翻譯自——semiengineering

傳感器的大規(guī)模應(yīng)用和機器學習的發(fā)展讓集中測試在一些影響力較大的領(lǐng)域成為了可能。

機器學習和集成電路制造設(shè)備中結(jié)合了更多的傳感器，這為晶圓廠和封測代工廠對于針對性測試和更快吞吐量創(chuàng)造了新的可能性。

這種做法的目的是為了提高質(zhì)量，降低制造復雜芯片的成本。在最先進的節(jié)點上，制造復雜芯片所需的時間正在增加。隨著晶體管數(shù)量的增加，更多的芯片被添加到電路板或封裝中，這導致了需要更多的時間去測試這些器件，也增加了總體成本，如果測試時間保持不變，就會降低被測設(shè)備在其生命周期內(nèi)的可靠性。

所以，我們有必要區(qū)分哪些設(shè)備確實需要徹底測試，哪些設(shè)備已經(jīng)在硅材料中得到了充分的驗證。這相當于對一個測試套件進行修剪，但是這個需要收集足夠有用的數(shù)據(jù)來進行調(diào)用。在過去這很難做到，但是隨著更多傳感器的參與，生成了更多的數(shù)據(jù)，我們就可以更細致的查看數(shù)據(jù)并從中進行有效識別模式。

PDF solutions公司表征解決方案副總裁Dennis Ciplickas說:“如果能建立一個準確率達到99.99%的模型來預測芯片何時會老化，那么你就可以跳過芯片老化的過程，從而節(jié)省成本�！�

不管你設(shè)定的比例是多少，20%、30%或50%的跳躍率都可以，這將節(jié)省老化成本。而且數(shù)據(jù)越多，預測就越準確。

困難在于如何連接正確的數(shù)據(jù)來實現(xiàn)這一點。所以如果你所有的數(shù)據(jù)都在封測代工廠上運行，從晶圓排序、組裝，到最后的測試都在那里，你就可以整合所有的數(shù)據(jù)并從中做出預測。但如果你在不同的地方進行的這些工序，那就必須從多個地點合并數(shù)據(jù)，這就需要一個系統(tǒng)來做到這一點�！�

老化測試用于檢測芯片中各種元件的早期故障。在過去，這類數(shù)據(jù)是通過數(shù)據(jù)交換共享的，雖然有用，但還不足以消除測試。

Ciplickas說:“最初，數(shù)據(jù)交換網(wǎng)絡(luò)背后的初衷是建立一個數(shù)據(jù)庫，這樣你就可以看到你的供應(yīng)鏈。”“機器學習現(xiàn)在可以讓你把許多不同的功能放在一起，來做一些新的事情，比如預測。”所以通過從傳感器獲得的數(shù)據(jù)，就可以控制老化成本。下一個步驟是使數(shù)據(jù)能夠以連貫、連接的方式一起流經(jīng)不同的站點，通過這些來進行預測。”

實際上，這就是一種將全流程的各種組件描述的更加精細，并精確地消除不必要的測試。

OptimalPlus副總裁兼總經(jīng)理Doug Elder表示: “現(xiàn)在，你可以在進行晶圓排序和最終測試的豎井中連接所有數(shù)據(jù)源，以確定故障來自何處。你可以減少你的測試集和疑似老化的區(qū)域，你也可以運行機器學習算法來修復測試和改進你的方法�！�

在過去，在現(xiàn)場實施之后，可能需要幾個月或幾年的時間才能顯現(xiàn)出生產(chǎn)問題。其中一些問題可以通過軟件來解決，比如智能手機的天線問題，在技術(shù)被取代之前，這些問題一直運行良好。但隨著越來越多的芯片被用于工業(yè)和汽車應(yīng)用上，這種方法已經(jīng)不再適用。

Elder表示:“如果你能在檢查中或老化階段發(fā)現(xiàn)這些問題，那么你就能將老化測試時間減少10%到20%。”“這對制造商來說是個很大的數(shù)字。

在實時情況下，通過查看自適應(yīng)測試時間的減少量，估測哪些測試沒有失敗。這樣就可以減少測試時間，并且你可以通過一個閉環(huán)系統(tǒng)將其添加回測試循環(huán)中，該系統(tǒng)可以包含從晶圓排序到最終測試的所有內(nèi)容。此外，重新測試也會增加我們的額外成本。但在損壞之前，你能重新測試多少次呢?其中一個案例：一個設(shè)備被重新測試了17次，直到最終通過測試�！� 可以看出，這對正在測試的設(shè)備來說并不是好事，既昂貴又耗時。在晶圓廠，每分每秒都有成本。

更好的數(shù)據(jù)，更好的結(jié)果

“好的”數(shù)據(jù)在不同的市場可能意味著不同的東西，甚至常常在同一個市場中也是如此。數(shù)據(jù)之所以有用，是因為它對特定的操作、過程或設(shè)備都有效。但需要大量的專業(yè)領(lǐng)域知識來做此決定。

yieldHUB首席執(zhí)行官John O’Donnell表示:“我們發(fā)現(xiàn)一些較小的公司并不是在每個領(lǐng)域都有專長�！薄坝绕涫窃谄�車領(lǐng)域，有些公司可能在設(shè)計方面很強大，但在測試方面就沒那么精通�！边@就給復雜的芯片設(shè)計帶來了一個問題，久而久之，對芯片來說，問題將變得更加關(guān)鍵。但它也突顯了貫穿整個設(shè)計到制造鏈的一個挑戰(zhàn)，即確保參與其中的人都能理解其他工序的工作。

“有人可能會問，‘我們真的需要把時間花在這塊嗎?重要的是團隊中的每個人都必須看清這一點，” Donnell解釋到：“你可能是某個芯片特定部分的專家，而不是另一個部分的專家，所以你就需要合作和分析，還要在知識庫中進行維護。這使得你對特定領(lǐng)域有了足夠的信心，你可以將你的知識添加到系統(tǒng)分析中，以此減少測試數(shù)量所需的成本。

確保數(shù)據(jù)質(zhì)量的另一種方法是對數(shù)據(jù)進行連續(xù)饋送。因此，與所有外部數(shù)據(jù)不同，其中一些數(shù)據(jù)可以在設(shè)備運行時進行測量。

proteanTecs的首席執(zhí)行官Shai Cohen說:“有了在線數(shù)據(jù)，你就能不斷提高性能，做出正確的決定�！薄霸诠ば蚝蛢�(nèi)存中你都可以權(quán)衡參數(shù)缺陷。這提供了很高的覆蓋率，但是你需要添加多維代理，這些代理可以通過機器學習進行測量和處理�，F(xiàn)在你可以為特定的設(shè)計配備代理，重建數(shù)據(jù)，以便更好地了解正在發(fā)生的事情。”

空空如也，垃圾滿天飛

傳感器不夠精確，不要緊。以波音737 MAX為例，故障傳感器可能是兩起墜機和一系列恐慌背后的罪魁禍首。其中一個問題是，數(shù)據(jù)需要更廣泛地共享，才能識別錯誤，而系統(tǒng)供應(yīng)商往往將這些數(shù)據(jù)作為競爭優(yōu)勢加以保護。

"在測試方面，我們一般遵循標準化的測試去設(shè)計芯片，但原始設(shè)備制造商對此缺乏足夠的信任。“National Instruments運輸部門首席解決方案經(jīng)理Doug Farrell表示。“他們不愿意分享數(shù)據(jù)，這種情況必須改變，因為你不可能在一家公司里擁有一切。在自動駕駛方面尤其如此，一級汽車制造商和原始設(shè)備制造商正在進行激烈的競爭�！�

所以我們只有不斷的測試傳感器，以確保數(shù)據(jù)的質(zhì)量。

Farrell說:“對于操作車隊的人來說，他們可以在換班結(jié)束時對傳感器進行診斷，并對其進行校準�！薄昂枚喙�司跳過了中間步驟，直接從純粹的模擬轉(zhuǎn)向?qū)�傳感器安裝在汽車上，因此診斷是必不可少的�！�

為防止將來出現(xiàn)問題，數(shù)據(jù)本身也要存儲。

PDF的Ciplickas說:“我們試圖避免的是無聲數(shù)據(jù)的破壞�！薄爱斶@種事發(fā)生的時候，你無法預測�！�

對于安全關(guān)鍵型應(yīng)用程序，結(jié)果可能比這糟糕得多。現(xiàn)在，這些設(shè)備的功能帶來了責任，而數(shù)據(jù)是確定哪里出了問題以及原因的最佳方法。

OptimalPlus電子部門總經(jīng)理Uzi Baruch表示:“汽車行業(yè)與半導體行業(yè)的根本區(qū)別在于，測試只是汽車行業(yè)的一個載體�！薄斑@比你通常在半導體行業(yè)看到的要多，不僅限于電子產(chǎn)品，這是一條完整的裝配線，有多個接觸點�！�

設(shè)計檢查

檢查在高級節(jié)點和某些類型的高級封裝中變得越來越困難。因此，人們要在更多的地方安裝更多的傳感器——無論是在設(shè)備中還是在封裝中——并要使這些傳感器更小、更快、功耗更低。

CyberOptics首席執(zhí)行官Subodh Kulkarni表示:“目前晶圓廠和封測代工廠已經(jīng)在進行抽樣檢測�！薄艾F(xiàn)在我們正在對封裝進行功能檢查。問題是在我們進行100%的檢查之前會有多少放射性塵埃。但由于封裝太貴了，有必要對其進行合理的成本檢查�！�

隨著新材料的引入和新結(jié)構(gòu)的加入，這種檢查會變得更加困難。此外，由于漫射光不同于其他物質(zhì)，所以不同的材料需要不同的檢查技術(shù)。Kulkarni指出，這兩種方法都需要重新校準光學攝像機等檢查設(shè)備。

他說:“這讓先進的封裝檢驗和模塊檢驗變得越來越困難，尤其像HBM�！薄霸谶^去，2D檢查就足夠了�，F(xiàn)在你需要對存儲模塊進行3D光學檢查�！�

這將花費更多的時間，生成更多需要分析的數(shù)據(jù)。

結(jié)論

在制造業(yè)中，將傳感器數(shù)據(jù)和機器學習結(jié)合使用的方法剛剛興起，但是提高質(zhì)量和減少測試時間的機會是巨大的。這也有助于減少冗余的設(shè)計，這在部件、功率和重量方面都是難能可貴的。

proteanTecs首席商務(wù)官Raanan Gewirtzman表示:“我們的目標是終止增長的冗余�！睂τ贗SO 26262規(guī)定尤其重要，因為它需要一定程度的冗余。但我們可以通過增加更好的測量代理來解決�！�

這需要用一種完全不同的方式來看待和使用數(shù)據(jù)，但是以更少的成本提供更好的覆蓋范圍的前景得到了多方的關(guān)注，最大的問題是這種方法能擴展到什么程度。

參考文獻：

1.Gaps Emerge In Automotive Test

Reliability requires different parts to work in sync, and much more time-consuming testing and simulation.

2.Automotive, AI Drive Big Changes In Test

DFT strategies are becoming intertwined with desi

注：本文系網(wǎng)絡(luò)轉(zhuǎn)載，版權(quán)歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權(quán)問題，請第一時間告知賽斯維傳感器網(wǎng)，我們將立即刪除內(nèi)容！本文內(nèi)容為原作者觀點，并不代表本站贊同其觀點和對其真實性負責。

賽斯維傳感器網(wǎng)（www.jsxlzzp.com）