使用更好的数据来缩短测试时间

机器学习的组合加上多个传感器嵌入集成电路制造设备有可能创造新的更有针对性的测试和更快的吞吐量为晶圆厂和OSATs。

目标是提高质量和降低生产成本的复杂的芯片,生产时间是不断膨胀的最先进的节点。随着骰子上的晶体管数量的增加,和更多的死亡被添加到一个板或一个包,它需要更多的时间来测试所有这些设备。反过来,这又增加了总成本,也降低了信心,测试设备一生工作可靠,如果测试时间保持不变。

一个解决方案是区分什么真正彻底地进行了测试,与那些地方有足够的信心在硅,测试设备,这已经被证明并非如此重要。这相当于一个测试套件的修剪,但使确定需要收集足够有用的数据能够调用。在过去,这是很难做到,但是随着越来越多的传感器添加和更多的数据生成的传感器,有一个增加的能力看,数据和多粒度和识别模式的数据。

“如果你可以构建一个模型,99.99%的准确预测当一个芯片通过老化,那么你可以跳过老化,芯片和节省钱,”丹尼斯Ciplickas说描述的解决方案的副总裁PDF的解决方案。“你可以设定一个目标跳过率达到20%,30%或50%比例-不管你决定设备保存老化成本。数据越多越好预测。面临的挑战是如何连接正确的数据。如果你所有的数据都是运行在一个OSAT,你的晶圆测试和组装和期末考试就在那里,然后你可以整合所有这些并作出预测。但是如果你在一个地方做晶圆测试和装配和最终测试在另一个,你现在需要合并来自多个站点的数据,你需要一个系统来做。”

老化测试用于检测早期失败在芯片的各种组件。在过去,这样的数据通过数据交换共享,虽然有用,这并不足以消除测试。

“数据交换网络背后的想法最初建立一个数据库,这样你可以有可见性供应链,”Ciplickas说。“但是如果你所有的数据,现在的机器学习可以采取许多不同的特性,把它们放在一起为了做一些新的事情,像预测。所以现在你可以控制老化成本。来自传感器的数据是第一步。有数据可以通过不同的网站在一个连贯的,连接方式下一部分。然后能够使用所有的预测是下一步。”

实际上,这变成了一种更细粒度的方法来描述各种组件在整个设计到制造流程,并准确地消除测试是没有必要的。

“这使您能够做的就是挤出一阶,二阶,甚至三阶地区降低效率,”道格长老说,副总裁和总经理OptimalPlus。“现在你可以采取特定的地方你做晶圆测试和最终测试和连接所有的数据源失败从何而来。所以你可以减少你的测试集和老化等领域,但这只是一个领域我们看到好处。你也可以运行测试机器学习算法对这些修复和改善你的食谱。”

< / >与< a href = " https://pixabay.com/?utm_source=link-attribution&utm_medium=referral&utm_campaign=image&utm_content=3964871 " > Pixabay < / >" width="1920" height="1120" data-recalc-dims="1" data-lazy-srcset="https://i0.wp.com/www.es-frst.com/wp-content/uploads/2019/08/big-data-3964871_1920.jpg?w=1920&ssl=1 1920w, https://i0.wp.com/www.es-frst.com/wp-content/uploads/2019/08/big-data-3964871_1920.jpg?resize=300%2C175&ssl=1 300w, https://i0.wp.com/www.es-frst.com/wp-content/uploads/2019/08/big-data-3964871_1920.jpg?resize=768%2C448&ssl=1 768w, https://i0.wp.com/www.es-frst.com/wp-content/uploads/2019/08/big-data-3964871_1920.jpg?resize=1024%2C597&ssl=1 1024w" data-lazy-sizes="(max-width: 1000px) 100vw, 1000px" data-lazy-src="https://i0.wp.com/www.es-frst.com/wp-content/uploads/2019/08/big-data-3964871_1920.jpg?resize=1920%2C1120&is-pending-load=1#038;ssl=1" srcset="data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7"> 图像中皮特Linforth从Pixabay

在过去,制造问题可能已经几个月或几年,经常使用后。有些问题可以通过软件打补丁,如智能手机的天线问题,工作很好,直到技术取代。但随着越来越多的芯片是用于工业和汽车应用中,在那里他们将函数根据规范几个几十年,这种方法不再是足够的。

“如果你能确定这些问题的检查和老化的水平,你可以你的老化测试时间减少10%至20%,”老人说。“这是一个巨大的数字为制造商。你可以做自适应测试时间减少,实时统计看看测试并不失败。这样你可以减少测试时间,您可以添加回测试周期,一个闭环系统,其中包括晶圆测试最终的测试。另一个领域,我们看到很多额外的成本在重新测试。多少次你能重新测试之前你伤害吗?我们看到一个案例,一个设备测试17次,直到它终于过去了。”

坏的测试设备,但它也是昂贵和耗时。在铸造,每几分之一秒的价值。

更好的数据,更好的结果
一个巨大的变化在这个方程是更好的数据。这是一个相对的概念,因为“好”数据可能意味着不同的事情在不同的市场,甚至经常在同一个市场。使数据好它的用途对于特定操作或过程或设备。但做出决定并不总是显而易见的,它经常需要大量的专业知识。

“我们发现,一些规模较小的公司跟没有专业知识在每一个领域,“约翰•奥唐纳的首席执行官yieldHUB。“这是发生在汽车,但它不只是局限于这个市场。在设计一些公司可能会很强,但他们不是那么强的测试”。

创建复杂的芯片设计的问题,它将变得更加的关键chiplets一旦方法开始升温。但它同时也突显出整个设计到制造链的一个挑战,这是确保每个人都了解已经完成参与的其他部分链。

“有人可能会问,“我们真的需要花时间在这个特定的块或这部分的死吗?重要的是,团队中的每个人都必须看到这个,”O ' donnell说。“你需要协作以及分析,因为你可能是一个专家一个芯片的特定部分而不是在另一个部分。需要维护的知识库。它还允许您减少测试需要节省成本,因为你有足够的信心在一个特定的区域,所以你可以将你的知识添加到系统的分析。你不想做的是消除一些,个月后没有人能弄明白为什么被淘汰。”

确保质量数据的另一种方法是使用连续纸的数据。所以不是所有外部数据,这些数据可以测量设备在操作。

“在线数据,你有能力改善性能和连续的基础上作出正确的决定,”Shai科恩说,公司的首席执行官proteanTecs。“你可以测量缺陷参数化过程和在内存中。提供高覆盖率,但是您需要添加在多维代理,可以测量和处理机器学习。现在你可以代理为一个特定的设计,可以重建数据更好的了解发生了什么。”

垃圾,垃圾
如果传感器就没有这样的问题不够准确。考虑到波音737 MAX,例如,错误的传感器可能的罪魁祸首后面两个崩溃和恐慌。不过,其中一个问题是,需要更广泛地共享数据比目前做的错误识别,和系统供应商倾向于保护数据作为一个竞争优势。

”测试,芯片设计的趋势是遵循标准化的测试,但是oem厂商不能相信它,”道格·法雷尔说,主要运输解决方案经理国家仪器。“他们仍然不愿意共享数据。必须改变,因为在一个公司,你不可能拥有一切。自主驾驶时尤其如此,在一级和oem厂商竞争。”

一个解决方案是不断测试传感器,以确保数据的质量好。

经营汽车车队的”人,在最后的转变可以诊断传感器和做校准,”法雷尔说。“这是至关重要的,因为我们看到公司从纯模拟直接把这些传感器在车辆。应该是有一个中间的步骤,但他们跳过它。很多公司没有的资源,但是从我们的角度来看他们的不负责任。”

数据本身也必须存储在一个方式,防止未来问题。

“我们试图避免沉默的数据损坏,“PDF的Ciplickas说。当这种情况发生时,你不知道,你有鸡蛋在脸上。”

对高安全性的应用程序时,可以比这更糟的结果。现在有责任与这些设备的功能有关,和数据是最好的方法来确定哪里出了问题,为什么。

”之间的基本区别汽车工业和半导体工业是测试只有一个向量在汽车,”尤兹巴鲁克说,总经理OptimalPlus的电子部门。“这比你通常看到的半导体业务。而且不只是局限于电子产品。这是完整的生产线,有多个接触点。”

设计检查
这个谜题涉及检查的重要组成部分,它越来越困难在某些类型的高级节点和先进的包装。结果,人们重新强调更多地把更多的传感器设备以及包和让这些传感器更小、更快、更低的力量。

“已经有抽样今天在工厂和OSAT水平,“Subodh Kulkarni的首席执行官CyberOptics。“现在我们正在做功能检查的包。问题是有多少影响将之前100%检查。这是必要的,因为包装太贵了。显然是需要检查的包有一个合理的成本。”

这将变得更加困难介绍了新材料和新结构被添加到包,如microbumps和越来越瘦的支柱。此外,不同的材料需要不同的检测技术,因为有些漫射光不同。这两个需要校准的检测设备,如光学相机,Kulkarni说。

“这是越来越困难的先进包装检验和模块检验,特别是对于之类的东西HBM,”他说。“过去,2 d检查是不够好。现在您需要3 d光学检查内存模块。”

这需要更多的时间和产生更多的数据需要分析。

“如果你看看汽车的焊接操作,最后焊接外观检验,“说OptimalPlus巴鲁克。“你可以分析数据和从那里开始。但是现在你回去看看在线测试和扩大它。目标是左移位的,这样您就可以将图像和确定什么是好的焊缝,什么不是。最终,你想要的机器可以回去并修复焊接,因为你可以预测这些特征,最终在一个坏的形象。”

结论
使用传感器数据和机器学习在一起是世界上生产刚刚开始流行,但提高质量和减少测试时间的机会是巨大的。也可以帮助减少冗余的设计,这是昂贵的部件,力量和重量。

“我们的目标是绝对终结增长冗余,“说Raanan Gewirtzman, proteanTecs首席商务官。“这是特别重要的ISO 26262,这需要一定程度的冗余。但这可以通过代理,由更好的测量,我们可以继续添加更多的。”

需要一个完全不同的方式看待和使用数据,但更好的覆盖的承诺更少的钱到处都是受到很多关注。最大的问题是这种方法可以扩展多远。

有关的故事
缺口出现在汽车测试
可靠性要求不同部分同步工作,更耗时的测试和模拟。
汽车、智能驱动测试发生翻天覆地的变化
DFT策略正变得与设计策略交织在一起在设计过程的开始。
大的变化数据
为什么云的发展和边缘计算和处理更多的数据将对半导体设计和制造产生深远的影响。
使用更好的数据来缩短测试时间
多个传感器+机器学习可以集中测试,最影响。
数据混乱的边缘
处理器和数据类型的差异将产生不可预测的影响人工智能系统。
数据分析知识中心
更多的头条新闻、专题报道、博客和白皮书的数据分析