LBIST基础与种子作用

LBIST（Logic Built-In Self-Test）是一种在芯片内部集成测试逻辑的技术，用于检测制造过程中可能引入的缺陷。其核心机制是通过伪随机模式生成器（PRPG）产生测试向量，施加到被测逻辑电路中，并通过响应压缩器（如MISR）收集输出响应进行比对。

种子（Seed）是PRPG的初始状态，决定了生成的伪随机序列。不同的种子将导致不同的测试向量序列，从而影响测试的故障覆盖率与测试时间。

2. 种子选择对测试覆盖率的影响

种子选择直接影响测试向量的分布，进而影响其检测不同类型故障的能力。若种子选择不当，可能产生大量冗余测试向量，或遗漏某些关键路径的故障，导致整体覆盖率下降。

• 高覆盖率种子：能生成分布均匀、覆盖路径多样的测试向量，有效激发多种故障类型。
• 低覆盖率种子：可能集中在某些特定路径，忽略其他潜在故障点，导致漏检。

因此，种子优化的目标是找到一组种子，使得在有限的测试周期内，尽可能覆盖所有可检测的故障。

3. 常见技术问题分析

在实际LBIST应用中，种子选择面临如下技术挑战：

问题	描述
冗余测试	某些种子生成的向量重复测试相同路径，浪费测试周期。
故障漏检	某些关键故障未被激活，影响测试质量。
测试时间长	未优化的种子选择导致测试周期过长，影响生产效率。

4. 种子优化策略与方法

为提高故障覆盖率并减少测试时间，通常采用以下几种种子优化方法：

1. 基于故障模拟的种子选择：通过仿真分析不同种子对应的故障覆盖率，筛选出高覆盖率种子。
2. 遗传算法优化：利用进化算法在种子空间中搜索最优解。
3. 动态种子切换：在测试过程中动态更换种子，以扩展测试向量空间。
4. 基于机器学习的预测模型：训练模型预测种子的覆盖率表现，辅助种子选择。

5. 种子优化流程图

以下是一个典型的种子优化流程图，展示了从种子生成到最终选择的全过程：

      graph TD
        A[开始] --> B[生成初始种子集合]
        B --> C[执行故障模拟]
        C --> D[计算每个种子的故障覆盖率]
        D --> E[评估覆盖率与测试时间]
        E --> F{是否满足目标?}
        F -- 是 --> G[输出最优种子]
        F -- 否 --> H[应用优化算法]
        H --> I[更新种子集合]
        I --> C
    

6. 实际应用与案例分析

在实际芯片测试中，某SoC设计团队通过种子优化策略，成功将故障覆盖率从89%提升至97%，同时测试时间减少了30%。其主要手段包括：

• 使用故障覆盖率驱动的种子筛选算法。
• 结合动态种子切换机制，避免重复测试。
• 引入机器学习模型对种子进行预测和排序。

这些方法不仅提升了测试效率，还降低了测试成本，为后续量产测试提供了可复用的解决方案。