基于GPU的最大化1～n倍检测的测试向量选择方法

针对已有的测试向量选择方法采用串行程序实现，难以应对测试程序时间及测试数据量迅速增加的问题，提出一种基于GPU的测试向量选择方法，用于高效地从大测试向量集（n倍检测的测试向量集或随机的测试向量集）中选择出较高测试质量的测试向量．在考虑受限的测试时间／成本的条件下，采用GPU编程将测试向量选择过程并行化，以最大化1～n倍检测覆盖率为目的，将测试向量按照故障检测能力从大到小排序，从而在实际芯片测试时能够尽快淘汰故障芯片，减少测试时间．实验结果表明，与国际上考虑”倍检测的测试选择工作相比，该方法获得了21．9倍加速；与商业工具产生的同样大小的测试集相比，该方法得到的测试集具有更好的1～n倍检测覆盖率（平均提升3．2％～8．3％），同时也能获得更加陡峭的故障覆盖率曲线．