处理IC检测、计量和测试中的海量数据。
现代检测、计量和测试设备在半导体的制造和测试过程中产生了大量的数据。现在的问题是如何处理这些数据。
中的图像分辨率检查而且计量已经改进了一段时间，以处理增加的密度和较小的特征，创造了一个下游效应，在很大程度上没有得到管理。分辨率越高，图像数据越多，文件大小越大。无论这些数据是来自检验、计量或甚至各种测试过程，其中一些数据必须被存储和访问，而其他数据可以被丢弃。最终客户、代工厂或OSAT决定需要保留哪些内容以及保留多长时间，但谁是看门人，谁负责维护所有这些数据并不总是很清楚。
在整个供应链中，解决这类问题正成为一个紧迫的商业问题。来自各种制造过程的数据越来越有价值。它对于训练机器学习算法至关重要，这将有助于理解各种类型设备产生的大量数据，并且可以利用它来改进各种流程和未来几代设备。此外，它还可以用于提高产量，提高现场可靠性，甚至可以用于设计决策，确定哪些IP块、内存或架构在制造和特定应用过程中会产生最少的问题。
制造流程中的每一步都受到这些决策的影响。仅从检查和计量产生的数据来看，数量就激增。“十年前是几百兆字节，现在大约是10到50g每片晶圆，”Ben Miehack，缺陷检测和计量的产品经理说上的创新．“这是处理水平，这是提高分辨率的功能。它可以很容易地建模。每个人都可以建模他们的数据集，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——现在可能是100倍或1000倍的数据。”
生产流程的其他阶段也报告了类似的增长。公司系统副总裁兼总经理Jens Klatenhoff说:“数据量正在增加形状因子．“我们的测量通常不依赖于时间，但我们的客户确实希望收集尽可能多的数据，而且这是大规模生产，所以需要快速进行。主要目标是获得高质量的数据。这依赖于自动化，即装填器和我们在上下文情报系统中的自动化功能。”
先进的包装添加更多的数据，尽管数量取决于包的类型、配置以及这些包中组件的数量。多个chiplet分层导致更多的检查成本。“我不认为它会翻倍，”米哈克说。“也许你可以说，根据检查层的数量和你收集的内容，它会增加一倍或三倍。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。在晶圆级封装和扇形芯片级封装中，这将是不同的，但不是很大。I/O密度可能是一个直接的驱动因素，而不是缩放或维度方面。”
这里还有其他变量。其中一些是基于一次可以完成多少工作。但是，在每个新的工艺节点和密集包装的包中，单次检验、计量和测试变得越来越困难，并且收集的数据量可能因细分市场而有很大差异。在消费类设备中，测试每个芯片或晶圆的价值可能不如安全或关键任务应用的价值，在这些应用中，故障可能会带来灾难性的后果。
公司首席执行官Subodh Kulkarni表示:“当你进行多次传递时，你显然是在牺牲吞吐量CyberOptics．“因此，当我们看到对我们的人工智能技术来说微不足道的数据时，如果我们有时间，而且一部分数据还在，我们就会迅速回去收集高分辨率的数据，而其余的数据仍在被搅动。我们已经充分利用了现有技术的闲置时间。如果可以的话，高级包装客户愿意牺牲吞吐量来实现可靠性。这就是多重传递的意义所在。”
但这也增加了在快速扫描中收集的数据量。具有更高分辨率的单次扫描也会增加数据量，特别是当涉及多个维度时。
“白光的一个灵活性是，你不仅可以得到Z轴数据，还可以得到强度数据，”Robert Cid说布鲁克纳米表面．“对于像overlay这样的应用程序，我们有两个不同的层，那么我们能够做的不仅是看到顶层和底层的差异，而且我们还可以判断该覆盖的注册情况。通过这一次扫描，我们就能得到很多数据。这对于工艺工程师来说非常重要，因为他们需要做出哪些改变才能真正获得非常好的覆盖。”
图1:纳米级计量学。来源:力量
结果取决于所使用的检验、计量和测试工具。不同的工具有不同的优点和缺点。对于一些工具，如白光轮廓仪，重复性是至关重要的。
Cid说:“因为它被用作在工艺环境中进行测量的一种非常可重复的手段，客户肯定对晶圆之间或不同位置之间可能出现的任何变化感兴趣，而这里我们主要关注的是统计数据。”“实际3D图像和信息的数据被捕获，如果需要进一步调查，客户可以访问这些数据。他们用它做什么取决于他们在寻找什么。但是这些数据是可用的，而且在一个环境中可以捕获很多数据。他们基本上是在研究统计数据，并试图了解不同地点、不同晶圆的差异性。”
你能用这些数据做什么?
从晶片厂收集数据对于开发算法以输入AI/ML系统至关重要，因此他们可以更快、更经济地发现缺陷。然而，为晶圆厂建立人工智能系统的过程非常亲力亲为。人工智能系统不可能在不验证至少部分输出的情况下做出所有决定。
建立一个人工智能系统来提高产量，需要为检测和计量设备收集数据，清理和结构化数据，训练系统，然后根据传统工艺产生的地面真实数据检查训练结果。在晶圆厂或装配厂建立人工智能系统是一个检查人工智能系统结果与传统流程数据的过程。
一旦人工智能系统开始工作，你仍然必须确保数据是可靠的，以便人工智能系统预测缺陷并根据预测采取行动。“你应该不断地验证你的系统，”微软公司AI Solutions副总裁杰夫·大卫(Jeff David)说PDF的解决方案．
没有一个系统可以被信任自行完成所有的事情。“数据完整性是AI系统出错的主要原因之一，”David说。“你必须确保你的数据确实在那里，它没有损坏，你的数据中没有大漏洞。这是一个很多人都在处理的大问题。所以你应该经常监控一些客户网站。他们确实很好地记录了他们的数据进入和到达系统的百分比。与此同时，它需要使预测生效。您应该始终预期会丢失一些数据。问题是，就可能丢失的数据量而言，什么是可以接受的?如果它不见了，你怎么办?”
更有效地使用数据
设备供应商和他们的客户也在考虑这些数据还能用于什么地方。
“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，”切特·勒诺克斯(Chet Lenox)说心理契约．“过去，检查只用于工厂的过程控制。所以这是控制漫游，弄清楚你的缺陷paretos看起来像什么，降低缺陷，保持cd在控制中，这样线末端的参数是好的。最终的仲裁是对最终包装试验的良率进行排序。我们现在看到的是，这些东西不会捕捉潜在的可靠性故障，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。另一个漏洞是存在巨大的测试覆盖缺口。”
关键是结合并应用在线收集的所有数据，以便在设备的整个生命周期内应用这些数据来填补这些空白。“仅仅说一个部件是好是坏是不够的，”Lenox说。“关键在于它在整个生命周期内是好是坏，就汽车而言，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、医疗以及数据中心)的重要焦点。
“为了能够预测可靠性和性能的变化，你需要对电子和半导体有一个基本的了解，并能够用持续的数据来推断和更新这些推断，这样你就可以准确预测什么时候事情会开始发生故障，”Steve Pateras说，他是英特尔硬件分析和测试的高级营销总监Synopsys对此．“最终目标是实现数据分析自动化。如今，你会看到一些人工干预，但由于反应时间以微秒或毫秒为单位，这必须实现自动化。”
这需要将收集和分析数据的起点转移到设计周期，然后将其与各种类型设备的输出连接起来。帕特拉斯说:“它实际上是从设计开始，再经过制造。“最终你想在现场做这件事，但在早期就可以增加很多价值。在开始收集数据时，您了解到这些数据可以在后面的阶段使用。当你获得可追溯性时，如果你分析了设计和制造数据，你就可以建立相关性并制定预测基线。”
其中包括计划如何收集数据并在适当的时间访问数据，这是跨多个制造流程的具有挑战性的协调工作。DFT产品管理总监Geir Eide表示:“对于制造测试，我们必须考虑数据如何从测试器流向设计的目标核心，因为在目前的设计中，我们复杂的分层结构，核心在核心中，正确设置访问是一个挑战。西门子数字工业软件．“但是，将大量数据输入芯片并围绕芯片进行测试不仅仅是一个制造测试问题。这也是一个系统内测试问题。”
这是非平凡的。Eide说:“如果你想做出正确的选择，你就需要考虑到每个核需要多少测试数据。“所以你可能想要把更多的测试资源分配到更大的核心上，并在某种程度上平衡事情。其中一个挑战是您必须同时做出这些决定，但通常情况下，在生成模式之前，您无法获得做出这些决定所需的所有数据，那时就太晚了。所以在高效实现和测试时间之间有一个权衡，你只做一次就完成了，而在测试时间里，你可能会在获得更多数据时回头修改一些东西。”
另一个难题是电路中的数据。与任何系统一样，需要访问这些数据，以便对其进行监控。由于密度和较小的特点，这在高级包装和高级工艺节点中变得尤为重要。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、本地处理多少数据，以及在特定于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，用于确定设备在受控热条件下的行为。
“你可以模拟烤箱随时间的预期退化，但现在你也可以从测试中得到实际测量值，”Uzi Baruch说，首席战略官proteanTecs．“这样你就可以比较你认为的结果会是什么，以及你从芯片内部实际看到的结果。通常情况下，您必须在烤箱中运行许多芯片，然后才能了解哪一个芯片会在什么情况下失效。使用on-die监控器，就像我们的代理，您可以看到实际的行为和阈值在哪里。这让你可以更早地看到退化趋势，而不仅仅是通过-失败。”
西门子和Synopsys在收购UltraSoC和Moortec后，都拥有片上监控功能。国家仪器公司收购OptimalPlus也是出于类似的原因。PDF解决方案的监控器用于晶圆厂，以更大的粒度查看过程，而优德科技已经对PDF进行了战略投资，以利用其测试设备的这种能力。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，例如电路老化，由于网络攻击引起的异常电活动，以及可能在制造数月或数年后导致问题的潜在缺陷。
该保存哪些数据，该由谁保存
谁最终拥有所有这些数据是另一个需要完全解决的问题，它具有业务含义，因为存储和维护数据需要成本。随着芯片复杂性的不断增加，这些成本也在不断增加。
Bruker高级应用开发经理Samuel Lesko表示:“在扇出处理器的情况下，这是与覆盖相关的问题。“你在晶圆上取样了一定数量的模具，但现在已经达到了10或20个。一旦这一层完成，下一层就与其余的层没有任何关系，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或不会成功。”
图2:先进包装中的计量。来源:力量
在现场故障的情况下，所有这些数据都很重要，但在复杂的供应链中，有些数据可能比其他人受益更多。这里的关键是缩小需要保留的内容的范围，并验证数据的准确性。
Lesko说:“客户会将特定芯片的数据存档，我们会发现两层之间存在特别的偏移或错位。”“但我们看到的不是数据上的压力，而是绝对精度、工具对工具匹配以及更频繁和定期的质量控制方面的压力，这些都是根据真实基线进行评估的，所以我们确信无论我们在晶圆上输出什么数据，我们都确切地知道其值。这一切都是关于准确性和长期可重复性。”
相关的
检验、计量和测试中的人工智能
人工智能系统正在进入IC制造和组装领域，但进展缓慢——这是有意为之。
查找高级包中的开放缺陷
没有一种单一的筛选方法能显示出所有可能产生缺口的缺陷。
云与内部分析
并非所有的数据分析都将转移到云端，但这一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越来越多
主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。
|
|
|
|
|
|
|
|
|
|
不错的文章