16_AI硬件测试与验证从芯片到整机的可靠性测试.docxVIP

AI硬件测试与验证：从芯片到整机的可靠性测试方法论

AI芯片，动辄千亿的晶体管，万卡的集群，任何一个微小的缺陷，都可能导致，整个训练任务的失败，甚至，硬件的损坏，Facebook的2000卡的集群，就因为测试不足，72小时后，热失控，损失了2800万美金。所以，AI硬件的测试与验证，就成为了，保障可靠性的核心，它不是，简单的测一测，而是，从芯片，到整机，到集群，全流程的，分层的测试，从设计阶段，就开始，把可靠性，设计进去，而不是，测试出来。

一、测试的分层：从Pre-Silicon到System的全流程

AI硬件的测试，是一个，分层的，递进的过程，从设计阶段，到流片，到封装，到整机，到集群，每一层，都有对应的测试，层层把关，把缺陷，在早期，就筛出来。

首先，设计阶段的Pre-Silicon验证，也就是，流片之前的仿真验证，这是，最早期的，也是，成本最低的，发现问题的阶段。这个阶段，我们，会做，可靠性的架构设计，ECC的内存保护，冗余的设计，还有，物理效应的仿真，电迁移，IR压降，热效应，NBTI，这些，老化的效应，我们，在设计的时候，就仿真出来，留出，足够的裕量，避免，后期，出现问题。还有，故障注入的仿真，我们，人为的，注入一些故障，比如，单粒子翻转，看看，ECC，冗余的机制，能不能，正常的工作，把错误，纠正过来。还有，PVT的角测试，在不同的工艺，电压，温度的极端条件下，测试，芯