作者：罗西辉，何远萧，陆韵炜，董亮，刘成

(上海大学 微电子学院)

摘要: 针对传统MOSFET测试流程繁琐、依赖大型仪器且智能化程度低等难题，设计了一套集成大语言模型(LLM)与“雨珠S”便携硬件的自动化测试系统。该系统以“雨珠S”仪器为核心，通过一体化PCB载板实现特性曲线、阈值电压、导通电阻等参数的测试，并创新性地利用Gemini API赋能软件实现PDF数据手册自动解析、测试参数智能推荐与测试结果的深度误差分析。对IRF7401器件的测试结果表明，系统获取的关键动静态参数与数据手册及仿真值吻合良好，验证了该测试方案的准确性与可行性，为终端用户进行器件性能评估提供了一种高效、智能的便携式新方法。

本 文 亮 点

在半导体器件研究与应用中，MOSFET作为最基础的功率器件之一，其性能测试是评估器件特性和验证设计正确性的关键环节。然而，传统测试流程存在三大痛点：依赖示波器、信号发生器等多台大型仪器，测试环境搭建复杂；参数提取依赖人工查阅数据手册，耗时且易出错；测试结果分析需要丰富的专业经验，门槛较高。

针对上述问题，上海大学微电子学院的刘成老师带队参加第十届集创赛后将比赛成果转化为论文《基于LLM模型的AI误差分析MOSFET测试系统》并发表在《集成电路与嵌入式系统》2026年第3期。本文设计了一套集成大语言模型（LLM）与便携式硬件的自动化测试系统，为半导体器件测试提供了智能化新思路。

一、系统架构：硬件集成与智能软件协同

该系统的硬件核心采用“雨珠S”便携式智能测控平台，通过自主设计的多功能PCB载板，将静态参数扫描、开关时间测试、双脉冲测试三种电路高度集成于单块电路板。系统通过上位机GUI控制，利用“雨珠S”内置的任意波形发生器（AWG）与高速示波器提供激励并采集反馈信号，实现了从传统多台仪器到“片上仪器+集成载板”的范式转变。

在软件层面，系统基于PyQt5构建图形界面，集成Matplotlib实现波形动态绘图与结果可视化。其核心创新在于引入Gemini大语言模型API，构建了AI驱动的智能化测试闭环。

二、AI赋能：从数据手册解析到误差分析的完整链条

自动化数据库构建：用户上传PDF数据手册后，系统调用Gemini API自动解析关键电气参数（如阈值电压Vth、导通电阻Ron等），并以JSON格式结构化存储至本地数据库。这一“一键入库”功能将传统需数十分钟的手工录入缩短至数秒，同时避免了人为录入错误。

智能测试参数推荐：用户选定待测芯片型号后，AI模型基于数据库中解析的参数（如最大漏源电压、典型导通电阻及其测试条件），自动生成安全高效的默认测试向量（测试起点、步长、终点），并填充至配置界面。这一功能显著降低了对操作人员专业知识的依赖，提升了测试准备效率。

三、实验验证：IRF7401测试结果分析

研究团队选取IRF7401 MOSFET进行验证测试，主要结果如下：

输出特性曲线：系统支持快速扫描与精准校准两种模式。精准模式下，曲线在低Vds线性区电流增长平滑清晰，有效消除了采样电阻分压带来的系统误差。

阈值电压：采用曲线外推法提取Vth实测值为0.804V，与数据手册标称值0.70V偏差0.104V。偏差在合理范围内，主要源于测试电路元件参数、偏置条件与标准测试环境的差异。

导通电阻：实测Ron为64.5mΩ，与手册典型值22mΩ存在偏差。分析认为，PCB布线电阻、焊盘接触电阻及测试引线电阻等附加阻抗是主要贡献因素，而非测量本身失效。

输出特性曲线：系统支持快速扫描与精准校准两种模式。精准模式下，曲线在低Vds线性区电流增长平滑清晰，有效消除了采样电阻分压带来的系统误差。

阈值电压：采用曲线外推法提取Vth实测值为0.804V，与数据手册标称值0.70V偏差0.104V。偏差在合理范围内，主要源于测试电路元件参数、偏置条件与标准测试环境的差异。

导通电阻：实测Ron为64.5mΩ，与手册典型值22mΩ存在偏差。分析认为，PCB布线电阻、焊盘接触电阻及测试引线电阻等附加阻抗是主要贡献因素，而非测量本身失效。

测试结果表明，系统能够有效完成MOSFET关键参数的自动化采集与AI辅助分析，曲线形态符合器件物理模型，数值结果与手册值处于同一量级，验证了方案的可行性与准确性。

四、总结与展望

本研究首次将大语言模型深度集成至MOSFET测试流程，实现了从硬件集成、参数自动推荐到测试结果智能解读的全链条创新。系统在保证测试精度的同时，显著简化了操作流程、降低了专业门槛，为半导体器件测试提供了一种高效、智能、便携的新方案。

未来工作将聚焦于动态参数（如开关时间、反向恢复特性）测量精度的进一步提升，以及AI功能的深化拓展，推动此类智能化测试工具在工程教育与现场测试等领域的广泛应用。

参赛海报

作者参赛感悟

这次参加第九届全国大学生集成电路创新创业大赛，我们围绕“基于LLM模型的AI误差分析MOSFET自动化测试系统”这一课题展开设计与实现。从系统架构与核心设计，到硬件平台搭建、软件系统开发，再到可测参数的完整验证，每一步都紧扣“从芯出发”的主题，真正做到了将专业知识与工程实践深度融合。

在项目推进过程中，我们不仅完成了MOSFET输出特性曲线、转移特性曲线、阈值电压、导通时间、上升/下降时间、反向恢复时间等关键参数的自动化测量，还创新性地引入LLM模型进行AI误差分析，实现了对测试数据的智能解读与异常定位。这种将人工智能与器件测试相结合的探索，让我深刻体会到新一代芯片工程正朝着“智能化测试”和“自动化分析”的方向发展。

集创赛不仅是一场技术比拼，更是一场工程能力与创新思维的综合锻炼。通过这次比赛，我更加坚定了在微电子与集成电路领域深耕的决心，也更加清晰地认识到，未来的芯片设计与测试，离不开跨学科融合与智能化工具的赋能。这段经历，将成为我继续“从芯出发”、不断探索的重要动力。