普迪飛（PDF Solutions）用戶大會(huì)上，來自愛德萬（Advantest）、泰瑞達(dá)（Teradyne）的行業(yè)專家與普迪飛同臺(tái)，圍繞半導(dǎo)體先進(jìn)測(cè)試的實(shí)際落地案例展開分享與交流，通過具體應(yīng)用場(chǎng)景詳解人工智能與機(jī)器學(xué)習(xí)在測(cè)試流程中的創(chuàng)新應(yīng)用，拆解技術(shù)落地的核心要點(diǎn)與行業(yè)未來探索方向，以下為本次大會(huì)核心內(nèi)容回顧。

90%置信度預(yù)判終測(cè)失效，降低高成本封裝損耗

泰瑞達(dá)（Teradyne）Eli Roth

泰瑞達(dá)測(cè)試產(chǎn)品經(jīng)理Eli Roth帶來機(jī)器學(xué)習(xí)（ML）與高級(jí)分析結(jié)合的終測(cè)（Final Test）失效預(yù)測(cè)案例，直擊晶圓分選（Wafer Sort）合格但終測(cè)失效導(dǎo)致封裝成本浪費(fèi)的行業(yè)痛點(diǎn)，詳解技術(shù)方案與落地價(jià)值。

本次案例針對(duì)一款需完成四次冷熱溫循晶圓分選的器件展開，該客戶原有產(chǎn)品良率與性能表現(xiàn)已處于較好水平，核心訴求是進(jìn)一步提升終測(cè)良率，規(guī)避高成本封裝環(huán)節(jié)的無效投入。為解決這一問題，泰瑞達(dá)團(tuán)隊(duì)開發(fā)多款機(jī)器學(xué)習(xí)模型，通過聚類算法（Clustering Algorithm）分析晶圓分選海量數(shù)據(jù)，建立模型置信度評(píng)估體系，以此預(yù)測(cè)芯片終測(cè)結(jié)果；經(jīng)持續(xù)優(yōu)化，模型識(shí)別缺陷芯片的置信度最終達(dá)到90%，可精準(zhǔn)鎖定終測(cè)易失效的高風(fēng)險(xiǎn)芯片集群。

在成本與收益的平衡上，團(tuán)隊(duì)通過經(jīng)濟(jì)測(cè)算綜合權(quán)衡，以1.6%的晶圓分選“過殺率（Overkill Rate）”為代價(jià)，實(shí)現(xiàn)了終測(cè)良率1%的顯著提升，該技術(shù)在芯粒（Chiplet）應(yīng)用、已知合格芯片（KGD）等高價(jià)值領(lǐng)域，及封裝成本居高不下的場(chǎng)景中具備顯著經(jīng)濟(jì)價(jià)值。同時(shí)該方案落地性極強(qiáng)，適配客戶已定型且不可修改的高產(chǎn)量量產(chǎn)測(cè)試程序，無需改動(dòng)量產(chǎn)程序、無需重新認(rèn)證，也不會(huì)打亂現(xiàn)有測(cè)試流程，即可實(shí)現(xiàn)良率提升與成本優(yōu)化。

此外，該模型可與普迪飛Exensio平臺(tái)集成，借助平臺(tái)的模型重訓(xùn)練、機(jī)器學(xué)習(xí)管線搭建能力，及邊緣計(jì)算（Edge Computing）技術(shù)支持，能在晶圓分選環(huán)節(jié)更快做出芯片分檔決策，甚至省去不必要的晶圓分選測(cè)試步驟；模型部署形式靈活，可在主機(jī)運(yùn)行、離線操作，也能在量產(chǎn)測(cè)試中在線運(yùn)行，且支持整合所有測(cè)試環(huán)節(jié)數(shù)據(jù)進(jìn)行分析，挖掘更多應(yīng)用可能性。

針對(duì)本案例的現(xiàn)場(chǎng)問答

Eli Roth分享結(jié)束后，現(xiàn)場(chǎng)圍繞模型搭建、落地挑戰(zhàn)、客戶后續(xù)規(guī)劃等問題展開針對(duì)性提問，核心問答內(nèi)容如下：

1

建模過程中是否剔除芯片數(shù)據(jù)及環(huán)節(jié)？

該終測(cè)失效預(yù)測(cè)模型最初基于晶圓分選與終測(cè)的一對(duì)一關(guān)聯(lián)關(guān)系設(shè)計(jì)，本案例并未在各測(cè)試環(huán)節(jié)單獨(dú)剔除芯片數(shù)據(jù)，而是借助四次晶圓分選的結(jié)果疊加分析，實(shí)現(xiàn)了更高的預(yù)測(cè)精度，這一方式讓模型表現(xiàn)超出了通用模型的預(yù)期效果，也是本案例的核心優(yōu)勢(shì)。

2

除算力基礎(chǔ)設(shè)施外，技術(shù)落地是否還有難點(diǎn)？

除搭建算力基礎(chǔ)設(shè)施支撐運(yùn)算外，數(shù)據(jù)囤積與數(shù)據(jù)安全是核心難點(diǎn)，獲取客戶信任讓企業(yè)接觸核心數(shù)據(jù)、保障數(shù)據(jù)安全、設(shè)置專屬的數(shù)據(jù)訪問權(quán)限體系，這些問題的解決難度甚至高于模型搭建本身；同時(shí)技術(shù)落地不僅是技術(shù)挑戰(zhàn)，更是人類的挑戰(zhàn)，本次合作是泰瑞達(dá)與客戶的一對(duì)一合作，而多方利益相關(guān)方的參與會(huì)讓問題復(fù)雜程度呈指數(shù)級(jí)上升。

3

該案例客戶是否有后續(xù)的技術(shù)應(yīng)用規(guī)劃？

該客戶明確希望將該預(yù)測(cè)技術(shù)應(yīng)用于封裝成本更高的產(chǎn)品上，本次案例中封裝成本的節(jié)省與晶圓分選過殺帶來的成本基本持平，而半導(dǎo)體行業(yè)的保守性決定了客戶會(huì)優(yōu)先尋找能產(chǎn)生明顯正向投資回報(bào)的應(yīng)用場(chǎng)景。本次落地項(xiàng)目將作為后續(xù)優(yōu)化方案的試點(diǎn)，為技術(shù)打磨打下基礎(chǔ)，同時(shí)該技術(shù)針對(duì)數(shù)字器件、數(shù)據(jù)中心專用器件、大尺寸器件等領(lǐng)域的行業(yè)痛點(diǎn)，具備廣泛的應(yīng)用空間。

Vmin智能優(yōu)化技術(shù)，兼顧功耗降低與測(cè)試時(shí)間縮短

愛德萬測(cè)試（Advantest）Roberto Colecchia

愛德萬專家?guī)?strong>最小工作電壓（Vmin）優(yōu)化技術(shù)的應(yīng)用分享，針對(duì)性解決傳統(tǒng)Vmin測(cè)試精度與效率難以兼顧的行業(yè)痛點(diǎn)，為電池供電設(shè)備、高性能計(jì)算（HPC）領(lǐng)域的測(cè)試優(yōu)化提供解決方案。

Vmin測(cè)試的核心目標(biāo)是找到芯片無錯(cuò)誤穩(wěn)定運(yùn)行的最低工作電壓，傳統(tǒng)測(cè)試方式需對(duì)每個(gè)芯片核心的供電電壓進(jìn)行掃頻測(cè)試，雖能精準(zhǔn)定位Vmin，但因需為每個(gè)核心重復(fù)執(zhí)行搜索算法，會(huì)大幅增加測(cè)試時(shí)間；而若為芯片所有核心統(tǒng)一設(shè)定Vmin，又會(huì)造成不必要的功耗浪費(fèi)。

機(jī)器學(xué)習(xí)技術(shù)為這一矛盾提供了解決方案：通過優(yōu)化Vmin搜索窗口，借助機(jī)器學(xué)習(xí)推理預(yù)測(cè)每顆芯片、每個(gè)核心的潛在最小工作電壓，大幅縮小電壓搜索范圍，在保證精度的同時(shí)顯著節(jié)省測(cè)試時(shí)間；同時(shí)，為每個(gè)核心單獨(dú)優(yōu)化最優(yōu)Vmin，能大幅降低芯片整體功耗，這一特性對(duì)電池供電的移動(dòng)設(shè)備及高性能計(jì)算領(lǐng)域均具有重要價(jià)值。

該技術(shù)可在晶圓分選與終測(cè)環(huán)節(jié)落地，其規(guī)?；瘧?yīng)用需具備三大核心要素：

1

實(shí)現(xiàn)跨測(cè)試環(huán)節(jié)的數(shù)據(jù)前饋，將前序測(cè)試數(shù)據(jù)同步至后續(xù)環(huán)節(jié)，為測(cè)試提供精準(zhǔn)參考；

2

搭建邊緣計(jì)算架構(gòu)，將推理任務(wù)卸載至測(cè)試設(shè)備附近的服務(wù)器，保障實(shí)時(shí)推理與Vmin搜索計(jì)算效率；

3

部署云端解決方案，實(shí)現(xiàn)模型云端訓(xùn)練、現(xiàn)場(chǎng)快速部署，同時(shí)將測(cè)試結(jié)果反饋至云端，完成模型重訓(xùn)練與優(yōu)化，實(shí)現(xiàn)量產(chǎn)過程中的模型持續(xù)迭代。

目前該技術(shù)在電池供電設(shè)備與高性能計(jì)算領(lǐng)域需求旺盛，已成為行業(yè)核心的測(cè)試優(yōu)化方案。

針對(duì)本案例的現(xiàn)場(chǎng)問答

愛德萬專家分享結(jié)束后，現(xiàn)場(chǎng)圍繞技術(shù)落地實(shí)操、難點(diǎn)、未來探索方向等問題展開針對(duì)性提問，核心問答內(nèi)容如下：

1

技術(shù)在實(shí)際量產(chǎn)落地過程中遇到的核心挑戰(zhàn)是什么？

技術(shù)落地難度核心取決于客戶現(xiàn)有的基礎(chǔ)設(shè)施水平，若客戶擁有端到端的基礎(chǔ)設(shè)施，能實(shí)現(xiàn)云端、測(cè)試現(xiàn)場(chǎng)服務(wù)器與測(cè)試設(shè)備的互聯(lián)互通，落地過程會(huì)非常順暢；若客戶僅有基礎(chǔ)邊緣計(jì)算方案，且模型更新需人工操作，無法實(shí)現(xiàn)實(shí)時(shí)更新，只能定期批量更新，落地難度會(huì)大幅增加。同時(shí)，為跨場(chǎng)地運(yùn)營(yíng)的客戶落地該技術(shù)，會(huì)進(jìn)一步增加問題的復(fù)雜性。

2

預(yù)測(cè)縮小Vmin搜索窗口時(shí)，核心參考哪些參數(shù)？

Vmin優(yōu)化模型可挖掘利用數(shù)十萬個(gè)參數(shù)，其中靜態(tài)工作電流（IDDQ） 是核心參數(shù)，會(huì)對(duì)芯片不同模塊的電流進(jìn)行大量測(cè)量，為預(yù)測(cè)提供關(guān)鍵參考；同時(shí)還需整合其他芯片級(jí)數(shù)據(jù)，包括電壓測(cè)量數(shù)據(jù)、前序測(cè)試環(huán)節(jié)的電流與電壓數(shù)據(jù)，及同一測(cè)試環(huán)節(jié)中不同模塊的測(cè)試數(shù)據(jù)等。

3

是否有企業(yè)對(duì)該技術(shù)的收益進(jìn)行量化測(cè)算？

該技術(shù)的核心收益體現(xiàn)在芯片功耗降低上，功耗降低可節(jié)省電量、延長(zhǎng)電池續(xù)航，企業(yè)也可因此提升產(chǎn)品溢價(jià)、獲得更高利潤(rùn)，同時(shí)測(cè)試時(shí)間的縮短也能降低生產(chǎn)成本，只要選對(duì)應(yīng)用場(chǎng)景，該技術(shù)能實(shí)現(xiàn)雙贏，是降本提質(zhì)的優(yōu)質(zhì)方案。

4

大規(guī)模多站點(diǎn)測(cè)試程序中，如何優(yōu)化Vmin測(cè)試的吞吐量？

目前在大規(guī)模多站點(diǎn)測(cè)試程序中，存在部分站點(diǎn)吞吐量提升、部分站點(diǎn)仍速度較慢的問題，多站點(diǎn)Vmin測(cè)試的吞吐量?jī)?yōu)化，仍是該技術(shù)現(xiàn)階段需要攻克的核心難題。

5

5.該技術(shù)后續(xù)的核心探索方向是什么？

Vmin優(yōu)化技術(shù)的應(yīng)用邊界將向左移測(cè)試（Shift Left）延伸，不再僅僅聚焦于降低芯片功耗，還會(huì)通過分析早期測(cè)試數(shù)據(jù)，找到與后續(xù)芯片報(bào)廢相關(guān)的關(guān)聯(lián)規(guī)律，提前發(fā)現(xiàn)失效風(fēng)險(xiǎn)，進(jìn)一步降低生產(chǎn)損耗。

現(xiàn)場(chǎng)觀眾提問環(huán)節(jié)

關(guān)于技術(shù)拓展與平臺(tái)支撐相關(guān)問題

兩位嘉賓完成案例分享與針對(duì)性問答后，現(xiàn)場(chǎng)觀眾圍繞技術(shù)跨行業(yè)應(yīng)用、芯片性能延伸、普迪飛平臺(tái)支撐能力、模型管理部署等問題展開通用提問，嘉賓逐一詳細(xì)解答，核心內(nèi)容如下：

1.終測(cè)失效預(yù)測(cè)與Vmin優(yōu)化技術(shù)，是否可應(yīng)用于射頻（RF）行業(yè)？

本次分享的兩個(gè)模型均未針對(duì)射頻器件開發(fā)，但市場(chǎng)上已有企業(yè)將類似方法應(yīng)用于射頻器件測(cè)試；Vmin優(yōu)化技術(shù)的核心是基于搜索的應(yīng)用方案，可適配射頻測(cè)試中尋找最優(yōu)工作頻率等包含搜索環(huán)節(jié)的高頻射頻測(cè)試場(chǎng)景，利用晶圓分選數(shù)據(jù)預(yù)測(cè)射頻測(cè)試結(jié)果，具備可觀的應(yīng)用價(jià)值。

2.低Vmin芯片在傳統(tǒng)標(biāo)準(zhǔn)額定Vmin下運(yùn)行，是否能提升使用壽命？

目前暫無明確答案，要驗(yàn)證這一問題，需開展芯片全生命周期的可靠性測(cè)試，這也是一項(xiàng)極具價(jià)值的實(shí)驗(yàn)；普迪飛數(shù)據(jù)前饋解決方案中設(shè)計(jì)的保留組功能或可解答該問題，該功能通過專門字段標(biāo)記部分器件、晶圓或批次，其數(shù)據(jù)僅用于下游模型驗(yàn)證不參與訓(xùn)練，且對(duì)該部分芯片執(zhí)行標(biāo)準(zhǔn)測(cè)試程序，可通過對(duì)比機(jī)器學(xué)習(xí)推理測(cè)試與標(biāo)準(zhǔn)測(cè)試的芯片，分析其使用壽命差異。

3.本次案例模型是否基于普迪飛Exensio平臺(tái)搭建？

本次案例模型采用定制化方案完成落地，而普迪飛Exensio平臺(tái)作為面向半導(dǎo)體測(cè)試行業(yè)的標(biāo)準(zhǔn)化智能平臺(tái)，已規(guī)劃內(nèi)置模型漂移檢測(cè)、自動(dòng)重訓(xùn)練等核心能力，相關(guān)功能即將正式上線。當(dāng)前行業(yè)內(nèi)同類解決方案多為企業(yè)針對(duì)單一需求搭建的零散定制化方案，而Exensio平臺(tái)憑借可擴(kuò)展的標(biāo)準(zhǔn)化架構(gòu)，將徹底解決這一行業(yè)痛點(diǎn)，為這類先進(jìn)測(cè)試場(chǎng)景提供更高效、可復(fù)用的技術(shù)底座。

4.檢測(cè)到模型漂移后，重新部署的難度及平臺(tái)應(yīng)對(duì)方案是什么？

AI模型需定期重訓(xùn)練與更新，重新部署的難度主要取決于所使用的平臺(tái)；Exensio AI Studio平臺(tái)已搭建面向公共的容器倉(cāng)庫(kù)，可對(duì)接任意云服務(wù)商，模型更新后可上傳至該倉(cāng)庫(kù)，再下發(fā)至各遠(yuǎn)程測(cè)試現(xiàn)場(chǎng)完成部署，該過程依托容器編排技術(shù)實(shí)現(xiàn)，技術(shù)難度較低。

模型部署的核心難點(diǎn)在于配置管理，需精準(zhǔn)記錄每顆芯片對(duì)應(yīng)的模型版本、跟蹤全流程的數(shù)據(jù)血緣，同時(shí)還需滿足行業(yè)合規(guī)要求，實(shí)現(xiàn)測(cè)試方法的長(zhǎng)期追溯，而Exensio平臺(tái)的一體化解決方案，能更好地解決此類問題。

數(shù)據(jù)協(xié)同成關(guān)鍵，技術(shù)仍處于初期探索階段

核心觀點(diǎn)

本次大會(huì)中，各位嘉賓圍繞AI賦能半導(dǎo)體測(cè)試形成諸多行業(yè)共識(shí)，為技術(shù)后續(xù)應(yīng)用與探索指明方向：

數(shù)據(jù)前饋與數(shù)據(jù)協(xié)同是測(cè)試優(yōu)化的核心

此前行業(yè)內(nèi)關(guān)于數(shù)據(jù)前饋的探討多為假設(shè)性內(nèi)容，如今相關(guān)解決方案已具備實(shí)際落地可行性，甚至可在跨地域的多場(chǎng)地運(yùn)營(yíng)場(chǎng)景中實(shí)現(xiàn)；整合各類測(cè)試環(huán)節(jié)的數(shù)據(jù)，不僅能優(yōu)化芯片測(cè)試流程，還能為異構(gòu)集成封裝提供助力，實(shí)現(xiàn)更優(yōu)的芯片匹配，提升芯片性能、降低功耗，甚至為異構(gòu)集成器件提供分級(jí)依據(jù)。

AI與機(jī)器學(xué)習(xí)在半導(dǎo)體測(cè)試領(lǐng)域仍處于發(fā)展初期

目前行業(yè)內(nèi)各團(tuán)隊(duì)均在嘗試使用相關(guān)模型，探索其最佳應(yīng)用場(chǎng)景，其中數(shù)據(jù)前饋是現(xiàn)階段最具價(jià)值的應(yīng)用方向之一；當(dāng)前相關(guān)技術(shù)工具與算力已基本具備，行業(yè)可進(jìn)一步探索更多提升良率、縮短測(cè)試時(shí)間、提高芯片產(chǎn)品利潤(rùn)的新方法。

芯片匹配（Die Matching）是行業(yè)下一階段重點(diǎn)探索方向

芯粒封裝中的芯片匹配技術(shù)，若能實(shí)現(xiàn)芯片最優(yōu)匹配，可有效避免多芯片封裝中良率的乘數(shù)效應(yīng)損耗，雖目前暫無具體落地案例，且存在一定技術(shù)難點(diǎn)，但相關(guān)技術(shù)研究一直在持續(xù)推進(jìn)，整個(gè)行業(yè)均在為之努力。