BriefGPT - AI 论文速递
·
DeCo: Defect-Aware Modeling with Contrastive Matching for Optimizing Task Assignment in Online IC Testing
💡
原文英文，约100词，阅读约需1分钟。
📝
内容提要
本研究提出DeCo方法，解决传统IC测试任务分配中缺乏缺陷特征和工程师专业知识整合的问题。通过构建缺陷感知图，实现高效任务分配，成功率超过80%。该方法在IC故障分析中具有应用潜力。
🎯
关键要点
-
本研究提出DeCo方法，解决传统IC测试任务分配中缺乏缺陷特征和工程师专业知识整合的问题。
-
DeCo方法通过构建缺陷感知图，利用共失效关系和任务与工程师技能匹配机制，实现任务的高效分配。
-
实验表明，DeCo在各种场景下的任务处理成功率超过80%。
-
DeCo方法能够将任务合理分配给具有潜力的工程师，显示出其在现实IC故障分析中的应用潜力。
➡️
