这场直播围绕 AI 时代测试端 EDA 展开,核心聚焦 DFT 环节的 AI 化进程,会讲解 AI 如何改造传统可测性设计工作流,帮芯片设计、测试工程师看懂 DFT 从人工编写、规则化处理,转向 AI 辅助生成、优化、故障分析的变化。传统 DFT 工作依赖工程师经验,扫描链插入、ATPG 向量生成、故障覆盖率迭代耗时长,芯片规模越来越大,上亿门级设计下 DFT 周期压力很高;而 AI 融入测试端 EDA 之后,可以自动提取设计特征、快速生成测试向量、定位难测故障,压缩 DFT 迭代周期。直播里还会对比现有商用 EDA 工具 AI 能力边界、落地案例、当前技术瓶颈,想跟进 DFT 环节 AI 化进展、了解测试 EDA 新方案的从业者可以预约观看。
一、传统 DFT 与 AI 化 DFT 核心对比
| 项目 | 传统 DFT 流程 | AI 化 DFT(测试端 EDA) |
|---|---|---|
| 向量生成方式 | 基于规则算法,ATPG 迭代耗时久 | AI 模型预判难测点,优先生成高效测试向量 |
| 故障分析 | 人工排查低覆盖率故障点 | AI 自动聚类故障、给出可测性优化建议 |
| 人力依赖 | 高度依赖资深 DFT 工程师经验 | AI 做初版输出,工程师做校验修正 |
| 适用规模 | 中小芯片尚可,超大芯片周期拉长 | 更适配先进工艺、超大规模 SoC |
二、DFT 环节 AI 化落地主要步骤
- 设计数据接入:把 RTL、网表、约束文件导入 AI 增强型测试端 EDA 平台,完成设计特征解析。
- AI 辅助可测性分析:模型扫描设计,识别测试难点、冗余逻辑、影响覆盖率的结构,输出 DFT 优化建议。
- 扫描架构自动优化:AI 辅助完成扫描链分组、排序,平衡功耗、时序和测试覆盖率。
- AI 加速 ATPG:配合传统 ATPG 引擎,用 AI 预先生成候选向量,减少无效迭代,提升故障覆盖率收敛速度。
- 故障诊断与回溯:测试结果回灌模型,AI 定位失效根源,区分工艺缺陷、DFT 设计缺陷。
- 结果人工复核:DFT 工程师校验 AI 输出内容,修正模型偏差,输出最终可交付的测试方案。
三、DFT 环节 AI 化现存局限
- AI 生成的 DFT 方案不一定全部满足时序、功耗约束,必须人工审核
- 训练数据依赖成熟设计案例,新工艺、新架构芯片容易出现泛化不足
- 当前 AI 更多是辅助增强,还不能完全替代 DFT 工程师完成全流程工作
- 不同厂商测试端 EDA 的 AI 接口、模型能力不互通,迁移成本较高
【相关 FAQ】
问题 1:这场直播预约讲的 AI 时代测试端 EDA,DFT 环节的 AI 化进程现在已经成熟落地了吗?
回答 1:DFT 环节的 AI 化进程还处在辅助落地阶段,AI 时代测试端 EDA 目前主要用来加速 ATPG、故障分析,AI 还不能独立完成完整 DFT 交付,直播会介绍当前商用落地程度和试点案例。
问题 2:AI 时代测试端 EDA 里,DFT 环节 AI 化主要能帮工程师节省哪部分工作量?
回答 2:DFT 环节 AI 化主要在测试向量生成、难测故障定位、扫描链优化这些重复性迭代工作减负,AI 时代测试端 EDA 可以大幅缩短故障覆盖率收敛的时间。
问题 3:普通 DFT 工程师需要学习 AI 算法,才能用好 AI 时代测试端 EDA 的 DFT AI 功能吗?
回答 3:不需要深度学习 AI 算法,主流 AI 时代测试端 EDA 的 DFT AI 功能封装在工具界面,工程师重点是看懂 AI 输出报告、做方案校验,掌握原有 DFT 基础即可上手。
问题 4:DFT 环节 AI 化之后,会不会改变测试端 EDA 原本的验证和交付标准?
回答 4:交付标准不变,覆盖率、时序、功耗等指标依旧遵循原有芯片测试规范;DFT 环节 AI 化只是改变测试端 EDA 内部的计算方式,AI 输出结果依然要符合芯片 DFT 验收要求。
【参考资料】
[2026-10-30](AI 赋能 DFT,新一代测试 EDA 技术进展)半导体行业观察
[2026-09-14](可测性设计 AI 加速方案行业白皮书)中国半导体行业协会
[2026-08-06](EDA 测试链 AI 技术路线与商业化现状)电子工程专辑
【免责声明】
本次直播内容仅为行业技术分享,文中 DFT 环节 AI 化进程描述基于公开行业技术进展;不同厂商 AI 测试端 EDA 工具能力差异较大,AI 辅助 DFT 效果受芯片类型、工艺节点、数据集影响,不代表相关工具可以直接商用落地,不构成选型、采购建议。
