用于机器学习的产量优化和测试的工业解决方案

这篇文章总结了一篇由Advantest在ETS 2022上开发和展示的论文的内容。

作者:桑尼·班瓦里和马蒂亚斯·绍尔

根据市场研究公司Gartner，在评估数据科学项目的完成率以及它们为公司创造的底线价值时，这些项目中只有15%到20%完成了。此外，根据公司首席执行官提供的反馈，在那些成功完成的项目中，只有不到10%的项目产生了价值。底线:只有不到2%的数据科学项目能够完成并产生价值。如何才能减轻这种对企业投资和努力的浪费呢?一种方法是使用先进的机器学习(ML)技术。

然而，在在线制造测试中实现ML也带来了一系列挑战。基于ml的应用程序挑战了传统的测试流程和基础设施，因为它们需要:

• 大量的数据，通常通过多次插入分布在多个大陆的地理位置，并位于不同的公司实体，这取决于在价值链中的位置;
• 基于开放标准的安全、可扩展和集成的计算基础设施;而且
• 动态测试执行基础设施。

这些属性中的一些实际上与传统的测试设置相冲突，这导致了非标准的测试流程，并产生了额外的工作，影响了上市时间和投资回报——并且，特别是减缓了ML应用程序的成功和采用。

重复性和再现性对测试程序至关重要，特别是对于汽车和其他依赖标准化和高度兼容性的市场。这需要围绕ML及其对测试的影响建立更结构化的思考。图1展示了一个行业就绪的ML生命周期，旨在将数据科学引入测试层。

图1:这里展示了acs驱动的机器学习生命周期的四个关键步骤。

启用ML生态系统

优势云解决方案(ACS)是一个高度安全的可扩展数据平台，支持开放的解决方案生态系统，帮助客户应对智能制造时代最紧迫的挑战。生态系统的开放是必不可少的，因为它不仅允许供应链上的任何公司使用它，还可以增加价值，建立合作伙伴关系，部署自己的解决方案等。ACS通过ACS解决方案商店提供重要的基础设施部分，以及广泛的开发产品，而Advantest提供其他软件产品和服务，当客户需要补充服务来增强或增强其现有部署时，可以购买这些软件产品和服务。让我们简要地看看ML生命周期的四个关键步骤。

问题探索与理解

用户越早发现制造过程中的问题，他们需要的数据就越多。早期坏模检测是这项工作的重要组成部分，因为预测包装后可能出现的故障有助于显著降低成本并提高包装过程中的质量。要实现这一点，需要大量高质量的数据。图2显示了左边没有使用ML技术的传统测试流程。在右侧，我们的ACS技术评估从先前插入收集的数据，并将其关联起来，以准确预测问题，使用户能够通过从根本原因解决问题来规避问题，从而防止不良模具到达下游测试插入。这不仅降低了测试成本，还降低了芯片在不同大洲和公司之间长达三个月的制造过程中所需的材料和加工成本。

图2:使用Advantest ACS技术，客户可以在测试周期的早期省略坏模具，以降低包装成本并提高质量。

模型工程

模型工程是实现评估的业务需求并将其转换为数据驱动的ML应用程序的关键步骤，可以使用自定义实现，也可以使用ACS解决方案存储中的预定义解决方案。

为了评估上述“ACS良率优化”参考应用程序，我们编译了一个真实数据集，其中包含来自探针测试的每个模具的200多个相关休息结果和来自最终测试的多个失败箱。

在编译后的数据上运行acs驱动的数据分析，每个条目使用一个待测设备(DUT) ID，该工具使用基于深度学习的变量选择来确定对产量影响最大的变量。然后，它根据这些数据的分布创建新的探针测试极限，消除错误的通过并确认良率的提高。在前面提到的例子中，结果是收益提高了5%，从88%提高到93%，换算成美元每年可节省六位数。

图3:ACS Yield Optimization使用深度学习对变量进行分析和优化，从而获得更高的产量和显著的成本节约。

部署和执行

如图1所示，这具体指的是带有可跟踪部署的ACS的安全、高性能测试平台集成。图4显示了我们的ACS Edge核心产品，其中包括ACS Edge服务器和ACS容器集线器。

ACS Edge是一款高性能、高度安全的边缘计算和分析解决方案，可在测试执行期间以毫秒级的延迟实现超快速算法AI决策。它通过私有的高速加密链路连接到用户的测试设备，并使用先进的容器集线器来运行用户受保护的应用程序，同时保护和保证用户数据和分析的安全。

图4:Advantest ACS Edge和可用的扩展帮助客户轻松安全地将ACS集成到他们的测试流程中，使他们能够实现其启用ml功能的全部好处。

监控和验证

对于从实验室转移到批量生产的模型，必须监控由于产品设计或测试环境的变化而导致的任何意外行为。优化的有效性必须使用现实场景进行验证，以便数据科学项目能够完成，并为公司的整体价值做出贡献。

半导体生产受到晶片与晶片、晶片与晶片或批次与批次之间工艺变化的高度影响，特别是在较小的工艺节点上，具有更紧密的几何结构，可提供更少的偏差空间。因此，当学习的过程特征发生变化时，存在固有的“无声”模型退化风险，潜在地影响模型的质量(产量、测试时间、设备质量、测试逃脱等)。ACS采用了具有持续监控的连续学习循环，极大地降低了这种风险，从而使模型保持其完整性。

ACS解决方案商店

ACS生态系统中有助于创建统一的、可重复的工作流程的另一个关键部分是ACS解决方案商店，它提供了对ACS实时数据基础设施解决方案和软件应用程序的方便访问。该在线平台使客户能够发现、购买和安全地部署所有可用的ACS解决方案，这些解决方案来自Advantest和广泛的分析生态系统合作伙伴，涵盖半导体生命周期过程。此外，ACS解决方案商店允许来自这些合作公司的应用程序开发人员发布、推广、分发和管理他们通过advantest认证的应用程序。

ACS产品的这一最新方面对于维护一个开放的生态系统至关重要，因为它有助于客户访问所有ACS产品，并使他们和我们的合作伙伴能够开发和发布他们自己的应用程序。这允许共享新的功能和最佳实践，以便我们的ACS技术的功能可以在整个半导体生态系统的各个公司之间得到最佳利用。

我们继续扩展和发展我们的优势云解决方案，以满足不断变化的客户需求。通过在测试环境中安装ACS，客户可以确保他们为未来的半导体测试做好准备。

马提亚斯·绍尔(Matthias Sauer)是优势欧洲公司(Advantest Europe)的应用研究项目经理。