本文由半導(dǎo)體產(chǎn)業(yè)縱橫（ID：ICVIEWS）編譯自3dincites

利用人工智能進行半導(dǎo)體測試創(chuàng)新，將能夠共享與良率、覆蓋率和成本息息相關(guān)的真實數(shù)據(jù)。

雖然人工智能在半導(dǎo)體設(shè)計和制造領(lǐng)域取得了重大進展，但半導(dǎo)體測試是“下一個前沿”，它是設(shè)計與制造之間的橋梁，解決了傳統(tǒng)分離領(lǐng)域之間模糊的界限。

更具體地說，通過連接設(shè)計和制造，測試可以幫助產(chǎn)品和芯片公司更快地生產(chǎn)出更好、更便宜的產(chǎn)品。隨著這些領(lǐng)域之間的界限變得越來越模糊——尤其是在先進封裝和異構(gòu)集成領(lǐng)域——測試為產(chǎn)品的架構(gòu)和設(shè)計方式提供了必要的驗證和反饋。

利用人工智能進行半導(dǎo)體測試創(chuàng)新，將能夠共享與良率、覆蓋率和成本息息相關(guān)的真實數(shù)據(jù)。這可以歸結(jié)為三個突出這些挑戰(zhàn)的趨勢：3D創(chuàng)新、全球分布式供應(yīng)鏈以及AI for AI。

3D領(lǐng)域的創(chuàng)新體現(xiàn)在三維晶體管方面，例如環(huán)繞柵極技術(shù)(Gate All Around)或3D互連技術(shù)，以及3D芯片堆疊技術(shù)。實際上，芯片系統(tǒng)正在成為一個子系統(tǒng)。

在技術(shù)因素的推動下，供應(yīng)鏈正變得更加全球化。從根本上說，集成或異構(gòu)集成需要一條覆蓋從基板到芯片、電阻器、服務(wù)和制造的全球分布式供應(yīng)鏈。此外，地緣政治因素也帶來了挑戰(zhàn)。

“AI for AI”指的是對AI技術(shù)的需求來自消費領(lǐng)域。由于芯片性能更強、算法更優(yōu)，AI得到了進一步發(fā)展，這使得在AI的生產(chǎn)地——半導(dǎo)體制造和測試——使用AI變得更加容易。

圖1：三大趨勢正在重塑半導(dǎo)體行業(yè)。來源：PDF Solutions

先進而靈活的測試策略對于滿足日益增長的芯片性能和可靠性需求以及設(shè)計與制造之間的橋梁至關(guān)重要。

人工智能在半導(dǎo)體測試中面臨的獨特挑戰(zhàn)

將人工智能應(yīng)用于半導(dǎo)體測試正在迅速改變我們所知的格局，既帶來了技術(shù)挑戰(zhàn)，也帶來了創(chuàng)新機遇。

多種因素使得人工智能在半導(dǎo)體測試中的應(yīng)用尤為具有挑戰(zhàn)性，首先是復(fù)雜的異構(gòu)數(shù)據(jù)。測試數(shù)據(jù)格式各異，包括參數(shù)讀數(shù)、通過/未通過結(jié)果、圖像等，且來源多樣。諸如分箱和芯片匹配等多樣化用例要求降低成本并提高質(zhì)量，這會帶來一系列挑戰(zhàn)。此外，由于高風(fēng)險的錯誤發(fā)生率需要持續(xù)監(jiān)控和調(diào)整，模型維護需求也隨之增加。

邊緣、服務(wù)器或云實施的復(fù)雜部署場景可能會影響響應(yīng)速度，同時由于半導(dǎo)體測試數(shù)據(jù)高度敏感且專有，安全問題也不容忽視。先進的封裝技術(shù)又增加了一層復(fù)雜性，需要追蹤來自多個晶圓的單個芯片以及來自不同來源的分立元件。

圖2：多種因素使得AI在半導(dǎo)體測試中的應(yīng)用充滿挑戰(zhàn)。來源：PDF Solutions

測試領(lǐng)域中一些前景光明的人工智能應(yīng)用有望解決至少部分挑戰(zhàn)。這些應(yīng)用包括自適應(yīng)測試，可根據(jù)上游測試結(jié)果修改測試流程；以及系統(tǒng)分級，將行為相似的芯片組合匹配以實現(xiàn)最佳性能。預(yù)測分級可以及早發(fā)現(xiàn)潛在故障，從而節(jié)省下游成本。用于平衡全面測試和成本約束的系統(tǒng)級測試(SLT)也越來越受歡迎。

一些來自測試時間縮短示例的實際數(shù)據(jù)展現(xiàn)了人工智能在測試領(lǐng)域的應(yīng)用前景。通過使用機器學(xué)習(xí)(ML)根據(jù)早期測試結(jié)果預(yù)測哪些組件將通過最終測試，可以省略一些選擇性測試，從而降低成本并控制質(zhì)量影響。ML解決方案并非100%完美——一些測試在實施ML后顯示零缺陷，而另一些測試則顯示有限的缺陷率。同樣，ML并非適用于所有芯片——其效用因測試和產(chǎn)品特性而異。

挑戰(zhàn)依然存在

業(yè)內(nèi)需要進一步探索在復(fù)雜分布式供應(yīng)鏈中構(gòu)建有效的制造監(jiān)控系統(tǒng)。它應(yīng)該從小處著手，從有限的數(shù)據(jù)采樣中學(xué)習(xí)，以確定何時停止建模并開始推理，尤其是在小批量產(chǎn)品的情況下?？绻S和跨設(shè)計學(xué)習(xí)是將人工智能模型在產(chǎn)品和制造現(xiàn)場之間遷移的必備條件。最后，平衡人工智能和人類專業(yè)知識將有助于找到自動化和人工指導(dǎo)決策的正確組合。

測試用人工智能是半導(dǎo)體創(chuàng)新的下一個前沿，它融合了數(shù)據(jù)、模型和基礎(chǔ)設(shè)施。要取得成功，需要了解半導(dǎo)體制造過程中固有的空間和時間差異，并創(chuàng)建跨全球分布式供應(yīng)鏈的互聯(lián)數(shù)據(jù)視圖。最佳方法是將人工智能視為一個生命周期挑戰(zhàn)——既要關(guān)注上游的設(shè)計，也要關(guān)注下游的現(xiàn)場操作。

隨著半導(dǎo)體行業(yè)通過先進封裝和異構(gòu)集成不斷提升復(fù)雜性，人工智能測試將在這一新領(lǐng)域中，在確保質(zhì)量的同時控制成本，并成為連接設(shè)計與制造的橋梁，變得日益重要。

聲明：

本號對所有原創(chuàng)、轉(zhuǎn)載文章的陳述與觀點均保持中立，推送文章僅供讀者學(xué)習(xí)和交流。文章、圖片等版權(quán)歸原作者享有，如有侵權(quán)，聯(lián)系刪除。