Silicon.da:机器学习+数据分析,解析芯片测试阶段PB级良率数据仅用几秒

0 评论
Silicon.da:机器学习+数据分析,解析芯片测试阶段PB级良率数据仅用几秒

如果开发者能在测试阶段就确定半导体晶圆的裸片所存在的问题,而不是等到加工完成后才发现,开发者们不仅能节省大量时间,还可以省下因测试和封装失效所产生的裸片成本。

 

传统上,半导体测试开发者必须等待整个晶圆测试完成并进入加工周期后才能获取有关晶圆上裸片质量的测试数据。测试过程可能需要几分钟甚至一天的时间,具体取决于晶圆的尺寸和运行的测试量。

现在,由机器学习驱动的全新实时数据基础结构(RTDI)平台仅需几毫秒便可将测试数据转化为切实可行的见解。Advantest Cloud Solutions™(ACS)RTDI™平台由Advantest开发,提供低延迟且高度安全的数据访问和系统控制。此外,借助新思科技的Silicon.da实时生产分析应用,能够提高芯片质量、良率和吞吐量。该自适应测试应用解决方案还能够帮助共同客户改进芯片功耗与性能表现。

 

在本文中,我们将进一步探讨如何即时获取半导体测试和芯片数据,使开发者们能更好地控制芯片质量,同时节省测试时间并提高测试效率。

 

Silicon.da:机器学习+数据分析,解析芯片测试阶段PB级良率数据仅用几秒

只需数秒,获取半导体良率数据

 

传统的半导体数据收集和分析流程是一个连续的迭代过程,测试开发者必须等到晶圆测试完成后,才能拿到标准测试数据格式(STDF)文件。到交付文件的时候,晶圆已进入组装和封装步骤。在这个阶段,测试开发者或许才能了解到晶圆上的一些裸片存在风险,例如质量勉强合格,处于质量测试的及格线边缘。这时,如果开发者希望报废这些裸片,而不是冒险封装并发货,就需要查找和拦截有问题的晶圆,然后将其重新送入测试系统。此外也可以通过在组装时调整晶圆映射,并将相关裸片降级来处理。

 

借助自适应测试应用解决方案,由ACS RDTI安全收集、分析、存储和监控的半导体测试数据会直接实时流入Silicon.da,随后这些信息将与收集到的其他数据(比如来自片内监控器的数据)一起进行处理和分析,为开发者提供可行的技术见解。这样一来,测试开发者可以在测试晶圆时发现潜在的裸片问题,从而能够尽早采取纠正措施,无需在测试仪上浪费时间。这个流程同样适用于组装阶段,在这个阶段中,裸片将被切割并放入各自的封装中。对封装好的裸片进行一系列类似测试时,实时数据会流入在ACS RTDI上运行的Silicon.da分析工具,为开发者提供所需的见解,助其找出并废弃有问题的封装,避免质量欠佳的组件被集成到最终产品中。

 

Silicon.da可在本地或云端运行,是新思科技芯片生命周期管理(SLM)系列的一部分。该系列产品致力于在整个设备生命周期中帮助监控和分析片内芯片运行状况。在使用ACS RTDI测试器件时,源自Silicon.da的分析也可实时运行。行业规模不断扩大、系统复杂性持续增加、质量要求日趋严格以及封装技术加速演进等种种因素对当前的半导体行业格局产生了重大影响,Multi-Die系统等复杂新架构也因此得到青睐。面对这些趋势,SLM中的板载芯片监控技术对于确保芯片的长期可靠性和性能表现越来越重要。半导体开发过程可能会生成数PB的数据,Silicon.da等技术有助于理清所有数据,提供自动化根本原因分析,突出显示异常芯片数据,并将所有半导体制造阶段的分析整合到同一个可共享的环境中。

 

Silicon.da:机器学习+数据分析,解析芯片测试阶段PB级良率数据仅用几秒

自适应半导体测试应用的用例

 

要确定芯片问题的根本原因,必须深入了解芯片的运行情况,这便离不开片内监控器收集的数据以及测试测量的数据。举个例子,假设在系统级测试期间检测到了时序故障。在这种情况下,路径裕度监控器可以识别到故障路径,热传感器可以探测到温度梯度的变化情况,而电压监控器则可以表明是否出现明显压降。

 

测试过程将读取片内监控器的数据,并将这些数据与测试测量数据一起通过ACS RDTI流入在ACS RTDI上运行的Silicon.da应用。Silicon.da将由此构建机器学习模型,从而帮助生成可行见解。另一个值得关注的用例是VMIN,即设备可以运行的最小电压。通过测试仪来确认VMIN通常非常耗时,需要花费大量的测试时间来考虑各种各样的极端情况。Silicon.da使用用户训练的机器学习模型来预测VMIN性能,从而缩短测试时间。

 

自适应测试极限设置是ACS RDTI和Silicon.da解决方案的另一个宝贵用例。在测试程序执行过程中,以往都是根据动态零件平均测试(DPAT)等方法来设置测试极限,DPAT方法产生的固定敏感度限制适用于晶圆中的所有零件。但如果有一种方法可以在测试期间计算出每个零件的极限,从而提高速度和功耗等参数的精度,会怎么样?显而易见,这必将能降低百万分比缺陷率(DPPM),提高晶圆的质量。通过关联片内传感器收集的处理、电压和温度数据与测试测量数据,并动态调整每个裸片的极限,测试开发者可以更高效地确定哪些裸片异常,哪些裸片合格。

 

Silicon.da:机器学习+数据分析,解析芯片测试阶段PB级良率数据仅用几秒

加强下一代半导体测试

 

数据分析和强大的机器学习将塑造下一代半导体测试,为测试开发者提供更深入的见解,从而提高结果质量并缩短实现结果的时间。Advantest的ACS RDTI平台与新思科技的Silicon.da将促成更加协调一致的测试生态系统。通过用自适应方法替代传统的迭代方法,测试开发者能够提高运维效率、降低测试成本,进而提高产品良率。