Deep-Learning-Based PRPG Configuration Inference for Efficient LBIST

H. M. Cho

doi:10.1109/tvlsi.2026.3700112

Deep-Learning-Based PRPG Configuration Inference for Efficient LBIST

2026-06-18

0

PRE

AI

DOI：10.1109/tvlsi.2026.3700112

原文链接

原文求助

摘要

En 中文

在严苛的硬件和时序约束下实现高故障覆盖率（FC）对于逻辑内建自测试（LBIST）仍然具有挑战性，尤其是在安全关键型系统应用中。确定性增强通常依赖于求解大规模线性约束，导致预处理和配置成本随指定位密度增加而上升。提出了一种基于深度学习的推理框架，其中伪随机模式生成器（PRPG）的配置直接从ATPG生成的确定性模式中推断。与依赖迭代线性约束求解的传统重新播种技术不同，所提出的框架将PRPG配置生成表述为基于学习的推理问题，能够实现确定性模式嵌入并显著降低预处理复杂度。实验结果表明，在保持超过99.8% FC的同时，预处理时间、存储测试数据量和模式计数显著减少。此外，这些优势在更大的基准测试中表现更为明显。

Keyword:

Deep-learning

in-system test

linear feedback shift register (LFSR)

logic built-in self-test (LBIST)

scan-based test

test patterns

Deep-Learning-Based PRPG Configuration Inference for Efficient LBIST

摘要

期刊

机构