AI与机器学习在芯片测试中的应用副标题：智能向量选择、诊断与良率预测随着工艺节点下探到 7nm/5nm/3nm，单颗 SoC 的晶体管密度突破百亿级，DFT 巋试对象从"百万门级"演进到"十亿门级"，伴随而来的是测试数据爆炸、向量生成时间指数化、诊断 candidate 规模膨胀、良率爬坡周期被严重压缩。传统 DFT 流程依赖工程师手工调参：扫描链分多少条、压缩器选几进几出、捕获时钟打几拍、ATPG target 设哪些 fault class，每一项都靠经验试错，一轮 ATPG 跑十几小时，结果不理想就再调再跑。人工调参的天花板正在被设计规模逼到墙角。与此同时，ATE 上每颗芯片产出几十 KB 到几 MB 的 fail log，量产线上每天积累数以千万计的测试记录，这些数据里沉淀了大量关于缺陷模式、良率漂移、设备漂移的信息，但传统统计方法只能看到均值与方差的表层。人工智能（AI）与机器学习（ML）正是在这个背景下被引入芯片测试：用学习代替试错、用模型代替经验、用预测代替被动响应。本文系统讲解 AI/ML 在芯片测试中的动机与数据特征、智能向量选择、ML 辅助诊断、良率预测与异常检测，并详细剖析 Synopsys DSO.ai、Cadence Cerebrus、Siemens Tessent ML 等主流 AI 测试工具的特点与流程，配以 scikit-learn/PyTorch 实战代码，帮助 IC 测试工程师构建从 fail log 到智能决策的完整能力。一、AI/ML在芯片测试中的动机1.1 测试数据爆炸与人工调参瓶
