芯粒AI系统级芯片已知良好可靠芯片筛选的形式化基础

本论文针对基于芯粒（chiplet）的人工智能系统级芯片（AI SoC），形式化定义了从已知良好芯片（KGD）到已知良好可靠芯片（KGRD）的筛选问题。作者提出贝叶斯概率风险模型、安全门控决策架构、不确定性感知边界和闭环反馈机制四种方法，并通过蒙特卡洛仿真验证了后组装失效概率的理论保证。

现有已知良好芯片（KGD）筛选只保证组装前功能正确，不提供组装后可靠性的概率保证。本研究首次为芯粒AI系统级芯片提供了形式化的后组装可靠性概率保证，补齐了半导体测试方法论的关键缺口。

论文将KGRD筛选建模为约束推理问题：利用贝叶斯模型将组装前遥测数据映射为后组装失效概率，通过安全门控决策架构提供可证明的失效概率上界，结合贝叶斯最优决策理论实现不确定性感知的边界判定，并引入闭环反馈机制在不违反可靠性约束条件下持续改进模型。

对芯粒AI芯片产品而言，该筛选方法有望降低组装后失效导致的返工成本，但需在预组装测试环节增加遥测数据采集和概率风险模型分析，可能延长测试周期并增加计算开销。芯片设计团队需调整测试流程并引入该框架对应的决策架构。

• 芯粒AI SoC生产流程中部署KGRD筛选步骤，替代传统KGD测试以提高最终良率和可靠性
• 开发面向芯片设计商的KGRD评估软件工具，集成贝叶斯风险模型和安全门控决策
• 为AI加速器、云端芯片等可靠性要求高的场景定制KGRD筛选服务

• 该方法在大规模真实芯粒数据上的预测准确率如何？
• 实施KGRD筛选对整体生产成本和测试周期的具体影响是否可接受？
• 该框架是否适用于不同工艺节点或异构芯粒（如内存、模拟芯粒）？
• 闭环反馈机制在现实生产线中的收敛速度和稳定性如何？