本文摘要：翻译成自——semiengineering传感器的大规模应用于和机器学习的发展让集中于测试在一些影响力较小的领域沦为了有可能。

翻译成自——semiengineering传感器的大规模应用于和机器学习的发展让集中于测试在一些影响力较小的领域沦为了有可能。机器学习和集成电路生产设备中融合了更加多的传感器，这为晶圆厂和封测代工厂对于针对性测试和更慢吞吐量建构了新的可能性。这种作法的目的是为了提高质量，减少生产简单芯片的成本。

在最先进设备的节点上，生产简单芯片所需的时间正在减少。随着晶体管数量的减少，更好的芯片被加到到电路板或PCB中，这造成了必须更好的时间去测试这些器件，也减少了总体成本，如果测试时间维持恒定，就不会减少被测设备在其生命周期内的可靠性。所以，我们有适当区分哪些设备显然必须完全测试，哪些设备早已在硅材料中获得了充份的检验。这相等于对一个测试套件展开遮荫，但是这个必须搜集充足简单的数据来展开调用。

在过去这很难做，但是随着更加多传感器的参予，分解了更加多的数据，我们就可以更加精细的查阅数据并借此展开有效地识别模式。PDFsolutions公司密切相关解决方案副总裁DennisCiplickas说道:“如果能创建一个准确率超过99.99%的模型来预测芯片何时不会老化，那么你就可以跳过芯片老化的过程，从而节省成本。”不管你原作的比例是多少，20%、30%或50%的冲刺亲率都可以，这将节省老化成本。

而且数据就越多，预测就就越精确。艰难在于如何相连准确的数据来构建这一点。

所以如果你所有的数据都在封测代工厂上运营，从晶圆排序、装配，到最后的测试都在那里，你就可以统合所有的数据并借此作出预测。但如果你在有所不同的地方展开的这些工序，那就必需从多个地点拆分数据，这就必须一个系统来做这一点。”老化测试用作检测芯片中各种元件的早期故障。在过去，这类数据是通过数据交换分享的，虽然简单，但还足以避免测试。

Ciplickas说道:“最初，数据交换网络背后的想法是创建一个数据库，这样你就可以看见你的供应链。”“机器学习现在可以让你把许多有所不同的功能放到一起，来做到一些新的事情，比如预测。”所以通过从传感器取得的数据，就可以掌控老化成本。

下一个步骤是使数据需要以连贯、相连的方式一起流经有所不同的站点，通过这些来展开预测。”实质上，这就是一种将仅有流程的各种组件叙述的更为细致，并准确地避免不必要的测试。OptimalPlus副总裁兼总经理DougElder回应:“现在，你可以在展开晶圆排序和最后测试的竖井中相连所有数据源，以确认故障来自何处。你可以增加你的测试集和疑为老化的区域，你也可以运营机器学习算法来修缮测试和改良你的方法。

”在过去，在现场实行之后，有可能必须几个月或几年的时间才能显露出生产问题。其中一些问题可以通过软件来解决问题，比如智能手机的天线问题，在技术被代替之前，这些问题仍然运营较好。但随着更加多的芯片被用作工业和汽车应用于上，这种方法早已仍然限于。Elder回应:“如果你能在检查中或老化阶段找到这些问题，那么你就能将老化测试时间增加10%到20%。

”“这对制造商来说是个相当大的数字。在动态情况下，通过查阅自适应测试时间的增加量，量度哪些测试没告终。这样就可以增加测试时间，并且你可以通过一个闭环系统将其加到返测试循环中，该系统可以包括从晶圆排序到最后测试的所有内容。此外，新的测试也不会减少我们的额外成本。

但在损毁之前，你能新的测试多少次呢?其中一个案例：一个设备被新的测试了17次，直到最后通过测试。”可以显现出，这对正在测试的设备来说并不是好事，既便宜又耗时。

在晶圆厂，每分每秒都有成本。更佳的数据，更佳的结果“好的”数据在有所不同的市场有可能意味著有所不同的东西，甚至经常在同一个市场中也是如此。数据之所以简单，是因为它对特定的操作者、过程或设备都有效地。但必须大量的专业领域科学知识来做到此要求。

yieldHUB首席执行官JohnO’Donnell回应:“我们找到一些较小的公司并不是在每个领域都有专长。”“特别是在是在汽车领域，有些公司有可能在设计方面很强劲，但在测试方面就没有那么通晓。”这就给简单的芯片设计带给了一个问题，久而久之，对芯片来说，问题将显得更为关键。但它也凸显了跨越整个设计到生产链的一个挑战，即保证参予其中的人都能解读其他工序的工作。

“有人可能会问，‘我们知道必须把时间花上在这块吗?最重要的是团队中的每个人都必需看清楚这一点，”Donnell说明到：“你有可能是某个芯片特定部分的专家，而不是另一个部分的专家，所以你就必须合作和分析，还要在知识库中展开确保。这使得你对特定领域有了充足的信心，你可以将你的科学知识加到到系统分析中，以此增加测试数量所需的成本。保证数据质量的另一种方法是对数据展开倒数馈送。

因此，与所有外部数据有所不同，其中一些数据可以在设备运营时展开测量。proteanTecs的首席执行官ShaiCohen说道:“有了在线数据，你就能大大提升性能，作出准确的要求。”“在工序和内存中你都可以权衡参数缺失。

这获取了很高的覆盖率，但是你必须加到多维代理，这些代理可以通过机器学习展开测量和处置。现在你可以为特定的设计配有代理，修复数据，以便更佳地理解正在再次发生的事情。”空空如也，垃圾满天飞传感器过于准确，不要紧。

以波音737MAX为事例，故障传感器有可能是两起坠机和一系列混乱背后的罪魁祸首。其中一个问题是，数据必须更加普遍地分享，才能辨识错误，而系统供应商往往将这些数据作为竞争优势加以维护。

在测试方面，我们一般遵循标准化的测试去设计芯片，但完整设备制造商回应缺少充足的信任。“NationalInstruments运输部门首席解决方案经理DougFarrell回应。“他们不不愿共享数据，这种情况必需转变，因为你不有可能在一家公司里享有一切。

在自动驾驶方面特别是在如此，一级汽车制造商和完整设备制造商正在展开白热化的竞争。”所以我们只有大大的测试传感器，以保证数据的质量。Farrell说道:“对于操作者车队的人来说，他们可以在换班完结时对传感器展开临床，并对其展开校准。

”“好多公司跳过了中间步骤，必要从纯粹的仿真改向将传感器加装在汽车上，因此临床是必不可少的。”为避免将来经常出现问题，数据本身也要存储。

PDF的Ciplickas说道:“我们企图防止的是寂静数据的毁坏。”“当这种事再次发生的时候，你无法预测。”对于安全性关键型应用程序，结果有可能比这差劲得多。

现在，这些设备的功能带给了责任，而数据是确认哪里出有了问题以及原因的最佳方法。OptimalPlus电子部门总经理UziBaruch回应:“汽车行业与半导体行业的显然区别在于，测试只是汽车行业的一个载体。”“这比你一般来说在半导体行业看见的要多，不仅仅限于电子产品，这是一条原始的装配线，有多个接触点。

”设计检查检查在高级节点和某些类型的高级PCB中显得更加艰难。因此，人们要在更好的地方加装更好的传感器——无论是在设备中还是在PCB中——并要使这些传感器更加小、更加慢、功耗更加较低。

CyberOptics首席执行官SubodhKulkarni回应:“目前晶圆厂和封测代工厂早已在展开取样检测。”“现在我们正在对PCB展开功能检查。问题是在我们展开100%的检查之前不会有多少放射性尘埃。

但由于PCB太贵了，有适当对其展开合理的成本检查。”随着新材料的引进和新的结构的重新加入，这种检查不会显得更为艰难。此外，由于漫射光不同于其他物质，所以有所不同的材料必须有所不同的检查技术。

Kulkarni认为，这两种方法都必须新的校准光学摄像机等检查设备。他说道:“这让先进设备的PCB检验和模块检验显得更加艰难，特别是在像HBM。

”“在过去，2D检查就充足了。现在你必须对存储模块展开3D光学检查。”这将花费更好的时间，分解更加多必须分析的数据。

结论在制造业中，将传感器数据和机器学习融合用于的方法刚蓬勃发展，但是提高质量和增加测试时间的机会是极大的。这也有助增加校验的设计，这在部件、功率和重量方面都是难能可贵的。

proteanTecs首席商务官RaananGewirtzman回应:“我们的目标是中止快速增长的校验。”对于ISO26262规定特别是在最重要，因为它必须一定程度的校验。但我们可以通过减少更佳的测量代理来解决问题。”这必须用一种几乎有所不同的方式来看来和用于数据，但是以较少的成本获取更佳的覆盖范围的前景获得了多方的注目，仅次于的问题是这种方法能扩展到什么程度。

本文来源：威斯尼斯人老品牌官网-www.shbsny.com