传感器+机器学习，节省测试时间和成本
发布时间：
2024-08-19 18:13
来源：
传感器的大规模应用和机器学习的发展让集中测试在一些影响力较大的领域成为了可能。
机器学习和集成电路制造设备中结合了更多的传感器，这为晶圆厂和封测代工厂对于针对性测试和更快吞吐量创造了新的可能性。
这种做法的目的是为了提高质量，降低制造复杂芯片的成本。在这种关键的节点上，制造复杂芯片所需的时间正在增加。随着晶体管数量的增加，更多的芯片被添加到电路板或封装中，这导致了需要更多的时间去测试这些器件，也增加了总体成本，如果测试时间保持不变，就会降低被测设备在其生命周期内的可靠性。
所以，我们有必要区分哪些设备确实需要彻底测试，哪些设备已经在硅材料中得到了充分的验证。这相当于对一个测试套件进行修剪，但是这个需要收集足够有用的数据来进行调用。在过去这很难做到，但是随着更多传感器的参与，生成了更多的数据，我们就可以更细致的查看数据并从中进行有效识别模式。
PDF solutions公司表征解决方案副总裁DenNIs Ciplickas说：“如果能建立一个准确率达到99.99%的模型来预测芯片何时会老化，那么你就可以跳过芯片老化的过程，从而节省成本。”
不管你设定的比例是多少，20%、30%或50%的跳跃率都可以，这将节省老化成本。而且数据越多，预测就越准确。
困难在于如何连接正确的数据来实现这一点。所以如果你所有的数据都在封测代工厂上运行，从晶圆排序、组装，到最后的测试都在那里，你就可以整合所有的数据并从中做出预测。但如果你在不同的地方进行的这些工序，那就必须从多个地点合并数据，这就需要一个系统来做到这一点。”
老化测试用于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共享的，虽然有用，但还不足以消除测试。
Ciplickas说：“最初，数据交换网络背后的初衷是建立一个数据库，这样你就可以看到你的供应链。”“机器学习现在可以让你把许多不同的功能放在一起，来做一些新的事情，比如预测。”所以通过从传感器获得的数据，就可以控制老化成本。下一个步骤是使数据能够以连贯、连接的方式一起流经不同的站点，通过这些来进行预测。”
实际上，这就是一种将全流程的各种组件描述的更加精细，并精确地消除不必要的测试。
OptimalPlus副总裁兼总经理Doug Elder表示：“现在，你可以在进行晶圆排序和最终测试的竖井中连接所有数据源，以确定故障来自何处。你可以减少你的测试集和疑似老化的区域，你也可以运行机器学习算法来修复测试和改进你的方法。”
在过去，在现场实施之后，可能需要几个月或几年的时间才能显现出生产问题。其中一些问题可以通过软件来解决，比如智能手机的天线问题，在技术被取代之前，这些问题一直运行良好。但随着越来越多的芯片被用于工业和汽车应用上，这种方法已经不再适用。
Elder表示：“如果你能在检查中或老化阶段发现这些问题，那么你就能将老化测试时间减少10%到20%。”“这对制造商来说是个很大的数字。在实时情况下，通过查看自适应测试时间的减少量，估测哪些测试没有失败。这样就可以减少测试时间，并且你可以通过一个闭环系统将其添加回测试循环中，该系统可以包含从晶圆排序到最终测试的所有内容。此外，重新测试也会增加我们的额外成本。但在损坏之前，你能重新测试多少次呢?其中一个案例：一个设备被重新测试了17次，直到最终通过测试。” 可以看出，这对正在测试的设备来说并不是好事，既昂贵又耗时。在晶圆厂，每分每秒都有成本。
杭州赛特传感技术有限公司位于风景秀丽的西子湖畔，座落在人材济济的天硅谷杭州高新开发区，是一家具有自主开发和生产能力的企业。
关注我们
sales@ctc-ps.com
在线留言 
