第四章：测试向量基础——什么是测试向量、向量格式（STIL/WGL）、向量生成与加载

各位同学，今天我们来聊聊测试向量。说实话，这玩意儿是ATE测试的“灵魂”。你设备再牛，通道再多，没有好的测试向量，一切都是白搭。我刚开始带项目那会儿，就吃过向量的亏，后面慢慢才摸清门道。

4.1 什么是测试向量？

测试向量，说白了就是一张“指令表”。它告诉ATE设备：在哪个时间点，往哪个管脚上，灌什么电平，然后期望读到什么电平。

你可以把它想象成一张二维表格：

• 行：代表一个测试周期（Cycle），也就是一个时间单位
• 列：代表芯片的每一个管脚（Pin）
• 单元格：代表该管脚在该周期内的状态（比如H、L、Z、X）

举个例子，一个简单的与非门测试向量可能长这样：

Cycle 1:  A=H, B=H, 期望输出=L
Cycle 2:  A=H, B=L, 期望输出=H
Cycle 3:  A=L, B=H, 期望输出=H
Cycle 4:  A=L, B=L, 期望输出=H

嗯，这里要注意：向量里的“期望输出”是ATE用来判断芯片好坏的依据。如果实际采到的值和期望值不一样，ATE就会报Fail。

4.2 向量格式：STIL vs WGL

做ATE这么多年，我接触过两种主流的向量格式：STIL和WGL。它们就像英语和中文，都能表达意思，但语法和习惯不同。

4.2.1 STIL格式（Standard Test Interface Language）

STIL是IEEE 1450标准。我个人比较喜欢STIL，因为它结构清晰，可读性强。它把时序、管脚、向量分开定义，维护起来很方便。

一个典型的STIL文件结构如下：

STIL 1.0 {
    Signals {
        A In;
        B In;
        Y Out;
    }
    SignalGroups {
        inputs = 'A B';
    }
    Timing {
        WaveformTable wft_main {
            Period '100ns';
            Waveforms {
                A { H { '0ns' D/U; } L { '0ns' D/L; } }
                B { H { '0ns' D/U; } L { '0ns' D/L; } }
                Y { H { '50ns' Compare; } L { '50ns' Compare; } }
            }
        }
    }
    PatternBurst burst1 {
        PatList { pat1; }
    }
    Pattern pat1 {
        W wft_main;
        V { 'A=H B=H'; 'Y=H'; }
        V { 'A=H B=L'; 'Y=L'; }
    }
}

你看，它把“什么时候驱动”、“什么时候采样”都写得明明白白。我在项目中遇到过，有些EDA工具导出的STIL文件时序定义有歧义，导致ATE上跑出来的结果和仿真不一致。后来我养成了一个习惯：拿到STIL文件后，先检查Timing部分，特别是Compare strobe的位置。

4.2.2 WGL格式（Waveform Generation Language）

WGL是另一种常见的向量格式，由Teradyne等公司推广。它比STIL更“扁平化”，所有信息都揉在一起。说实话，WGL看起来有点“乱”，但它的优点是紧凑，解析速度快。

WGL的典型写法：

// WGL Example
TIMING_UNIT 1NS;
WAVEFORM UNIT 100NS;
VECTOR $A $B $Y;
PATTERN
H H L;
H L H;
L H H;
L L H;
END;

WGL没有STIL那么强的结构化能力，但它简单直接。我记得早期有些老式的ATE只支持WGL，那时候我不得不写脚本把STIL转成WGL。

对比项	STIL	WGL
标准化	IEEE 1450标准	行业事实标准
可读性	高，结构清晰	低，信息密集
时序定义	独立Timing块	内嵌在向量中
工具支持	主流EDA都支持	老设备兼容性好
我的推荐	新项目首选	兼容旧设备时用

4.3 向量生成与加载

向量怎么来的？又怎么进到ATE里的？这里我分两步讲。

4.3.1 向量生成

向量的生成通常有两种方式：

1. EDA工具自动生成：仿真通过后，工具（如Synopsys TetraMAX、Mentor FastScan）会输出测试向量。这是最常用的方式。
2. 手动编写：对于一些简单的功能测试，或者调试阶段，我经常手写向量。比如验证一个寄存器读写，手写几行向量比跑一遍ATPG快得多。

我曾经遇到过一个案例：ATPG生成的向量有上百万条，但加载到ATE上后，发现前1000条向量就跑不过。后来排查发现，是EDA工具里某个时序约束没设对。所以，我建议你拿到向量后，先抽一小段在ATE上跑跑看，别一股脑全加载。

4.3.2 向量加载到ATE

向量加载到ATE，一般分三步：

1. 格式转换：把STIL/WGL转成ATE厂商的私有格式（比如Teradyne的.tdf、Advantest的.pat）。这一步通常由ATE自带的转换工具完成。
2. 时序映射：把向量里的时序定义，映射到ATE的硬件资源上。比如，把“50ns处采样”映射到某个定时器通道。
3. 向量下载：把转换后的向量数据，下载到ATE的向量存储器（Pattern Memory）中。

这里有个关键点：向量存储器的深度是有限的。比如老一点的Teradyne J750，向量深度只有16M。如果你的向量超过这个数，就得拆分成多个Pattern Segment，分段加载。

用Python写个简单的向量加载监控脚本，大概长这样：

import time

def load_pattern_to_ate(pattern_file, ate_interface):
    """
    模拟向量加载过程
    """
    print(f"[INFO] 开始加载向量: {pattern_file}")
    
    # 步骤1: 格式转换
    print("[INFO] 步骤1: 格式转换...")
    time.sleep(0.5)
    
    # 步骤2: 时序映射
    print("[INFO] 步骤2: 时序映射...")
    time.sleep(0.3)
    
    # 步骤3: 下载到向量存储器
    print("[INFO] 步骤3: 下载到Pattern Memory...")
    time.sleep(1.0)
    
    # 检查向量深度
    pattern_depth = ate_interface.get_pattern_depth()
    max_depth = ate_interface.get_max_pattern_depth()
    
    if pattern_depth > max_depth:
        print(f"[WARNING] 向量深度 {pattern_depth} 超过最大限制 {max_depth}")
        print("[WARNING] 建议拆分为多个Pattern Segment")
        return False
    
    print(f"[INFO] 向量加载完成，深度: {pattern_depth}")
    return True

# 使用示例
if __name__ == "__main__":
    # 假设ate_interface是ATE的API对象
    load_pattern_to_ate("test_pattern.stil", ate_interface)

你想想看，如果向量加载这一步出了问题，后面所有的测试都是白费功夫。所以，我每次加载完向量，都会先跑一个空跑（Dry Run），确认ATE能正确解析所有向量，再开始真正的测试。

好了，这一章就到这里。下一章我们聊聊测试程序的结构，看看怎么把向量、时序、测试项串成一个完整的测试程序。