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(jìn)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(shí)數(shù)據(jù)。

雖然人工智能在半導(dǎo)體設(shè)計(jì)和制造領(lǐng)域取得了重大進(jìn)展，但半導(dǎo)體測試是“下一個(gè)前沿”，它是設(shè)計(jì)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(jì)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(jìn)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(jì)方式提供了必要的驗(yàn)證和反饋。

利用人工智能進(jìn)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(shí)數(shù)據(jù)。這可以歸結(jié)為三個(gè)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(shí)際上，芯片系統(tǒng)正在成為一個(gè)子系統(tǒng)。

在技術(shù)因素的推動(dòng)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(duì)AI技術(shù)的需求來自消費(fèi)領(lǐng)域。由于芯片性能更強(qiáng)、算法更優(yōu)，AI得到了進(jìn)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(jìn)而靈活的測試策略對(duì)于滿足日益增長的芯片性能和可靠性需求以及設(shè)計(jì)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(dú)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(jī)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(huì)帶來一系列挑戰(zhàn)。此外，由于高風(fēng)險(xiǎn)的錯(cuò)誤發(fā)生率需要持續(xù)監(jiān)控和調(diào)整，模型維護(hù)需求也隨之增加。

邊緣、服務(wù)器或云實(shí)施的復(fù)雜部署場景可能會(huì)影響響應(yīng)速度，同時(shí)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(jìn)的封裝技術(shù)又增加了一層復(fù)雜性，需要追蹤來自多個(gè)晶圓的單個(gè)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(jí)，將行為相似的芯片組合匹配以實(shí)現(xiàn)最佳性能。預(yù)測分級(jí)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(jí)測試(SLT)也越來越受歡迎。

一些來自測試時(shí)間縮短示例的實(shí)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(jī)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(shí)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(jìn)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(shí)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(jì)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(shí)將有助于找到自動(dòng)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(gè)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(shí)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(gè)生命周期挑戰(zhàn)——既要關(guān)注上游的設(shè)計(jì)，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(jìn)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(shí)控制成本，并成為連接設(shè)計(jì)與制造的橋梁，變得日益重要。

聲明：

本號(hào)對(duì)所有原創(chuàng)、轉(zhuǎn)載文章的陳述與觀點(diǎn)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。