从Fault Classes看芯片测试：ATPG工具里的‘故障分类学’入门指南

从Fault Classes看芯片测试ATPG工具里的‘故障分类学’入门指南在数字电路测试领域ATPGAutomatic Test Pattern Generation工具就像一位精密的故障分类学家它需要识别、归类和处置芯片中可能存在的各种物理缺陷。这种分类过程与生物学家对物种进行分类有着惊人的相似性——都需要建立一套系统化的分类框架以便更高效地理解和处理研究对象。对于刚接触DFTDesign for Testability的工程师来说理解ATPG中的故障分类Fault Classes往往是一个挑战。本文将通过类比生物分类学的方法构建一个完整的故障认知框架帮助读者掌握故障的定义方式如经典的Stuck-at模型故障的可测性判断标准不可测故障的细分类型及其成因各类故障在实际测试流程中的意义1. 故障分类学的基础理解ATPG中的故障模型ATPG工具工作的第一步是为芯片中的物理缺陷建立数学模型。就像生物学家需要先定义物种的概念一样测试工程师也需要明确定义什么是故障。1.1 故障的基本建模方法最常见的故障模型是Stuck-at故障它假设电路中的某个节点永久卡在逻辑0或1。这种模型虽然简单但能覆盖大部分制造缺陷// 举例一个AND门的Stuck-at-1故障 module AND_gate ( input a, b, output y ); // 正常行为y a b; // Stuck-at-1故障无论输入如何y始终为1 assign y 1; // 故障模型 endmodule其他重要故障模型包括故障类型描述检测难度Stuck-at节点固定为0或1低Transition节点无法完成0→1或1→0转换中Path Delay信号路径延迟超出规定范围高Bridging两个不应连接的节点发生短路高1.2 故障的栖息地故障注入位置就像生物有不同的栖息地故障也可以出现在电路的不同位置原始输入/输出端口最容易被检测到的位置内部组合逻辑节点需要特定测试序列才能激活时序元件触发器需要考虑时序关系嵌入式存储器通常需要BIST内建自测试策略提示现代ATPG工具可以通过set_internal_fault on命令将故障注入到标准单元内部的门级电路提高测试覆盖率。2. 故障的可测性分类从UT到DT的完整谱系ATPG工具会对每个故障进行可测性评估这类似于生物学家评估物种的可观察性。故障主要分为两大类2.1 可测故障DT, Detectable Faults这些是ATPG能够生成测试模式的故障相当于容易被观察到的物种。它们又可分为基本可测故障只需单个测试向量即可检测顺序可测故障需要多个时钟周期的测试序列潜在可测故障只有在特定条件下才能被检测2.2 不可测故障UT, Untestable Faults这些是ATPG无法生成测试模式的故障计算覆盖率时会被排除。它们就像难以观察的深海生物需要特别分析其不可测的原因UU (Unused)故障成因设计中没有使用的逻辑节点如标准单元的未连接引脚示例一个4输入AND门只使用了其中2个输入BL (Blocked)故障成因其他信号阻断了故障效应的传播路径特点与TI故障结果等价但成因不同TI (Tied)故障成因节点被固定连接到电源或地重要特性故障效应可能传播到下游逻辑RE (Redundant)故障成因逻辑冗余导致故障不影响任何输出确认方法ATPG会进行穷尽性分析验证# 示例在ATPG工具中查看不可测故障的报告 report_faults -class UT -verbose3. 故障分类的工程意义从理论到实践理解故障分类不仅具有学术价值更对实际测试工作有多方面的影响。3.1 测试覆盖率优化通过分析UT故障的类型分布可以识别设计中的可测试性瓶颈高比例UU故障 → 可能提示设计冗余大量BL故障 → 需要检查测试控制信号频繁出现TI故障 → 需评估约束条件的合理性3.2 测试成本与质量权衡不同故障类别对测试成本的影响故障类别测试成本质量风险处理建议DT高低必须全部检测RE无极低可安全忽略BL/TI中中评估设计修改的必要性UU无无不影响质量3.3 设计改进指导故障分类数据可以反馈指导RTL设计减少冗余逻辑降低RE故障比例优化测试控制结构减少BL故障合理使用约束避免过度约束导致TI故障注意某些UT故障可能掩盖真实缺陷需要特别分析。例如一个BL故障可能隐藏着真正的可测故障。4. 高级故障分类技术超越基础类别随着工艺进步故障分类学也在不断发展出现了更精细的分类方法。4.1 动态故障分类传统分类是静态的而先进方法考虑测试过程中的动态行为顺序深度分类根据激活故障所需的时钟周期数模式依赖分类故障可测性依赖于特定测试模式序列4.2 基于机器学习的分类现代ATPG工具开始引入ML技术改进故障分类特征提取从电路结构中提取拓扑特征分类模型预测故障的可测性和最佳检测方法模式推荐为不同故障类别推荐优化测试模式# 伪代码机器学习辅助故障分类 fault_features extract_features(design, fault_list) clf RandomForestClassifier() clf.fit(training_features, fault_classes) predictions clf.predict(fault_features)4.3 针对新兴工艺的故障模型FinFET和GAA等新工艺引入了新的故障类型量子隧穿效应相关故障近阈值电压下的稳定性故障三维堆叠中的跨层耦合故障这些新故障类型要求扩展传统的分类框架建立更全面的故障分类学体系。