中文 英语

IC数据热马铃薯:谁拥有并管理它?

处理集成电路检测、计量、测试中大量的数据。

现代的检验、计量和测试设备在半导体的制造和测试过程中产生大量的数据。现在的问题是如何处理这些数据。

图像分辨率检查计量学已经改进了一段时间来处理增加的密度和更小的功能,创造了一个很大程度上没有管理的下游效应。更高的分辨率产生更多的图像数据,生成更大的文件大小。无论这些数据是来自检验、计量,还是各种测试过程,其中一些数据必须被储存起来并便于获取,而其他数据则可以丢弃。这取决于终端客户、foundry或OSAT来决定哪些数据需要保留以及保留多长时间,但谁是看门人以及谁负责维护所有数据并不总是清楚的。

在整个供应链中,解决这些问题正成为一个紧迫的业务问题。来自各种制造过程的数据越来越有价值。它对训练机器学习算法至关重要,机器学习算法将有助于理解各种类型设备产生的大量数据,它可以用来改进各种流程和未来一代设备。此外,它还可以用于提高产量,提高现场的可靠性,甚至可以在生产和特定应用过程中做出哪些IP块、内存或架构产生的问题最少的设计决策。

制造流程中的每一步都受到这些决策的影响。只要看看通过检验和计量产生的数据,体积就会飙升。“十年前,它是几百兆字节,现在大约是10到50兆字节,”Ben miiehack说,他是缺陷检查和计量的产品经理上的创新.“这是处理的水平,这是提高分辨率的功能。它很容易建模。每个人都可以为他们的数据集建模,以及他们用来提供测量的图像和/或内容的数量,无论是检查还是计量。这是相当可观的——现在的数据可能是现在的100或1000倍。”

制造流程的其他阶段也报告了类似的增长。“数据量正在增加,”公司副总裁兼系统总经理Jens Klatenhoff说形状因子.“我们的测量通常不是时间依赖,但我们的客户确实希望尽可能多地收集数据,这是批量生产,因此需要快速发生。主要目标是具有高质量数据。依赖于自动化,这是我们在上下文智能系统中的装载机和自动化功能。“

先进的包装添加更多的数据,尽管数量取决于包的类型、配置和这些包中的组件数量。多个chiplet多层会带来更多的检查成本。“我认为它不会翻倍,”米哈克说。“也许你可以说,根据检查层的数量和你收集的东西,它是原来的两倍或三倍。但从前端到后端,我不认为会有太大变化。你可能没有那么多的数据,因为你没有达到那个分辨率。在晶圆级封装和扇出芯片级封装中,这将是不同的,但不是很大。I/O密度可能是直接驱动因素,而不是规模或尺寸方面。”

这里还有其他变量。其中一些是基于一次性完成的工作量。但是,在每个新的工艺节点和密集封装的情况下,单次检验、计量和测试变得越来越困难,而且收集的数据量可能因市场细分而存在很大差异。在消费类设备中,测试每个芯片或晶片的价值可能低于测试安全或关键任务应用的价值,在这些应用中,故障可能会造成灾难性的后果。

“当你做多次通过时,你显然是牺牲吞吐量,”CEO的Subodh Kulkarni说讯连丝器.“所以,当我们看到我们的人工智能技术看起来边缘的数据时,如果我们有时间,其中一部分仍然在那里,我们就会迅速回去收集高分辨率的数据,而其他数据仍在被篡改。我们已经利用了现有技术的任何闲置时间。如果我们可以的话,复杂的先进包装客户愿意牺牲吞吐量来获得可靠性。这就是多重传球的意义所在。”

但这还增加了在更快扫描的数据中收集的数据量。具有更大分辨率的单个扫描也增加了数据的体积,特别是当涉及多个维度时。

“白光的灵活性之一是,你不仅能得到Z轴数据,还能得到强度数据,”美国的产品经理罗伯特•熙德(Robert Cid)表示力量纳米表面.“对于像overlay这样的应用,我们有两个不同的层,那么我们能够做的不仅是看到从顶层和底层有什么不同,而且我们还可以判断这个overlay的注册是什么。有了这一次扫描,我们就能得到很多数据。这对工艺工程师来说非常重要,他们要确定需要做哪些改变才能真正得到很好的覆盖。”


图1:纳米级计量。来源:力量

结果取决于所使用的检查,计量和测试工具。不同的工具具有不同的优势和弱点。对于某些工具,例如白光型尺寸计,可重复性至关重要。

Cid说:“因为这是一种非常可重复的测量方法,客户肯定对晶片之间或位置之间的任何变化感兴趣,我们主要关注的是统计数据。”“实际的3D图像和信息的数据被捕获,如果需要进一步调查,客户可以获得这些数据。他们用它来做什么取决于他们想要什么。但是这些数据是可用的,在一个环境中有很多数据可以捕获。他们基本上是在看统计数据,并试图理解不同位置、不同晶片之间的可变性。”

你能用这些数据做什么?
从FAB收集数据对于开发算法来馈送到AI / ML系统的算法是必不可少的,因此它们可以更快,更具成本效益地找到缺陷。然而,为FAB设置AI系统的过程非常实际上。AI系统不可能在不验证其输出的至少一部分的情况下进行所有决策。

设置AI系统以提高产量,需要收集检查和计量设备的数据,清洁和构建数据,培训系统,然后检查来自传统过程的地面真理数据的培训。FAB或装配房屋中的AI系统的设置是检查AI系统与传统过程中数据的结果的过程。

一旦人工智能系统开始工作,你仍然需要确保数据是可靠的,以便人工智能系统预测缺陷并根据预测采取行动。“你应该不断验证你的系统,”Jeff David说,他是人工智能解决方案的副总裁PDF的解决方案

没有一个系统可以被信任去做任何事情。“数据完整性是AI系统出错的主要原因之一,”大卫说。“你必须确保你的数据确实在那里,它没有被破坏,你的数据没有大漏洞。这是很多人面临的一个大问题。所以你应该经常监控一些客户的网站。他们真的很清楚他们的数据有多少百分比进入和到达系统。同时,它需要使预测工作。您应该始终预期会有一些数据丢失。问题是,就可能丢失的数据量而言,什么是合适的?如果它不见了,你怎么办?”

更有效地使用数据
设备供应商及其客户也会看到其他可以使用的数据。

“我们正在开发技术,使我们能够更多地利用晶片厂的数据来预测现场的可靠性故障,”chetlenox说心理契约.“过去,检验仅用于生产车间的过程控制。这就是控制偏差,弄清楚你的缺陷帕累托是什么样子的,找出缺陷,控制cd,行尾的参数是好的。最终的仲裁人是在最终的包测试中排序收益。我们现在看到的是,这些东西没有捕捉到潜在的可靠性故障,所以一个部件可以通过,缺陷模式可以稍后激活。这是一个洞。另一个漏洞是你有巨大的测试覆盖缺口。”

关键是将所有在线收集的数据进行组合和应用,这样就可以在设备的整个生命周期内应用这些数据,以填补这些空白。“光说一个角色是好是坏是不够的,”莱诺克斯说。“关键在于它在整个生命周期中是好是坏,对一辆车来说,生命周期可能是15年或20年。”

硅生命周期管理正在成为多个垂直行业(如汽车、工业、医疗和数据中心)的重要关注点。

“能够预测可靠性和性能的变化,你需要有一个基本的理解电子和半导体,并能够推断和更新这些推断与正在进行的数据,这样你就可以保持一个准确预测当事情开始失败,”该公司硬件分析和测试的高级营销总监史蒂夫·帕特拉斯说Synopsys对此.“最终目标是实现数据分析的自动化。今天,你会看到一些人工干预,但由于反应时间只有微秒和毫秒,这必须是自动化的。”

这需要将收集和分析数据的起点转移到设计周期中,然后将其与各种类型设备的输出相连接。帕特拉斯说:“这实际上是从设计开始,经过制造。”“最终,你会希望在现场完成这项工作,但在早期阶段可以增加很多价值。在开始收集数据时,您认为这些数据可以在后面的阶段中使用。当你有了可追溯性,如果你分析了设计和制造数据,你就可以建立相关性,并为预测制定基线。”

其中包括计划如何收集数据并在适当的时间访问数据,这是跨多个制造过程的一项具有挑战性的协调工作。“生产测试中,我们真的需要考虑如何将数据从测试人员流向目标设计的核心,因为在目前的设计中我们复杂的层次结构与核内的核心,并获得正确设置是一个挑战,”盖尔·艾德说,DFT产品管理主管西门子数字工业软件.“但在芯片和芯片周围获得大量数据以进行测试,这不仅仅是制造测试问题。这也是一个系统的测试问题。“

这是不平凡的。“如果你想做出好的选择,你需要考虑像每个核心需要多少测试数据这样的事情,”Eide说。“所以你可能想要将更多测试资源分配到更大的核心上,从而达到平衡。其中一个挑战是,你必须同时做出这些决定,但通常情况下,在你生成模式之前,你并没有做出这些决定所需的所有数据,然后就太晚了。因此,在高效的实现和测试时间之间存在权衡,前者你做一次就完成了,后者当你获得更多数据时,你可能会返回并更改内容。”

另一个难题是在线数据。与任何系统一样,需要对数据进行访问,以便对其进行监视。由于密度和较小的特性,这在高级封装和高级流程节点中变得特别重要。但是有更多的数据需要收集和分析,需要有人确定要移动多少数据,以及要在本地处理多少数据,以及在特定领域的流程中的不同步骤中利用哪些数据。

例如,考虑传统的烤箱测试,它用于确定设备在受控热条件下的行为。

“你可以随着时间的推移模拟烤箱中的预期退化,但现在您还可以从测试中获得实际测量,”首席战略官员Uzi Baruch表示Proteantecs..“这样你就可以比较你所认为的结果和你从芯片内部实际看到的结果。通常情况下,你要在烤箱里烤很多薯片,才能知道哪一个会失败,在什么情况下会失败。使用die监视器,比如我们的Agents,您可以看到实际行为和阈值在哪里。这可以让你更早地了解退化趋势,而不仅仅是通过-失败。”

西门子和Synopsys在分别收购UltraSoC和Moortec之后,都拥有了芯片上的监控能力。国家仪器公司收购OptimalPlus也是出于类似的原因。PDF解决方案拥有用于工厂的监视器,以更大的粒度查看过程,而且Advantest已经对PDF进行了战略投资,以在其测试设备中利用这种能力。这些方法可以使用在线数据快速识别早期硅的问题,但它们也可以用于识别未来的问题,如电路老化、网络攻击导致的异常电活动,以及可能在生产后数月或数年导致问题的潜在缺陷。

哪些数据应该保存,谁应该保存
谁最终拥有所有这些数据是需要完全习惯的另一个问题,并且它具有业务影响,因为存在存储和维护数据的成本。随着芯片复杂性继续增加,这些成本正在增长。

布鲁克高级应用开发经理塞缪尔•莱斯科(Samuel Lesko)表示:“就扇出处理器而言,这是与叠加相关的问题。”“你在晶圆上取样一定数量的晶圆,但现在是10或20个晶圆。一旦这一层完成了,下一层就与其他层无关了,所以它就像先进先出的数据。但你可能不得不停止这个过程,因为下一层不会有帮助,也不会成功。”


图2:先进包装中的计量。来源:力量

所有这些数据在现场发生故障的情况下非常重要,但在复杂的供应链中,有些可能受益于其他可能。这里的关键是缩小到保留的必要条件,并验证该数据的准确性。

“客户将为特定的小芯片归档数据,在那里我们在两层之间看到了非凡的抵消或错位,”Lesko说。“But rather than getting pressure on data, we see pressure on the absolute accuracy, tool-to-tool matching, and more frequent and regular quality control that’s assessed against a real baseline, so we are sure whatever data we output on the process wafer, we know the value exactly. It’s all about accuracy and long-term reproducibility.”

相关的
AI在检查,计量和测试中
人工智能系统正在向集成电路制造和组装领域进军,但进展缓慢——这是有意为之。
狩猎在先进包装中的开放缺陷
没有一种单一的筛选方法可以显示所有可能的缺陷,造成的开放。
云与内部部署分析
并非所有的数据分析都将转移到云端,但这种想法本身就代表了一种根本性的变化。
芯片制造中的数据问题
掌握数据实践使产品工程师和工厂IT工程师能够处理各种数据类型和质量。



1评论

Kip史蒂文森 说:

不错的文章

留下一个回复


(注意:此名称将公开显示)

Baidu