-
大模型赋能的DFT自动化：测试向量生成与故障覆盖率提升策略
随着芯片规模突破百亿晶体管，传统可测试性设计（DFT）方法面临测试向量生成效率低、故障覆盖率瓶颈等挑战。本文提出一种基于大语言模型（LLM）的DFT自动化框架，通过自然语言指令驱动测试向量生成，并结合强化学习优化故障覆盖率。在TSMC 5nm工艺测试案例中，该框架将测试向量生成时间缩短70%，故障覆盖率从92.3%提升至98.7%，同时减少30%的ATE测试时间。实验表明，大模型在DFT领域的应用可显著降低人工干预需求，为超大规模芯片设计提供智能测试解决方案。
