利用半导体测试数据的力量

每天都在开发新的方法来收集、清理、集成和分析数据源，并从中提取有用的、可操作的情报，以帮助决策和其他过程。这适用于各种行业，包括半导体设计、制造和测试。

摩尔定律(图1)可能会随着晶体管临界尺寸的传统缩放而变慢。但随着工程师们不断开发巧妙的方法来将更多的功能打包到单个产品中，例如3D制造、多芯片封装、堆叠式模具和埋藏式电源导轨(仅举几例)，产品中组件的密度也在迅速增加。进一步推动这一增长的是半导体需求的空前增长，这是由在线零售、在家工作场景和交通电气化的增加所推动的。

图1:1970 - 2020年摩尔定律示意图。

跟踪半导体总产量的一个指标是每年制造的晶体管数量。VLSI Research(现在是TechInsights的一部分)估计，自摩尔定律提出以来，每十年的数量都是如此，如图2所示，并且估计2021年的总产量约为1.6×1021(16亿万亿)个晶体管!

图2:估计每年销售的晶体管数量。

即使是非常保守的估计，由这个难以想象的设备数量产生的测试数据也将大于每秒40太比特!所有这些数据都必须进行分析，不仅要确定哪些组件是好是坏，还要分析许多其他“信息”:合格但“可疑”的组件，包含这些组件的产品是否满足其数据表和可靠性要求，制造和测试流程和设备是否健康并处于控制之下，以及许多其他关键信息。

此外，这一估计仅涉及测试功能产生的数据，不包括设计、fab和测试设备、传感器、检验、校准和维护数据。因此，我们必须处理海量数据，以简化和优化我们的生产流程。这是贝尔实验室的杰克·莫顿在1958年所说的数字暴政的最好例子。

表1列出了正在改变当今半导体测试解决方案格局的其他行业趋势和相关测试挑战。

表1:行业趋势和半导体测试挑战。

受这些趋势影响最大的两个测试方面是产品质量和测试成本。新的和微妙的缺陷机制，结合对更高质量水平的推动，增加了必须执行的测试和筛选的数量和复杂性，以确保低十亿分之一的测试逃逸率。所有这些测试反过来又消耗了更多的测试时间，从而增加了测试的成本。半导体供应商主要依靠数据分析来解决这些问题，并在不影响输出质量或可靠性的情况下，将测试成本保持在合理的水平。让我们来看看一些解决方案的例子。

动态参数试验

在半导体器件上执行的最早的测试步骤之一是参数测试，也称为电子测试或晶圆验收测试(WAT)，这是在晶圆制造期间和之后执行的。被测试的结构可以是单独的晶体管，电阻和其他在划线线中制造的组件，划线线是晶圆上每个模具之间的小空间，如图3[2]所示。虽然这些结构填充了晶圆上的大部分划线，但测试通常仅限于分布在晶圆表面的几个位置。

图3:参数测试涉及在晶圆刻划线之间的模具中制造的结构。

测试测量提供了用于监视制造过程运行状况的有价值的数据。当检测到异常时，通常会停止物料流，以便晶圆厂工程师确定问题的原因。这通常涉及重新测试材料，收集额外的信息，并执行额外的人工分析——所有这些都是破坏性的，对晶圆厂运营来说可能成本高昂。

动态参数测试(DPT)的创建是为了自动化和快速解决这些类型的远足。在参数测试中，使用DPT技术和PDF Solutions Exensio软件，建立了一组用户可定义的规则，并在参数测试过程中进行检查。当规则检测到问题时，立即触发操作以加速根本原因识别。

这个过程如图4和图5所示。在本例中，正在执行二极管测量。检测到超出规格的测量，触发DPT规则，测试流程迅速适应跨晶圆上其他电子测试点的其他二极管测量。这种实时更新收集了诊断问题原因所需的额外数据，而不需要停止物料流，重新加载和重新测试异常晶圆，从而节省了时间和成本。在这里引用的例子中，导致的根本原因很快被缩小到划线或蚀刻问题。

图4:DPT检测超规格二极管参数测试。

图5:DPT自适应调整参数测试执行以收集额外数据。

生产测试边缘计算

参数测试的下游是生产测试。晶圆探针或晶圆排序测试在设备仍在晶圆上时执行。在好的模具被隔离和包装后，他们要进行最终或包装试验。其他可选步骤包括系统级测试，其中模具进行更长时间的测试，更接近于实际的系统内操作，以及老化，其中设备在升高的电压和/或温度下进行长达数小时的测试，以加速早期寿命故障并测量产品可靠性。

从历史上看，生产测试是一个“一刀切”的命题——对于给定的产品，相同的测试套件应用于每个模具。然而，我们所期望的是使用测试过程本身产生的数据来修改测试内容和执行，以便每个模具看到“正确的”测试。这个使测试资源得到优化部署的过程称为自适应测试。

一种形式的自适应测试是作为测试后操作执行的，例如，晶片排序数据在事后进行分析，并根据该分析调整下游最终测试操作。然而，半导体供应商也在生产过程中追求实时自适应测试流程，其中测试流程和内容在测试执行过程中被改变，具有低毫秒延迟。近年来发布的几个例子描述了在部署为实时自适应测试应用程序时工作良好的场景，包括在搜索例程中进行自适应限制设置、预测设备修剪、分类器和设备聚类，以及通过风险设备识别进行老化优化。[3] - [12]

为了在生产测试期间满足这种快速、低延迟和高度安全的分析需求，Advantest开发了ACS Edge。ACS Edge是一个高性能的计算平台，具有专用的、安全的测试人员通信通道，它将分析打包在Docker容器中，以确保无论计算环境的配置如何都能可靠地执行。所有与分析相关的信息和正在分析的数据都是加密的，以防止未经授权的访问，可能危及敏感的专有信息。

结论

随着半导体产品数据源变得越来越大，越来越多样化，IC开发人员和制造商面临着比以往任何时候都更大的挑战，即以尽可能低的成本按时交付最高质量的设备。他们正在寻求先进的数据分析，以提取调整制造和测试流程所需的情报，以适应不断变化的环境。测试起着至关重要的作用，因为它直接与每个设备连接，以提取和分析监测和控制产品质量和性能所需的数据。DPT和测试边缘计算只是部署到生产中解决这些挑战的两种方法——随着制造和测试数据分析的创新不断进行，我们可以期待看到更多新的解决方案。

参考文献

1. 《数字的暴政》，2021年。(在线)。可用:https://en.wikipedia.org/wiki/Tyranny_of_numbers[2021年10月22日访问]。
2. Bhushan和M. Ketchen，“制造中的电气测试和表征”，CMOS测试与评估，纽约，纽约，施普林格，2015。
3. Neethirajan, X. C. K. Subramani, K. Schaub, I. Leventhal和Y. Makris，“射频收发器中基于机器学习的噪声分类和分解”，在IEEE VLSI测试研讨会上，蒙特雷，CA, 2019。
4. Xanthopoulos, D. Neethirajan, S. Boddikurapati, A. Nahar和Y. Makris，“晶圆级自适应Vmin校准种子预测”，在欧洲的设计，自动化和测试，法国，2019年。
5. Eiki, K. Schaub, I. Leventhal和B. Buras，“V93000最智能测试单元控制器上的测试流神经网络推理”，在IEEE国际测试会议上，华盛顿特区，2019年。
6. Niranjan, D. Neethirajan, C. Xanthopoulos, E. De La Rosa, C. Alleyne, S. Mier和Y. Makris，“基于修剪间相关性的模拟/RF ic修剪时间减少”，在IEEE VLSI测试研讨会上，虚拟，2021年。
7. Y.-T。郭,观测。林，E. J.-W。牙牙和s.s.y。Hsueh，“使用累积学习在生产测试中的最低工作电压精度”，IEEE国际测试会议，虚拟，2021年。
8. Shintani, M. Inoue, T. Nakamura, M. Kajiyama和M. Eiki，“通过分层高斯过程进行多站点RF IC测试的晶圆级变异建模”，IEEE国际测试会议，虚拟，2021年。
9. Liu和K. Chakrabarty，“基于机器学习的集成电路和电路板测试的自适应方法”，在IEEE国际测试会议上，虚拟，2021年。
10. Traynor, C. He, K. Klein和Y. Yu，“自适应高压应力方法在finFET技术上实现汽车质量”，在IEEE国际测试会议上，虚拟，2021年。
11. Nigh, G. Bhargava和R. Blanton，“扫描链故障的自动ate AI调试”，在IEEE国际测试会议上，虚拟，2021年。
12. 他，P. Grosch, O. Anilturk, J. Witowski, C. Ford, R. Kalyan, J. Robinson, D. Price, J. Rathert和B. Saville，“使用I-PAT内联缺陷检查结果的缺陷导向压力测试”，在IEEE国际测试会议上，虚拟，2021。