缺口出现在测试和分析

传感器和过程漂移,增加设计复杂度和持续优化电路在整个使用寿命期间的驾驶测试和分析的新方向,需要一系列基础的比较可以测量设备和流程。

设计世界上这种类型的平台被称为数字双胞胎,但是在测试世界没有等价的今天。随着更多的人工智能/机器学习被添加到流程,设备在较长生命周期调整,有一个参考数据变得越来越重要。

“每一个人工智能工具,你至少需要一个基本的数据库比较,“Subodh Kulkarni的首席执行官CyberOptics。“我们所做的事情之一就是我们所说的自治图像判读,或AI²。本质上它所做的是把每个图片我们收集和存储基于功能。然后我们可以看到如果我们捕获类似于一幅图片数据库中捕获的早些时候。”

这是测试目的,说起来容易做起来难。一个大的挑战是找出什么是可接受的起点。在过去,参考点的设计规范,工具和传感器漂移可以调整占漂移。但过程也可以漂移,因此可以由电路生成的数据,因为他们的年龄。随着设备越来越复杂和越来越不均匀,理解漂移的影响变得更加复杂。尽管单个芯片或IP仍然可能在规格内,多个芯片中包集体或系统可能的规范。

人工智能、机器学习和深度学习添加另一个级别的复杂性为混合,因为这些技术的主要目标之一是适应和优化。今天,大多数AI推论是不透明的,所以孤立往往随时间发生的变化是不可能的。即使在变化可以确定,这需要大量的工作来理解这些数据,因为随着时间的推移,这些改变需要映射和在其他方面的系统。

有一个参考点在所有这些情况下将是一个很大的帮助。这是特别重要的在安全至上的或任务关键型应用程序中,在预计一生需要做测试的设备。但是如果设备用于10年或更久的时间,这些电路将用独特的方式降低,根据使用模型,环境条件,可能影响整体使用的软件升级和系统行为。

”人工智能,如果更改只可意会不能言传,今天你需要再教育,”Michael Schuldenfrei表示企业技术研究员OptimalPlus。“对于许多模型,没有办法解释正在发生的事情,特别是芯片或设备的整个生命周期。这是一个很好的理由将人工智能引入分析过程。即使有这样的问题,还是比没有人工智能,因为你可以将环境因素与机器的核心。也有将数据分解问题的方法,所以有多个模型”。

云与边缘
另一个问题是,并不是所有的测试数据将被分析以同样的方式和相同的地方。传统上,芯片检测诸如功率,电压和温度,然后扔进垃圾箱在生产中根据他们如何执行。虽然这种类型的测试将会继续,在复杂的系统,它并不足以保证没有失败。

芯片用于更长时间的在汽车、工业和医疗应用程序,甚至在数据中心,必须了解导致缺陷经过几个月或几年的使用。它可能是一个设计缺陷,但它也可以是一个潜在缺陷引起的未被发现的制造过程检查和生产测试。

“分析是核心,”大卫说公园,负责营销的副总裁PDF的解决方案。“你需要测试在上下文。这可能发生云,你可以做各种各样的测试和检查签名。它也可以发生在边缘。这两个你可以应用机器学习问题的签名和采取行动。在过去,我们已经看到了机器学习在沙箱中完成的。很多不同的生产。你可以有坏的材料,把一切不正常。”

可以实时的生产,使用一个反馈回路。在这种情况下,数据分析需要做的优势,因为即使有最快的云模型,数据需要时间去和云。但每一种都有其优势。云是很好的分析海量数据,以确定确切的批处理,很多和薄片,问题出现有什么不同之处,和另一个另一个晶圆的加工。关键是能够跨越了两个世界,因为在分析每一个角色。

这里的大问题已经对数据的访问。这在过去十年有所改善,特别是随着铸造业务整合和制造过程变得更加独特的铸造。但仍有限制多少数据铸造厂将放弃,以及如何将这些数据追溯到源如果出现错误。

“所有的晶圆厂都是保护自己的数据,“CyberOptics”Kulkarni说。“我们的客户给我们足够的数据来提高传感器。但你也可以允许用户调整权重与使用工具变得更好。”

追加保证金
直到最近,增加保证金到芯片是最常见的方式来抵消的问题。额外的电路可用于爬在它的生命周期问题,基本上添加一个水平的冗余,这样信号可以根据需要重新铺设。

利润开始精疲力竭了许多相同的原因摩尔定律。额外的电路意味着信号必须通过越来越瘦电线,旅游进一步放缓的性能和增加热量。一个简单的冯诺依曼体系结构,这是相对可控的。但在大型异构芯片,理解不同的组件交互可以添加巨大的复杂性。和最先进的节点所需的电源管理基础设施,以避免热影响和各种类型的噪声只会加剧这些担忧。

“很多人都关心guard-banding,“说Raanan Gewirtzman,业务总监proteanTecs。“过去,你可以添加更多的保证金来解决一个问题。现在有更多的变量和更严格的公差,但是你不能添加更多的边缘芯片和你不能充分考验一切。所以你需要一个更好的理解的方式应该被使用,你需要看看变化随着时间的推移,因为它使变形。”

在汽车应用程序变得更加困难,一些人工智能逻辑正在开发过程最先进的节点。需要的是在线监测。

“在线监测和机器学习的解释允许您生成的数据不断跟踪参数,“Gewirtzman说。“你这样做定期所以你提前知道如果会缩短设备的寿命。这是非常重要的在车里,有更多的电子产品和电子产品是基于先进的流程节点。汽车,越来越多的公司正在开发半导体包括许多初创公司和整个行业这是一个巨大的转变。您需要这个新方法从内部看电子和保证一切都在计划操作。”

但也不仅仅是利润。它是关于保证金的日益复杂的设备。

“在汽车,有两大因素,寿命和大小,”罗恩新闻,说技术支持主管导师,西门子业务。“这些系统有成千上万的重复的块,今天你必须允许测试识别块走坏,找出你要使用一个备用。但是有很多块芯片是如此之大,这成为一个问题。处理器公司多年来一直这么做。他们决定如何规范它,也许你有相同的死与四核和一个并不表现良好。但是现在你有一千芯,没有标准方法企业可以重新配置他们。”

设计本身变得如此之大,事实上,在许多情况下,他们是比一个十字线,需要缝合。“现在你有非常精确的测试,测试一切之前,你把它放在一辆车,”记者说。“你使用结构性生产测试系统测试之前,然后你使用阿拉伯学者(内建自测)。对于人工智能应用程序,我们看到越来越多的这个。设计越来越大,人们越来越意识到正在发生的事情担忧。如果是10倍,那是难上加难。”

,需要继续监控整个设备的生命周期,这增加了另一套问题,因为所有的数据需要进行比较。

更好的数据
除了所有这些,需要有一个一致的方法来评估数据。并不是所有的数据都是有用的,而不是所有的数据都是一致的。

“我们需要更好的方法来解析和清洗数据,应用机器学习早在描述,丰富产量与MES(制造执行系统)数据库和其他数据源的数据包括环境和系谱,”John O ' donnell表示,公司的首席执行官yieldHUB。“我们还需要更大的体积的规模分析,以及沿着供应链平台允许更紧密合作。我们需要将新产品介绍所需的所有工具集成到一个共同的平台。”

有潜在的缺陷在这些步骤中,O ' donnell解释道。例如,数据从分包商不同,会影响数据的解析和清洁。使用毫升早些时候流,需要有更好的标准化命名测试和条件是如何存储的。和multi-die包装使得收益率数据的丰富更困难。

整个供应链Multi-die包装可以创建问题,因为有很多生产过程中接触点。所以即使一个好死可能是在运输过程中损坏,包装或处理。multi-die包,发现一个问题是更加困难。

“multi-chip包装,你知道设备失败,但就是因为硅或wirebond或其他方式将芯片联系在一起,”说,PDF的公园。“很多公司都搬到一个摩尔多的方法,是否它是一个系统包或multi-chip模块因为你得到扩展性能和权力,但没有单片硅。所面临的挑战是,如果你有10个设备在一个包中,任何一个可能会导致一个问题。一样质量是最弱的组件。”

这为设计团队提供了多个自由度,但它使后端上的工作更加困难。

“在制造业有很大的挑战,”CyberOptics”Kulkarni说。“你需要的工具,可以做的不仅仅是分析原始数据。你需要更多的情报在不同层。”

这是两个不同的方向。虽然大多数的数据是关于识别微小畸变,同样重要的是使用这些数据来建立一个整体的观点。但这也需要擦洗的数据。

“简单的接口还允许评论和上传,需要“yieldHUB的O’donnell说。“你总是会幻想自己的方法,包括分析脚本,所以需要确保任何系统提供第三方系统提取。”

最后,所有这些可以通过市场差异很大,应用和设计。有更多的变量在每一个复杂的设计,等新技术5克有很多移动部件,甚至是一个参考模型不是好长时间。在这种情况下,创新和权宜的方法仍然是必要的。

”在许多情况下,这取决于频率,它就很难得到正确的最终设备的带宽将会仅仅因为你有微小探针,可以改变阻抗,“Alejandro Buritica说,高级营销经理的解决方案国家仪器。“这不是太一样在包级别测试,但至少你知道控制信号正在努力打开功放控制增益状态和阶段状态的动态行为之类的。你知道一旦你包了,现在你要测量的适当的性能将实际射频针,你会接触到。所以在这种情况下,您可能会确定晶圆制造简单的参数不当行为,充分认识到你还没有接近评估设备的完整的射频性能。”

结论
这指的是更多的定制和粒度分析的数据。没有两个完全相同的设备,和数据开发一个不一定适合另一个。但这数据也可以帮助定义芯片的参数应该操作,随着时间的推移和帮助预测他们将如何工作。

“如果你看看EDA工具,通常是那些已经获得的工具代表知识随着时间的推移,这个工具对每个人都是一样的,“说proteanTecs Gewirtzman。“现在,因为一切都是更多的数据驱动,你可以完美的工具基于数据。如果你可以提高基于硅相关的工具,例如,可以提高图书馆。”

苏珊兰博对此报道亦有贡献。