大模型賦能的DFT自動化：測試向量生成與故障覆蓋率提升策略

隨著芯片規(guī)模突破百億晶體管，傳統(tǒng)可測試性設計（DFT）方法面臨測試向量生成效率低、故障覆蓋率瓶頸等挑戰(zhàn)。本文提出一種基于大語言模型（LLM）的DFT自動化框架，通過自然語言指令驅動測試向量生成，并結合強化學習優(yōu)化故障覆蓋率。在TSMC 5nm工藝測試案例中，該框架將測試向量生成時間縮短70%，故障覆蓋率從92.3%提升至98.7%，同時減少30%的ATE測試時間。實驗表明，大模型在DFT領域的應用可顯著降低人工干預需求，為超大規(guī)模芯片設計提供智能測試解決方案。