半导体测试，是“下一个前沿”-电子发烧友网

本文由半导体产业纵横（ID：ICVIEWS）编译自3dincites

利用人工智能进行半导体测试创新，将能够共享与良率、覆盖率和成本息息相关的真实数据。

虽然人工智能在半导体设计和制造领域取得了重大进展，但半导体测试是“下一个前沿”，它是设计与制造之间的桥梁，解决了传统分离领域之间模糊的界限。

更具体地说，通过连接设计和制造，测试可以帮助产品和芯片公司更快地生产出更好、更便宜的产品。随着这些领域之间的界限变得越来越模糊——尤其是在先进封装和异构集成领域——测试为产品的架构和设计方式提供了必要的验证和反馈。

利用人工智能进行半导体测试创新，将能够共享与良率、覆盖率和成本息息相关的真实数据。这可以归结为三个突出这些挑战的趋势：3D创新、全球分布式供应链以及AI for AI。

3D领域的创新体现在三维晶体管方面，例如环绕栅极技术(Gate All Around)或3D互连技术，以及3D芯片堆叠技术。实际上，芯片系统正在成为一个子系统。

在技术因素的推动下，供应链正变得更加全球化。从根本上说，集成或异构集成需要一条覆盖从基板到芯片、电阻器、服务和制造的全球分布式供应链。此外，地缘政治因素也带来了挑战。

“AI for AI”指的是对AI技术的需求来自消费领域。由于芯片性能更强、算法更优，AI得到了进一步发展，这使得在AI的生产地——半导体制造和测试——使用AI变得更加容易。

图1：三大趋势正在重塑半导体行业。来源：PDF Solutions

先进而灵活的测试策略对于满足日益增长的芯片性能和可靠性需求以及设计与制造之间的桥梁至关重要。

人工智能在半导体测试中面临的独特挑战

将人工智能应用于半导体测试正在迅速改变我们所知的格局，既带来了技术挑战，也带来了创新机遇。

多种因素使得人工智能在半导体测试中的应用尤为具有挑战性，首先是复杂的异构数据。测试数据格式各异，包括参数读数、通过/未通过结果、图像等，且来源多样。诸如分箱和芯片匹配等多样化用例要求降低成本并提高质量，这会带来一系列挑战。此外，由于高风险的错误发生率需要持续监控和调整，模型维护需求也随之增加。

边缘、服务器或云实施的复杂部署场景可能会影响响应速度，同时由于半导体测试数据高度敏感且专有，安全问题也不容忽视。先进的封装技术又增加了一层复杂性，需要追踪来自多个晶圆的单个芯片以及来自不同来源的分立元件。

图2：多种因素使得AI在半导体测试中的应用充满挑战。来源：PDF Solutions

测试领域中一些前景光明的人工智能应用有望解决至少部分挑战。这些应用包括自适应测试，可根据上游测试结果修改测试流程；以及系统分级，将行为相似的芯片组合匹配以实现最佳性能。预测分级可以及早发现潜在故障，从而节省下游成本。用于平衡全面测试和成本约束的系统级测试(SLT)也越来越受欢迎。

一些来自测试时间缩短示例的实际数据展现了人工智能在测试领域的应用前景。通过使用机器学习(ML)根据早期测试结果预测哪些组件将通过最终测试，可以省略一些选择性测试，从而降低成本并控制质量影响。ML解决方案并非100%完美——一些测试在实施ML后显示零缺陷，而另一些测试则显示有限的缺陷率。同样，ML并非适用于所有芯片——其效用因测试和产品特性而异。

挑战依然存在

业内需要进一步探索在复杂分布式供应链中构建有效的制造监控系统。它应该从小处着手，从有限的数据采样中学习，以确定何时停止建模并开始推理，尤其是在小批量产品的情况下。跨工厂和跨设计学习是将人工智能模型在产品和制造现场之间迁移的必备条件。最后，平衡人工智能和人类专业知识将有助于找到自动化和人工指导决策的正确组合。

测试用人工智能是半导体创新的下一个前沿，它融合了数据、模型和基础设施。要取得成功，需要了解半导体制造过程中固有的空间和时间差异，并创建跨全球分布式供应链的互联数据视图。最佳方法是将人工智能视为一个生命周期挑战——既要关注上游的设计，也要关注下游的现场操作。