随着更先进的电子设备被添加到汽车中，不同的观点和需求产生了摩擦。
将电子设备整合到日益自动驾驶的汽车上，并不像营销文献所描述的那么顺利。事实上，其中一些分歧可能需要数年时间才能得到解决。
迈向完全自动驾驶的步伐当然没有放缓，但汽车制造商和电子行业正在从截然不同的角度接近这一目标。汽车制造商和他们的一级和二级供应商需要硬数据和物理检查和测试。与此同时，领先的芯片公司和晶圆代工厂辩称，模拟和统计分析就足够了。在这两种观点之间存在一个差距，包括如何证明和预测可靠性、老化和电子退化和故障的其他原因，以及对IP和汽车中使用的各种电子组件进行认证的必要条件。
这些问题包括:
虽然可以使用现有的半导体工具和设备来预防故障，但汽车制造商正在寻找能够预测故障的数据。特别是在人工智能系统中，今天的这些设备部分是黑魔法，完全是黑盒。
福特汽车公司高级可靠性工程师Keith Hodgson说:“福特一直在使用可靠性物理分析，但我们现在还没有在部件使用寿命接近80%时进行预警。这意味着在退化模型中，你处于故障的边缘，但实际上没有故障。”
这类数据对许多行业部门都很有价值，因为它允许所有类型的系统供应商平衡风险和成本。但在对安全要求很高的市场中，它尤其有价值，因为在这些市场中，风险可能涉及严重伤害，而且需要对各种部件进行预测性维护。
Dfr Solutions高级技术人员吉姆•麦克利什(Jim McLeish)表示:“通常需要5到6年时间，你才能知道是否存在问题。”“但对于5nm或7nm工艺，没有人有这样的经验。我们不知道变异会如何影响可靠性。SAE有一个故障安全标准这就给出了计算故障率的公式。我们正试图将其纳入SAE标准(J3168)，并向政务委员会提交一份愿望清单。但我们需要这些数据来运行模型，并得出大致的预测。”
这些数据包括模具尺寸和厚度、模具材料、z轴翘曲、模具在包内的偏移量以及球的直径和高度。这不是大多数芯片制造商在汽车行业之外使用的那种数据。
“制造汽车的公司和制造芯片的公司在不同的地方考虑可靠性，”福特汽车营销副总裁Kelvin Low说手臂的物理设计组。“我们需要在芯片和IP方面进行更多的教育，汽车原始设备制造商需要弄清楚硅和IP世界正在发生什么。供应链中的每个人都将受到影响。目前，所有部件的代工数据还没有出来，对于最终产品，你只能做这么多模拟。结果是，他们将获得更多的利润，因为他们实际上没有看到这些数据。”
图1:福特用于拼车的自动驾驶汽车来源:福特
设计和制造轮班
领先的芯片制造商通常会将制造数据留给代工厂和EDA供应商，以便设计出来的产品能够以足够的良率生产出来。自引入finfet以来，晶圆代工厂如三星，GlobalFoundries而且台积电一直在为他们的顶级客户、EDA和IP公司提供有关工艺变化和其他可能影响可靠性的影响的详细数据。但为汽车应用开发7纳米AI芯片又增加了一系列新问题。
蚀刻产品战略副总裁Uday Mitra说:“每个节点的问题都在升级，增加了过程中出错的可能性。应用材料．“现在它不再是一个简单的心理医生。由于EPE(边缘放置误差)容忍度较低，EPE在较小的节点上增加，而litho对准误差和工艺变化误差会叠加。最大允许的EPE是四分之一节距，随着节距的减小，情况会变得更糟。除非音高放松，否则重制(新磁带)无法解决这个问题。”
在这些问题之上，汽车行业增加了严格的资质和可靠性。目前还没有用于汽车生产的7纳米人工智能芯片，因此目前还没有相关数据。目前还不清楚在制造后期会出现什么样的问题。
“导致汽车IC可靠性故障的潜在缺陷与随机缺陷直接相关，”Rob Cappel说KLA-Tencor．“如果使用适当的检测工具、抽样策略和方法来发现和减少随机缺陷，晶圆厂在内线发现这些可靠性问题的概率就会大大提高。”
这是由先进电子技术融入汽车行业所推动的重大转变之一。在线监测将是必不可少的，因为电子产品预计可以使用18年而没有任何缺陷。根据机器人出租车的行驶里程不同，这个公式可能会有所不同，但这些无人驾驶汽车将需要某种方式来更换零件或模块，以免出现故障。
“汽车行业的人希望能够看到可靠性的证明，”奥利弗·金(Oliver King)说Moortec．“预测分析和模拟很好，但他们希望在现场看到它。我们知道finfet是如何老化的吗?不是真的。我们有模型，但它们与平面芯片不一样。这是我们第一次认真对待电迁移汽车的问题。当你把复杂的soc放在那里，你就会开始看到通常与复杂soc相关的各种问题。”
这可能包括从完全失败到更微妙的时机问题。
公司首席执行官Rupert Baines表示:“预测性维护已经成为现实UltraSoC．像这样的芯片公司NXP，圣、英飞凌和英特尔正在芯片上编写复杂的代码，而博世(Bosch)和德尔福(Delphi)等公司正在开发更多的软件。他们需要验证、验证和分析，这样就可以进行芯片公司自己无法提供的预防性维护。如果您有一个错误，您希望捕获它并确保它不会引起问题。如果系统被黑了，你想知道。但你需要在芯片运行时检测漏洞、黑客攻击和安全问题。”
通常情况下，这类问题需要经过几年的时间和手机或服务器的软件更新才能解决，完全自动驾驶汽车可能也会出现这种情况。但整个汽车行业都在全力以赴地追赶或超越特斯拉，而要做到这一点，唯一的途径就是电子产品。
“经典的可靠性学习周期是一年两次，”Klaus Schuegraf说，他是公司新产品和解决方案的副总裁PDF的解决方案．“首先，你必须构建产品，这需要两到四个月的时间。然后你要把它包装起来。现在你得把它烧了。这又需要四分之一。所以花了半年的时间来建造和烧掉它。你一年大约有两个学习周期。这是将这些高性能、高可靠性的技术推向高性能计算市场所面临的挑战之一。如果遇到一两个对您不利的ppm级别问题，那么您就无法以与前一个节点相同的质量发布。也有更多的步骤，这延长了处理时间。 You’re also dealing with the resolution speed of finding these harder problems and identifying them.”
生产的变化可能会增加可能出错的事情的列表，它又增加了一个变量。
“你当然可以保证质量，但很难做到。联华电子．“12英寸的晶圆可以在中心提供更好的均匀性，但在边缘更难保持这种均匀性。所以你可以从300mm移动到200mm，以降低故障率，最大限度地减少产品变化。问题是，你不一定知道如何将其用于汽车，有时你不得不后退一步，而不是转向最先进的工艺。”
全球关注人工智能
在辅助和自动驾驶汽车领域，最大的焦点之一是驾驶汽车通过预期和意外障碍、不断变化的路况和不同规则的迷宫的逻辑。由于设计周期较长，汽车制造商正在考虑采用7nm技术来避免被淘汰。他们也在考虑多种封装方法，如多芯片模块，以及22、18和12纳米的FD-SOI。他们正在权衡有多少逻辑需要集中，有多少处理将在更靠近传感器的地方完成，以最大限度地减少数据移动。
如此多的变量和移动部分使得从任何特定的方法收集足够的数据变得更加困难。
三星代工厂营销高级总监鲍勃·斯蒂尔(Bob Stear)说:“你会认为机舱内的人工智能将受到相当程度的温度控制。”“但更多的情报必须被推到终点。我们现在正在描述汽车。我们有28nm, 18FDS (FD-SOI)和14nm一级合格。’我们预计到今年年底就能拥有7nm制程芯片。”
这只是谜题的一部分。另一个问题涉及内存，取决于这些芯片的包装方式，这可能成为一个单独的问题。
GlobalFoundries生产线管理高级总监Jamie Schaeffer表示:“我们已经看到，当你将NVM堆叠在MCU上时，封装的接口在高温下会失效。”“这里的关键要求之一是内存，嵌入式MRAM已经能够承受150°C的结温。这是合格的汽车一级。(自动0级需要在175°c下进行认证)
目前的问题是，对于自动驾驶汽车中的人工智能芯片来说，没有单一的最佳架构或制造方法，也没有公认的最佳方法来将传感器打包在一起或确定哪些数据在何处处理。汽车边缘的整个概念在不同的架构、不同的制造商之间都有很大的不同。
还缺少什么
那么，汽车原始设备制造商和半导体制造商这两个世界是如何充分连接起来的呢?一种解决方案是交叉教育，无论长期发生什么，这都是必须的。
“我们已经经历了一些演变，大约30年前，还没有这种无晶圆厂代工的情况，”at的CTO David Fried说Coventor．“每个人都在设计和制造自己的产品。然后我们打破了这个行业，开始无晶圆厂和代工，一切都朝着不同的方向发展。无晶圆厂的人说他们甚至不想知道晶圆厂里发生了什么。你要给我设计规则，我要设计它，它最好是yield，如果它没有，那就是你的错。现在情况变得非常复杂，这堵墙开始变得很薄。无晶圆厂的人确实需要了解很多晶圆厂正在发生的事情，他们已经接受并希望这样。在某种程度上，整个行业正以这种方式重新团结起来。我并不认为这些公司会去购买晶圆厂或建造晶圆厂，但无晶圆厂和代工已经开始走到一起。有些人在不生产硅的公司里做很好的硅集成工作，因为他们需要了解晶圆厂发生了什么，才能让他们的产品工作。”
弗里德并不是唯一一个看到这种趋势的人。事实上，从前端设计到制造都有一个认可。
福特汽车战略副总裁伯克哈德•胡恩克(Burkhard Huhnke)表示:“在知识方面存在差距Synopsys对此．“汽车仍然是一个机械导向的行业。现在，突然之间，一切都变成了电力，你需要高压组件，比如逆变器和igbt，你需要模拟所有东西的瞬态特性。这可能是汽车公司未来的核心竞争力，但现在才刚刚开始改变。有很多来自智能手机行业和其他类似车型的新来者进入汽车行业。”
但这也需要以一种不同的方式看待汽车供应链，从设计一直到制造。
“如果你看看它过去是如何工作的，就会发现它是一种瀑布模型，”该公司设计方法学部门负责人罗兰·扬克(Roland Jancke)说夫琅和费自适应系统工程部．“因此，OEM将向一级制造商(可能是博世或海拉)提供规格，他们生产安全气囊或电机控制系统等汽车系统。他们将决定涉及哪一个Tier 2，哪一个提供最好的芯片，等等。每一层向下一层提供规范，决定如何划分系统，并向下一层提供子系统的规范。这个模型不再适用了，因为它太慢了，而且在这条线上没有给出足够的信息。这是一条相当长的线，某种程度上是一条价值链，有一些信息并没有传递给整个链条。因此，当汽车制造商在他们的汽车中使用某些技术时，他们并不完全了解他们会得到什么。”
另一方面，汽车公司需要了解如何使用数据来开发模拟，并依赖那些让半导体行业蓬勃发展的数据。
的首席技术专家João Geada表示:“当现实数据可用时，并非所有数据都是模拟的。有限元分析软件．“还有一些来自强制老化的数据，将测试芯片/设计放在极端条件下，以最大限度地提高老化效果——读取高温、高压、快速工艺角——持续一段时间。它们提供了一些用于验证模拟数据的数据。我们(EDA)在模拟方面做得非常好，非常准确。一旦有一些数据点证明模拟结果与观测结果相符，人们就会相信模拟结果。”
不过，这对于汽车行业来说是全新的，而且在某些领域还没有与所有这些电子内容相关的标准。
Fraunhofer的Jancke说:“现在有JEDEC标准、ISA标准、IEEE标准等标准。”“但其中一些是30年前定义的。在功能安全领域，在这些标准中，你需要给你的组件一个故障率。但是这些供应商提供的失败率是来自于大约30年前建立的表格，所以它们不再有效或不再有意义。这些标准需要改进，并适应我们今天拥有的技术。”
结论
现在判断所有这些部分最终将如何组合在一起还为时过早。这足以为汽车的更多功能充电，更不用说让它们在可接受的定义行为参数内运行。数据将是推动经济向前发展的关键因素，但速度有多快，从哪个方向发展，目前还不完全清楚。
“几十年来，汽车行业一直在获取集成电路的可靠性数据，”Wally Rhines表示Mentor是西门子旗下的公司．“但是，由于单位数量和包括先进包装在内的设计仍然很小，有关球和凸球以及其他类型制造数据的数据量是有限的。工业和制造业需要足够的数据点来保证质量和可靠性，但他们可能不像过去那样需要数据点。我们仍处于理清所有问题的阶段。”
这一阶段何时完成，这些截然不同的世界最终会融合成什么样子，谁也说不准。
有关的故事
变异的长，扭曲的尾巴恶化在7/5nm
从人工智能芯片到汽车可靠性和上市时间，多种来源的可变性正在导致各种意想不到的问题。
从内部确保芯片可靠性
芯片内监控技术在汽车、工业和数据中心应用中不断发展。
AI在芯片制造中的应用
covenor的CTO深入研究了预测性维护，变化的影响，以及这对产量和未来技术的意义。
利用数据提高产量和可靠性
作为改进测试和制造方法的一种方法，异常值检测越来越受到重视。
|
|
|
|
|
|
|
|
|
|
留下回复