[发明专利]一种基于图强化学习的FPGA互联资源测试方法

说明书

本发明属于FPGA测试技术，具体涉及一种基于图强化学习的FPGA互联资源测试算法。本发明改进了现有基于强化学习和深度强化学习的FPGA互联资源测试方法的缺点，即神经网络不具迁移性的缺点。本发明借助图神经网络提取互联资源图的隐藏特征，再利用深度强化学习优化配置策略，在本发明中，将其称为图强化学习。本发明方法具备迁移性与通用性，已训练收敛的神经网络可以应用到任何FPGA芯片的互联资源测试配置向量的生成中，同时对于所有FPGA芯片都可采用该方法。本发明对FPGA互联资源的测试成本较低，不需要专家人工找寻测试配置，同时已收敛的神经网络可以快速应用到任何FPGA芯片的互联资源测试中，并且生成FPGA测试配置的过程完全是自动化的。

技术领域

本发明属于FPGA测试技术，具体涉及一种基于图强化学习的FPGA互联资源测试方法。

背景技术

现场可编程逻辑门阵列(Field Programmable Gate Array，以下简称FPGA)，作为数字集成电路的重要一员，因FPGA有丰富的逻辑资源、快速而灵活的可编程能力，以及完善的自动化集成开发环境，被广泛应用于集成电路设计开发的多个环节中。然而，随着FPGA集成度的不断增加，内部结构也越加复杂，为达到灵活的可编程能力所需构建的互联资源网络也更加庞大，互联资源的面积在整个芯片中的比重不断增加，互联资源的故障发生率也随之提高。工程界对FPGA内部互联资源测试技术的需求变得愈加急迫，高效的布线算法是FPGA互联资源测试中关键的一环。

根据FPGA内部包含的不同资源，相应地有针对不同资源的测试理论和方案，包括对可编程输入输出单元(Input Output Block，以下简称IOB)、可编程逻辑块(Configurable Logic Block，以下简称CLB)、块存储单元(BlockRAM，以下简称BRAM)等逻辑资源的测试，以及对互联资源(Interconnect Resource，以下简称IR)的测试。相对于逻辑资源，互联资源在千万门以上的FPGA中所占比重已经超过了90％，因而出现故障的频率也逐渐增加，配置和测试难度也更大。

目前FPGA互联资源的测试面临四大挑战，即测试方法应该是通用和可迁移的、与FPGA的阵列大小无关、可重用且利于配置的自动产生、以及测试时间尽量短。

文献(A Routability Aware Algorithm for Both Global andLocalInterconnect Resource Test and Diagnosis of Xilinx SRAM-FPGAs)利用图论中二部图着色的理论方法，实现了同时对局部和全局互联资源的测试，总体测试覆盖率大幅增加，但存在配置理论和实现步骤复杂、局部互联资源的覆盖效果不佳、测试方案在不同芯片间的迁移性不强等缺点。文献(Ruan A,Shi A,Qin L,et al.A ReinforcementLearning-Based Markov-Decision Process(MDP)Implementation for SRAM FPGAs[J])利用强化学习算法实现了FPGA互联资源的高覆盖率测试，但是强化学习算法的处理能力并不足以应对阵列规模大的FPGA芯片。文献(一种FPGA互联资源的优化配置生成方法与流程[P]，CN108241322B)利用深度强化学习算法实现了针对大规模FPGA互联资源的测试，值得一提的是，文献中用卷积神经网络(Convolutional Neural Network，以下简称CNN)提取互联资源图对应邻接矩阵的特征，再结合深度强化学习(Deep Reinforcement Learning，以下简称DRL)，训练出了一个神经网络模型，能够在特定的互联资源图中找出最优的测试配置。但是邻接矩阵属于非欧几里得数据结构，CNN并不擅长处理非欧数据结构的数据，这将导致训练的网络不能迁移到其他型号FPGA芯片的测试中。同一FPGA芯片互联资源图的具有不同邻接矩阵，在不同邻接矩阵的情况下，得到的神经网络都可能无法正常工作。因此，该文献中的神经网络模型几乎不具有迁移性。