预测和避免汽车芯片故障

半导体工程坐下来讨论汽车电子可靠性与Jay Rathert，高级总监战略合作心理契约；Dennis Ciplickas，高级解决方案副总裁PDF的解决方案；Uzi Baruch，汽车业务部门副总裁兼总经理OptimalPlus；盖尔·卡梅尔，公司总经理proteanTecs'汽车部门;Andre van de Geijn，公司的业务发展经理yieldHUB；和杰夫·菲利普斯，去国家仪器公司负责市场运输。以下是那次谈话的节选。要查看本讨论的第一部分，请单击在这里．

SE:数据有四个主要问题。一是太多了。如果你试图使用某种智能处理来减少数据量，你就有可能把重要的东西落下。其次，无论数据有多好，它可能仍然不完整。第三，它的格式通常不一致。第四，存在潜在的竞争因素，所以人们不愿意分享数据。这将如何影响汽车行业?

Ciplickas:关于过多的数据以及如何以干净的方式将它们组合在一起，我们提出了一个叫做“语义模型”的概念。语义不同于模式。这就像是语法和句法的区别。模式是一种在不同数据源之间关联键的方法。但当你把语义放在上面时，尽管数据可能来自不同的来源，每个来源都有自己的键，但你可以看到数据实际上非常相似或相同。所以对于不同类型的工具，或者工具上不同类型的传感器，即使它们在物理上是不同的，来自不同的供应商，有时出于分析目的，它们可以被视为逻辑上相同的。通过识别所有不同数据源中语义相似的内容，您可以轻松地组装数据以提取有用的结果。通过推动语义的概念在供应链上上下移动，你可以非常有效地将所有东西放在一起进行分析和控制。

巴鲁克:我同意。我们都采取了不同的方法。我们是在传感器方面成长起来的，这是更加结构化的。当我们进入汽车领域时，我们必须重新审视该模型，将语义引入描述层。另外，我还想介绍事件驱动的概念。这些过程是无限的。当您查看跨时间构建的组件时，可能会有10、15甚至100个流程步骤。因此，能够从多层——不同的层、不同的过程、不同的传感器、不同的设备类型——吸收数据的想法，并将它们组合在一起，如果你没有一个描述性的方法，你要么每次需要做一些事情时都要回到你的工程团队，要么不能真正实现那个用例，因为你会卡在不同的领域。我们使用了这种方法，它帮助我们在不同的公司之间移动，从一级供应商到原始设备制造商。顺便说一下，这两者使用不同的语言来解决完全不同的问题，但它们仍然可以提供解决方案。

Ciplickas:是的，从晶圆到单晶片，再到封装和系统，芯片要经过不同的数据层和不同的序列。可追溯性变得越来越重要，尤其是在SiP中。汽车公司现在用这些先进的技术在水里晃来晃去。如果你想想iPhone的技术现在成为汽车的一部分，他们可以把技术塞进一个包里，装在一个板上，以及它是如何相互作用的，这是令人惊讶的。实现汽车级别的可靠性将是一个巨大的挑战。您希望能够从现场查看故障，并快速关联该设备来自何处，以及它的邻居或兄弟姐妹在沿途的每个点上都在做什么。由此，你可以建立一个图像，什么是不正常的，什么是正常的，并将两者进行对比，迅速弄清发生了什么。完全通过堆栈建立可追溯性链接是非常有价值的、必要的，也是很难做到的。我一直在和一些大型无晶圆厂公司的人交谈，他们说一旦你把模具放入组装中，你就失去了可追溯性。不，你不必失去这种可追溯性。 You can actually implement that in the tools. There’s formats to represent all of this, like E142, to capture component movement and operations. We participate in, as well as lead, these standards efforts to keep the format current, adding things like consumables, because you may get a bad batch of solder paste or gold wire. Bringing together data across the entire supply chain creates significant efficiencies and understanding of failures. Furthermore, once you understand the root cause of the failure and you have the traceability, you can look at what else is at risk.

Rathert这个循环还有另外一面。我们主要谈论的是阻止坏模具或坏包装进入供应链，但也有大量潜在的数据反馈，可以改善我们各自的领域。我如何强化我的设计?我如何优化我的过程控制计划?我如何收紧我的测试程序?我们能同时收获这两方面吗?

卡梅尔在整个行业和供应商之间共享数据需要一种激励和手段。这将有助于识别、预测和监控问题，并在整个过程中提供价值——更不用说在发生问题时快速解决问题了。数据的数量不如所收集数据的质量、相关性和可操作性重要。这就是为什么我们基于实时测量和跨阶段通用性来聚合深度数据，并推断出价值，只提供被定义为相关的东西。首先是芯片供应商和Tier 1。他们可以在不泄露敏感信息的情况下开始共享数据。为了让竖井开始有机地共享这些数据，必须明确定义一个框架，以及一个公共的数据基线。一旦这些基础都到位，就可以建立责任模型，为整个工具链服务，并大规模地推动性能、效率和安全范围。

Ciplickas:我们正在与SEMI的单设备跟踪工作组一起领导一项标准工作，使用基于分类账的方法跟踪资产-模具，封装，pcb等-通过供应链。我们认为这需要某种类型的标准努力，因为提升供应链是一个巨大的挑战。每个人都必须参与登记资产，并在资产从一方转移到另一方时跟踪其托管和所有权。你希望在分类帐中有尽可能少的数据，因为没有人想把所有的生产数据放在一个公共的区块链中。但是一旦你有了这个分类账，你就知道该给谁打电话以获得更详细的数据，比如通过与供应商的私人合同。如果您从OEM或汽车一级供应商那里获得了RMA，那么您希望了解，'在工厂的某个特定工艺步骤中，是什么导致了缺陷?这批货我们用什么检验或计量方法?“通过账本，你可以通过公开的区块链联系到正确的供应商，然后和他们私下讨论到底发生了什么。让这个行业的所有人——包括那些制造芯片并花了所有钱的大公司——都参与进来需要时间。所以这是一个挑战，但这是解决这个问题的一个好方法。

菲利普斯:围绕着模型和建模环境，以及用于定义算法本身行为的这些因素的组合，数据在自动驾驶中所扮演的角色有一个完全不同的向量。让来自街道或车队的数据能够实时反馈——无论你称之为数字双胞胎，还是在现实生活数据和模型之间建立某种关系，特别是在自动驾驶领域——都是一个巨大的机会。这些数据可以连接回开发和测试过程。

Ciplickas:这就像在软件中使用的真实测试用例，但现在你谈论的是自动驾驶汽车和传感器数据，而不是你正在设计的东西。

van de Geijn:我们还将其用于分包商、我们的客户和客户的客户的变更数据。但是，从无晶圆厂公司那里获取数据(这些公司从晶圆代工厂获得数据)，并将其与晶圆分拣获得的数据进行匹配，是一个问题。你需要去不同的机构获得不同类型的数据。你必须将其对齐，合并，并对其进行分析。这些都是现成的，所以使用起来非常简单。问题是你必须让你的客户相信这是一条正确的道路。我们的很多客户都认为这是必要的，他们已经在从不同方面收集数据了。然后我们将它们合并到我们的工具中，以创建概览，从各种不同的角度进行分析，甚至取决于您的过程。CMOS芯片需要不同于其他工艺的分析。微控制器可能与功率组件通信，每个组件使用不同的生产流程，需要不同的方法来运行这些分析。 Now it’s a matter of having good conversations with your suppliers. But with E142 and RosettaNet, the users not only have to get the data together, they also have to know and understand what they can do. And we’re seeing more and more suppliers helping them. Then they can bring it together for startups that that have some knowledge about it.

SE:考虑到所有这些，认为我们可以在莫哈韦沙漠或阿拉斯加的费尔班克斯建造一个可以坚持18年的5纳米芯片是现实的吗?

van de Geijn我们将在18年内知道答案。如果你去约翰内斯堡，他们会问你是否打算开车去卡拉哈里沙漠(Kalahari Desert)，因为如果你打算开车去的话，你会希望能用手打开车窗。如果有狮子靠近你的车，你不会想要依靠按钮。所以你现在只能用基本的汽车，因为他们不相信所有的电子设备。是的，你随身带着卫星电话，以防你的变速箱坏了，需要帮助。但如果你依赖电子产品，有些地方你就会陷入困境。我们还得再等18年，才能知道某些东西是否真的可靠。在美国或欧洲，如果汽车出了什么事，你可以接手。但我预计，在未来五年，如果我去一个偏远的地方，我仍然会手动打开和关闭窗户。

Rathert这个问题是oem厂商经常问我们的问题。从历史上看，汽车半导体的开发过程需要数年时间才能成熟。现在，突然之间，要求包括7nm和5nm零件，他们只是没有45nm零件的成熟年限。所以他们问我们如何在9个月而不是5年的时间内实现45nm部分的可靠性?这就是挑战所在。我们如何将尽可能多的知识塞进几个周期，跨越所有这些不同的筒仓，从而更快地实现可靠性?

卡梅尔我们需要一种数据驱动的方法。这一过程首先从识别非功能ecu转向预测性能下降，然后在任务模式下执行基于云的故障排除。为了实现这一目标，电子设备需要可见性，以便我们了解环境、功能压力和软件如何影响车辆内部和车辆之间的长期可靠性。这可以通过应用深度数据来实现，这允许我们交叉关联变化或波动，并对规范和保护带进行基准操作。这将有助于确保其功能超过18年。这不仅仅是在沙漠中从不失败跳到失败的问题。它预测的是如果你去沙漠，系统层面会发生什么。

巴鲁克:这提出了一个很好的观点，即需要在更高级别系统的上下文中考虑这些芯片。因此，如果Tier 1正在开发一个芯片，他们需要知道它是如何在系统上下文中组装和使用的细节。由于可靠性方面的原因，这需要共享数据。但解决方案也是由分析产品故障驱动的，因此数据对于异常值检测和发现异常也很重要。这也可以应用到系统层面，一直到汽车。共享数据和将这些技术应用到高级组件的组合可以提高可靠性。你不想等上18年才知道某样东西是否可靠。

Ciplickas:拥有正确数据的预测性非常重要。如果你能理解事物为什么会这样表现，那就能给你信心，让你实现目标。所以当你遇到一个失败，知道根本原因或者为什么会有漂移，即使它不是一个失败，并且让漂移与你理解并可以控制的变量相关联，然后会给你一些信心，你开始着手解决这个问题。如果你看看在撒哈拉沙漠行驶的汽车的数量，它只占世界上汽车的一小部分。但汽车还会在无数其他环境中行驶。这将在短期内推动学习。手机给了我们信心，我们真的可以用这种超级高科技在一个负担得起的设备上做一些真正有价值的事情，而这正在流向ADAS系统和类似的东西。如果你有数据和预测模型，未来就会涉及到制造业发生的事情的反馈循环。在晶圆厂内部，过去没有像我们现在这样先进的过程控制，随着你添加越来越多先进的控制回路，它将开始发生在组装晶圆厂，在测试层，甚至在所有这些地方之间。然后你可以把它带到现场，在那里你可以从这些系统中获得数据。 Building a stable feedback loop from the field is a huge challenge, for sure. But being able to connect all that data together, right back to this data-sharing thing, could then enable a predictive model that you could take action on. That’s the path to understanding long-term reliability before the 18 years is up.

卡梅尔:除了收集数据之外，还有如何自适应地使用它来定义阈值。您可以通过持续验证预先设置的保护带来延长电子产品的使用寿命。第一步是生成数据，第二步是创建学习曲线以设置正确的阈值，以便在安全性和可用性之间取得平衡。

[Uzi Baruch随后离开Optimal Plus，加入proteanTecs担任首席战略官。]

相关的
好到可以用生命打赌的筹码
专家:改进汽车半导体的策略。
为什么提高汽车芯片可靠性如此困难
老化、适应、新工艺和新技术需要在每个层面上都做出巨大的改变。