翻译自——semiengineering

传感器的大规模应用和机器学习的发展让集中测试在一些影响力较大的领域成为了可能。

机器学习和集成电路制造设备中结合了更多的传感器，这为晶圆厂和封测代工厂对于针对性测试和更快吞吐量创造了新的可能性。

这种做法的目的是为了提高质量，降低制造复杂芯片的成本。在最先进的节点上，制造复杂芯片所需的时间正在增加。随着晶体管数量的增加，更多的芯片被添加到电路板或封装中，这导致了需要更多的时间去测试这些器件，也增加了总体成本，如果测试时间保持不变，就会降低被测设备在其生命周期内的可靠性。

所以，我们有必要区分哪些设备确实需要彻底测试，哪些设备已经在硅材料中得到了充分的验证。这相当于对一个测试套件进行修剪，但是这个需要收集足够有用的数据来进行调用。在过去这很难做到，但是随着更多传感器的参与，生成了更多的数据，我们就可以更细致的查看数据并从中进行有效识别模式。

PDF solutions公司表征解决方案副总裁Dennis Ciplickas说:“如果能建立一个准确率达到99.99%的模型来预测芯片何时会老化，那么你就可以跳过芯片老化的过程，从而节省成本。”

不管你设定的比例是多少，20%、30%或50%的跳跃率都可以，这将节省老化成本。而且数据越多，预测就越准确。

困难在于如何连接正确的数据来实现这一点。所以如果你所有的数据都在封测代工厂上运行，从晶圆排序、组装，到最后的测试都在那里，你就可以整合所有的数据并从中做出预测。但如果你在不同的地方进行的这些工序，那就必须从多个地点合并数据，这就需要一个系统来做到这一点。”

老化测试用于检测芯片中各种元件的早期故障。在过去，这类数据是通过数据交换共享的，虽然有用，但还不足以消除测试。

Ciplickas说:“最初，数据交换网络背后的初衷是建立一个数据库，这样你就可以看到你的供应链。”“机器学习现在可以让你把许多不同的功能放在一起，来做一些新的事情，比如预测。”所以通过从传感器获得的数据，就可以控制老化成本。下一个步骤是使数据能够以连贯、连接的方式一起流经不同的站点，通过这些来进行预测。”

实际上，这就是一种将全流程的各种组件描述的更加精细，并精确地消除不必要的测试。

OptimalPlus副总裁兼总经理Doug Elder表示: “现在，你可以在进行晶圆排序和最终测试的竖井中连接所有数据源，以确定故障来自何处。你可以减少你的测试集和疑似老化的区域，你也可以运行机器学习算法来修复测试和改进你的方法。”

在过去，在现场实施之后，可能需要几个月或几年的时间才能显现出生产问题。其中一些问题可以通过软件来解决，比如智能手机的天线问题，在技术被取代之前，这些问题一直运行良好。但随着越来越多的芯片被用于工业和汽车应用上，这种方法已经不再适用。

Elder表示:“如果你能在检查中或老化阶段发现这些问题，那么你就能将老化测试时间减少10%到20%。”“这对制造商来说是个很大的数字。

在实时情况下，通过查看自适应测试时间的减少量，估测哪些测试没有失败。这样就可以减少测试时间，并且你可以通过一个闭环系统将其添加回测试循环中，该系统可以包含从晶圆排序到最终测试的所有内容。此外，重新测试也会增加我们的额外成本。但在损坏之前，你能重新测试多少次呢?其中一个案例：一个设备被重新测试了17次，直到最终通过测试。” 可以看出，这对正在测试的设备来说并不是好事，既昂贵又耗时。在晶圆厂，每分每秒都有成本。

更好的数据，更好的结果

“好的”数据在不同的市场可能意味着不同的东西，甚至常常在同一个市场中也是如此。数据之所以有用，是因为它对特定的操作、过程或设备都有效。但需要大量的专业领域知识来做此决定。

yieldHUB首席执行官John O’Donnell表示:“我们发现一些较小的公司并不是在每个领域都有专长。”“尤其是在汽车领域，有些公司可能在设计方面很强大，但在测试方面就没那么精通。”这就给复杂的芯片设计带来了一个问题，久而久之，对芯片来说，问题将变得更加关键。但它也突显了贯穿整个设计到制造链的一个挑战，即确保参与其中的人都能理解其他工序的工作。

“有人可能会问，‘我们真的需要把时间花在这块吗?重要的是团队中的每个人都必须看清这一点，” Donnell解释到：“你可能是某个芯片特定部分的专家，而不是另一个部分的专家，所以你就需要合作和分析，还要在知识库中进行维护。这使得你对特定领域有了足够的信心，你可以将你的知识添加到系统分析中，以此减少测试数量所需的成本。

确保数据质量的另一种方法是对数据进行连续馈送。因此，与所有外部数据不同，其中一些数据可以在设备运行时进行测量。

proteanTecs的首席执行官Shai Cohen说:“有了在线数据，你就能不断提高性能，做出正确的决定。”“在工序和内存中你都可以权衡参数缺陷。这提供了很高的覆盖率，但是你需要添加多维代理，这些代理可以通过机器学习进行测量和处理。现在你可以为特定的设计配备代理，重建数据，以便更好地了解正在发生的事情。”

空空如也，垃圾满天飞

传感器不够精确，不要紧。以波音737 MAX为例，故障传感器可能是两起坠机和一系列恐慌背后的罪魁祸首。其中一个问题是，数据需要更广泛地共享，才能识别错误，而系统供应商往往将这些数据作为竞争优势加以保护。

"在测试方面，我们一般遵循标准化的测试去设计芯片，但原始设备制造商对此缺乏足够的信任。“National Instruments运输部门首席解决方案经理Doug Farrell表示。“他们不愿意分享数据，这种情况必须改变，因为你不可能在一家公司里拥有一切。在自动驾驶方面尤其如此，一级汽车制造商和原始设备制造商正在进行激烈的竞争。”

所以我们只有不断的测试传感器，以确保数据的质量。

Farrell说:“对于操作车队的人来说，他们可以在换班结束时对传感器进行诊断，并对其进行校准。”“好多公司跳过了中间步骤，直接从纯粹的模拟转向将传感器安装在汽车上，因此诊断是必不可少的。”

为防止将来出现问题，数据本身也要存储。

PDF的Ciplickas说:“我们试图避免的是无声数据的破坏。”“当这种事发生的时候，你无法预测。”

对于安全关键型应用程序，结果可能比这糟糕得多。现在，这些设备的功能带来了责任，而数据是确定哪里出了问题以及原因的最佳方法。

OptimalPlus电子部门总经理Uzi Baruch表示:“汽车行业与半导体行业的根本区别在于，测试只是汽车行业的一个载体。”“这比你通常在半导体行业看到的要多，不仅限于电子产品，这是一条完整的装配线，有多个接触点。”

设计检查

检查在高级节点和某些类型的高级封装中变得越来越困难。因此，人们要在更多的地方安装更多的传感器——无论是在设备中还是在封装中——并要使这些传感器更小、更快、功耗更低。

CyberOptics首席执行官Subodh Kulkarni表示:“目前晶圆厂和封测代工厂已经在进行抽样检测。”“现在我们正在对封装进行功能检查。问题是在我们进行100%的检查之前会有多少放射性尘埃。但由于封装太贵了，有必要对其进行合理的成本检查。”

随着新材料的引入和新结构的加入，这种检查会变得更加困难。此外，由于漫射光不同于其他物质，所以不同的材料需要不同的检查技术。Kulkarni指出，这两种方法都需要重新校准光学摄像机等检查设备。

他说:“这让先进的封装检验和模块检验变得越来越困难，尤其像HBM。”“在过去，2D检查就足够了。现在你需要对存储模块进行3D光学检查。”

这将花费更多的时间，生成更多需要分析的数据。

结论

在制造业中，将传感器数据和机器学习结合使用的方法刚刚兴起，但是提高质量和减少测试时间的机会是巨大的。这也有助于减少冗余的设计，这在部件、功率和重量方面都是难能可贵的。

proteanTecs首席商务官Raanan Gewirtzman表示:“我们的目标是终止增长的冗余。”对于ISO 26262规定尤其重要，因为它需要一定程度的冗余。但我们可以通过增加更好的测量代理来解决。”

这需要用一种完全不同的方式来看待和使用数据，但是以更少的成本提供更好的覆盖范围的前景得到了多方的关注，最大的问题是这种方法能扩展到什么程度。

参考文献：

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 design strategies at the beginning of the design process.

3.Big Shifts In Big Data

Why the growth of cloud and edge computing and the processing of more data will have a profound effect on semiconductor design and manufacturing.

4.Using Better Data To Shorten Test Time

More sensors plus machine learning are making it possible to focus testing where it has the most impact.

5.Data Confusion At The Edge

Disparities in processors and data types will have an unpredictable impact on AI systems.

6.Data Analytics Knowledge Center

More top stories, special reports, blogs and white papers on Data Analytics