摘要
随着基于芯片组的人工智能系统-on-chip (SoCs) 的快速发展，半导体测试方法论暴露出一个根本性缺口。现有的已知良品 (KGD) 筛选保证了组装前的功能正确性，但对组装后的可靠性寿命没有提供概率性保障。为了解决这一限制，本文将 KGD 转变为已知良好可靠的芯片 (KGRD) 筛选形式化为一个关于不完整组装前可观测性的约束推断问题。
基于这一形式化，提出了四个相互关联的贡献：
- 贝叶斯概率风险模型：该模型将组装前的遥测数据映射到组装后故障概率，并量化可观测性偏差界限。
- 安全门控决策架构：提供了可证明的组装后故障概率保证。
- 基于贝叶斯最优决策理论的不确定性感知处置边界。
- 约束闭环反馈机制：在不违反可靠性约束的情况下，提供一致的模型改进。
通过对 N = 4,000 个合成芯片的蒙特卡洛模拟研究，验证了这四个理论属性，并确认安全保证在测试的所有门阈范围内均有效。
博主点评： 本文从理论上填补了芯片组AI系统测试方法中的重要空白，提出的KGRD筛选方法为可靠性评估提供了新的视角，值得关注其在实际应用中的潜力与挑战。