预测的最终测试产量OSAT晶片。
包装变得越来越具有挑战性的和昂贵的。原因是衬底是否短缺或包本身的复杂性不断增加,外包半导体装配和测试(OSAT)房子要花更多的钱,更多的时间和更多的资源在组装和测试。因此,OSATs今天面临的一个更重要的挑战是管理模具,通过测试在工厂层面但失败在最后的封装测试。
但是,首先,让我们后退一步,谈谈前端。半导体工厂每周会产生数以百计的晶片,这些晶片验证了产品测试程序。那些将被发送到一个OSAT包装和最终测试。任何单位,失败在最后测试阶段被丢弃,钱和时间OSAT切块,包装和测试失败的单位是浪费(图1)。
图1:从工厂到OSAT过程。
据估计,基于5纳米晶片价格的高端智能手机,包组装和测试的成本接近芯片总成本的30%(表1)。鉴于这种比例高(30%),这是更划算的OSAT只接收晶片,预计通过最后包测试。这样可以确保少拒绝在最后的包装测试步骤中,最小化成本,更多的产品被运出。机器学习可以提供制造商来完成这项工作。
表1:估计故障的芯片成本的高端智能手机。
采用传统的方法,一个工程师获得内联计量/晶片电测试结果好晶片通过最后的包测试。工程师然后使用收益管理软件进行相关分析统计包来确定哪些参数和因素相关性最终测试产量最高。使用这些参数,然后执行工程师回归健康,和一个线性/非线性模型生成。此外,模型设定的产量与新的数据管理软件进行了验证。然而,这不是一个不干涉的过程。定期手动审查模式是必要的。
机器学习需要一种不同的方法。与前面提到的方法,它更强调寻找最好的模型解释了最后包测试数据,利用机器学习的方法能力强调模型的预测能力。OSATs由于能力有限,机器学习模型训练和计量产品测试数据在工厂层面和最终测试包数据在OSAT级别创建代表最后的封装测试的结果。
部署的机器学习模型预测的最终测试产量OSAT晶片,坏晶片将自动标记的工厂在制造执行系统和分配的晶圆级last-to-ship (LTS)。工厂实时调度将晶片晶圆级分配给一个LTS晶片,晶片,满足通过机器学习模型的标准将被运送到OSAT,从而保证只发送给包装好的部分切割和包装。此外,额外的生产数据将用于验证机器学习模型的预测,最终的结果是在模型中增加信心。盲测甚至可以检查特定的晶片的关键部分。
机器学习的方法还提供了几个优势更传统的方法。这个模型本质上是宽容的失控的条件、趋势和模式很容易识别,结果可以提高更多的数据,也许最重要的是,不需要人工干预。
不幸的是,也有一些缺点。大量的数据需要机器学习模型做出准确的预测,尽管更多的数据总是受欢迎的,但这种方法为新产品或研发的情况并不理想。此外,这种机器学习方法需要大量的时间和资源的分配,这意味着更多的计算能力和更多的时间来处理完整的数据集。
此外,问题需要询问的质量所使用的算法。也许这不是正确的模型,因此,将无法提供正确的结果。或者的推理算法的预测是很难理解。简单地说:该算法如何决定哪些晶片,事实上,不错,这将标志着“最后的船吗?”然后是不正确或不完整的数据将贫穷的结果。俗话说,垃圾,垃圾。
只有好的产品的早期检测和预测航运OSATs变得越来越重要,部分原因是半导体部件的测试是最昂贵的制造流程的一部分。只有测试好的部分通过建立一个高杠杆率/运营管理平台和机器学习,OSAT房屋能够提高资本利用率和投资回报率,从而确保成本效益和持续供应成品的最终客户。虽然这是一个例子的机器学习模型的有效性,有那么多了解这种方法可以为OSATs提高产量和降低成本。
|
|
|
|
|
|
|
|
|
|
留下一个回复