数据分析Chiplet时代

本文基于2022年发表于日本半导体。

摩尔定律提供了半导体行业的逐客令了设备进步在过去的五年。芯片制造商成功地不断想办法缩小晶体管,使拟合电路到一个小空间,同时保持降低成本。然而今天,摩尔定律正在放缓随着成本的增加,传统的金属氧化物半导体晶体管的比例已达到其实际的限制。

继续追求deep-submicron特征尺寸(5 nm和较小的)需要投资在昂贵的极端的紫外线(EUV)光刻系统,只有最大的芯片制造商能负担得起。除了光刻缩放、延长摩尔定律的方法包括3 d晶体管的叠加;背后动力输送,电力和地面移动的晶片,消除信号之间需要共享互连空间和权力/地面线晶片正视图;通过2.5 d / 3 d和异构集成与快速增长的chiplets包装。所有这些新结构已经制定,使更多内容的集成方案。

与这些新方法来提高包压力和更低的缺陷密度和公差。微小粒子,曾经接受现在可以成为杀手的缺陷,同时加强包装的功能在这些高级包创造了更多的热机的压力。特别是,内存设备不能忍受高温,它们所持有的数据,可以是负面影响。大型数据中心需要防止沉默数据提供者的腐败——数据的变化可能导致危险的错误,因为没有明确的指示数据不正确的原因。与此同时,在汽车领域,设备体积和密度有爆炸了。汽车曾经包含大约50半导体,今天的平均车包多达1400集成电路控制引擎从安全气囊。

质量和可靠性保证测试

所有这些点,保证质量和可靠性已经成为半导体的一个关键挑战。至关重要的质量和可靠性(q和r),是两个不同的担忧——半导体工作长期以及短期内?质量保证,在短期内,一直依赖功能,结构,和参数测试。测试工程师测量一系列参数(电压、电流、时间等),以达到数据表的一致性和一个简单的通过——设备工作时测试。

然而,规范合规测试并不足以保证可靠性的部分——它能够工作和继续工作多年的使用最终产品。保证可靠性、半导体生产商通常应用加速电,热,和机械压力测试和检验,利用统计数据分析结果国旗离群值,被怀疑为潜在的可靠性的缺陷。(见图1)。随着复杂性的增加,筛选的难度不可靠单位继续安装。

图1:质量和可靠性的缺陷是非常不同的在形式、性质、和宽容的局限性(LSL =低规范限制;USL =上规范限制)。可靠性保证越来越困难面对复杂性加剧包。

实现简单的统计信息来执行可靠性测试的问题是,虽然明显的异常值将被探测到,它更难以检测设备,随着时间的推移可能会失败,防止各次(返回材料授权),特别是在汽车和其他任务关键型应用程序。一次系统失败,工程师们在压力下分析根本原因并实施纠正措施。2022年在西方一个例子在半导体,银河半导体测试说明了紧缩限制捕获更多失败需要显著影响产量。非常积极的动态部分平均测试(DPAT)抓住了一个失败的50 RMA单位和造成12.6%的好单位丢失。引入机器学习(ML)的模型,然而,产生更好的结果。在相同的示例中,利用ML-based技术启用44的50 RMA故障检测,收益率仅为2.4%的损失。

毫升+测试=增强q和r的保证

计算能力的人工智能(AI)仍在迅速增长。著名的研发公司OpenAI报道,人工智能模型的计算能力训练自2012年以来翻了一番,每3.4个月当像Nvidia公司开始生产高度发达的gpu,数据密集型公司,例如谷歌推出了自己的AI加速器。这些进步加快人工智能学习的计算能力。通过预测这些进步到半导体测试,我们知道,应用人工智能和ML技术测试函数将使测试系统更聪明,这样他们学习如何识别更多的缺陷——和更多类型的缺陷——与更深入的分析。

今天的小几何图形,增加了设备的复杂性需要更多的人工智能/毫升权力加强数据分析。云中的数据分析用来做或在内部服务器上。测试人员将数据发送到云或服务器,等待分析结果来判断缺陷,失去一个完整的测试时间第二或更多——巨额的财政赤字在大批量制造业务。边计算,另一方面,只需要几毫秒,节省测试时间的巨大的利益。

充分利用毫升技术,我们开发了一个解决方案,对我们与ACS边缘尖端测试人员,我们的高性能,高度安全的边缘计算和分析解决方案。ACS实时数据基础设施使ML的完整周期模型部署、实时缺陷筛查使用毫升模型,模型的和持续的培训,以确保持续的学习。毫升函数速度检测的异常值,立即与ACS边缘为测试人员提供反馈。图2说明了这种循环。

图2:毫升模型开发培训周期数据在ACS EdgeTM与V93000通信的并发测试和数据分析。

片上传感器的硅生命周期管理

另一种技术的发展,许多业内人士都很兴奋地看到实现硅生命周期管理(SLM)预测和优化设备可靠性更加有效。每天大晶圆代工厂生产tb的数据,但只有不到20%的这些大量的数据是有用的,对可靠性筛选构成挑战。SLM的概念涉及故意设计模具来生产有意义的高价值生产过程的数据嵌入微型传感器的死来衡量各种当地参数——温度,电压,频率等。- DFT逻辑监控和评估死在每个阶段的行为。智能毫升模型然后使用数据生成的芯片上的传感器来检测早期可靠性退化的迹象。如果一个特定部分的死亡表现出一个巨大的温度上升,例如,它可能发生意外泄漏信号是由于一些物理原因(例如,模具开裂或桥接)和将会失败如果不是固定的。这种技术可以解决问题更早地防止潜在的严重缺陷。

SLM-focused传感器监控,更彻底的可靠性测试可能发生在每一个阶段,从晶片和包级别系统级测试和现场应用。汽车板配备这些芯片上的传感器可以检测到异常快的汽车制造商和传递这些信息快速诊断和解决,例如,通知业主把车服务。

机械和热应力是众所周知的挑战在2.5 d / 3 d包,和芯片上的传感器可以大大受益。这些传感器可以帮助监测和检测已知的高压地区退化的早期签名确认的模拟。如图3所示,在一个包,一个有机的顶部设有一个硅衬底(绿色)插入器(灰色),热膨胀系数(CTE)不匹配可能带来重大的两种材料之间的界面应力,导致扭曲,从而导致开裂die-to-die连接(中心红点)和角落疙瘩(灰色和绿色之间)。散热的死亡堆积在粉色(3 d堆叠)是另一个具有挑战性的领域。通过将这些压力点附近的片上传感器,包可以更有效地监控和潜在问题可以解决之前成为灾难性的。

图3:设备与芯片上的传感器可以自动检测信号较弱的地区和压力点在2.5 d / 3 d包,将数据发送到毫升可靠性模型进行分析和筛选。

Chiplet生态系统的挑战

新兴chiplet及时根源分析生态系统构成了重大挑战。2.5 d / 3 d包包含多个死于不同供应商,它成为至关重要的识别低产率的原因,尤其是在装配后收益率从80%下降到20%。然而,只有23%的厂商愿意分享他们的数据,根据异构集成路线图(HIR) 2019年的一项调查,延迟识别的罪魁祸首死于一个特定的晶片很多。此外,并不是所有的小芯片的内存空间包括一个独特的ID死去,这使缺陷的跟踪变得更复杂了。

为应对这些挑战,必须建立数据前馈和反馈整个生态系统。当工厂确定一个问题在直列式晶片检查,它应该前馈更智能电气测试的数据。在电性能测试生成的数据然后反馈给工厂,创建一个闭环系统。通过设计chiplets记住异构集成,可以充分利用工厂数据,提高chiplet质量和可靠性保证。最终,更好的合作和信息共享在供应链将使更快的根本原因分析和改善chiplet制造业。

总结

在当今半导体工业,较小的和更复杂的设备设计需求驱动的开发2.5 d / 3 d包和chiplets。这些进步与传统测试方法带来了新的挑战,需要先进的技术,如人工智能和毫升,以确保可靠的,高质量的产品。

硅等新方法生命周期管理(SLM)使用片上传感器和机器学习为长期可靠性数据分析提供有价值的解决方案。虽然SLM尚未得到广泛实施,承诺在chiplet供应链协作和数据共享生态系统是成功的关键。

利用人工智能和机器学习测试数据的收集和分析,可以实现显著的好处,包括提高质量和可靠性保证,降低成本,并为设备加速投放市场的时间。实现这些技术必须考虑的一个关键chiplet设计和测试前进。