本文由半導體產業縱橫（ID：ICVIEWS）編譯自3dincites

利用人工智能進行半導體測試創新，將能夠共享與良率、覆蓋率和成本息息相關的真實數據。

雖然人工智能在半導體設計和制造領域取得了重大進展，但半導體測試是“下一個前沿”，它是設計與制造之間的橋梁，解決了傳統分離領域之間模糊的界限。

更具體地說，通過連接設計和制造，測試可以幫助產品和芯片公司更快地生產出更好、更便宜的產品。隨著這些領域之間的界限變得越來越模糊——尤其是在先進封裝和異構集成領域——測試為產品的架構和設計方式提供了必要的驗證和反饋。

利用人工智能進行半導體測試創新，將能夠共享與良率、覆蓋率和成本息息相關的真實數據。這可以歸結為三個突出這些挑戰的趨勢：3D創新、全球分布式供應鏈以及AI for AI。

3D領域的創新體現在三維晶體管方面，例如環繞柵極技術(Gate All Around)或3D互連技術，以及3D芯片堆疊技術。實際上，芯片系統正在成為一個子系統。

在技術因素的推動下，供應鏈正變得更加全球化。從根本上說，集成或異構集成需要一條覆蓋從基板到芯片、電阻器、服務和制造的全球分布式供應鏈。此外，地緣政治因素也帶來了挑戰。

“AI for AI”指的是對AI技術的需求來自消費領域。由于芯片性能更強、算法更優，AI得到了進一步發展，這使得在AI的生產地——半導體制造和測試——使用AI變得更加容易。

圖1：三大趨勢正在重塑半導體行業。來源：PDF Solutions

先進而靈活的測試策略對于滿足日益增長的芯片性能和可靠性需求以及設計與制造之間的橋梁至關重要。

人工智能在半導體測試中面臨的獨特挑戰

將人工智能應用于半導體測試正在迅速改變我們所知的格局，既帶來了技術挑戰，也帶來了創新機遇。

多種因素使得人工智能在半導體測試中的應用尤為具有挑戰性，首先是復雜的異構數據。測試數據格式各異，包括參數讀數、通過/未通過結果、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量，這會帶來一系列挑戰。此外，由于高風險的錯誤發生率需要持續監控和調整，模型維護需求也隨之增加。

邊緣、服務器或云實施的復雜部署場景可能會影響響應速度，同時由于半導體測試數據高度敏感且專有，安全問題也不容忽視。先進的封裝技術又增加了一層復雜性，需要追蹤來自多個晶圓的單個芯片以及來自不同來源的分立元件。

圖2：多種因素使得AI在半導體測試中的應用充滿挑戰。來源：PDF Solutions

測試領域中一些前景光明的人工智能應用有望解決至少部分挑戰。這些應用包括自適應測試，可根據上游測試結果修改測試流程；以及系統分級，將行為相似的芯片組合匹配以實現最佳性能。預測分級可以及早發現潛在故障，從而節省下游成本。用于平衡全面測試和成本約束的系統級測試(SLT)也越來越受歡迎。

一些來自測試時間縮短示例的實際數據展現了人工智能在測試領域的應用前景。通過使用機器學習(ML)根據早期測試結果預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量影響。ML解決方案并非100%完美——一些測試在實施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——其效用因測試和產品特性而異。

挑戰依然存在

業內需要進一步探索在復雜分布式供應鏈中構建有效的制造監控系統。它應該從小處著手，從有限的數據采樣中學習，以確定何時停止建模并開始推理，尤其是在小批量產品的情況下。跨工廠和跨設計學習是將人工智能模型在產品和制造現場之間遷移的必備條件。最后，平衡人工智能和人類專業知識將有助于找到自動化和人工指導決策的正確組合。

測試用人工智能是半導體創新的下一個前沿，它融合了數據、模型和基礎設施。要取得成功，需要了解半導體制造過程中固有的空間和時間差異，并創建跨全球分布式供應鏈的互聯數據視圖。最佳方法是將人工智能視為一個生命周期挑戰——既要關注上游的設計，也要關注下游的現場操作。

隨著半導體行業通過先進封裝和異構集成不斷提升復雜性，人工智能測試將在這一新領域中，在確保質量的同時控制成本，并成為連接設計與制造的橋梁，變得日益重要。

聲明：

本號對所有原創、轉載文章的陳述與觀點均保持中立，推送文章僅供讀者學習和交流。文章、圖片等版權歸原作者享有，如有侵權，聯系刪除。