普迪飛（PDF Solutions）用戶大會上，來自愛德萬（Advantest）、泰瑞達（Teradyne）的行業(yè)專家與普迪飛同臺，圍繞半導體先進測試的實際落地案例展開分享與交流，通過具體應用場景詳解人工智能與機器學習在測試流程中的創(chuàng)新應用，拆解技術落地的核心要點與行業(yè)未來探索方向，以下為本次大會核心內(nèi)容回顧。

90%置信度預判終測失效，降低高成本封裝損耗

泰瑞達（Teradyne）Eli Roth

泰瑞達測試產(chǎn)品經(jīng)理Eli Roth帶來機器學習（ML）與高級分析結合的終測（Final Test）失效預測案例，直擊晶圓分選（Wafer Sort）合格但終測失效導致封裝成本浪費的行業(yè)痛點，詳解技術方案與落地價值。

本次案例針對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，核心訴求是進一步提升終測良率，規(guī)避高成本封裝環(huán)節(jié)的無效投入。為解決這一問題，泰瑞達團隊開發(fā)多款機器學習模型，通過聚類算法（Clustering Algorithm）分析晶圓分選海量數(shù)據(jù)，建立模型置信度評估體系，以此預測芯片終測結果；經(jīng)持續(xù)優(yōu)化，模型識別缺陷芯片的置信度最終達到90%，可精準鎖定終測易失效的高風險芯片集群。

在成本與收益的平衡上，團隊通過經(jīng)濟測算綜合權衡，以1.6%的晶圓分選“過殺率（Overkill Rate）”為代價，實現(xiàn)了終測良率1%的顯著提升，該技術在芯粒（Chiplet）應用、已知合格芯片（KGD）等高價值領域，及封裝成本居高不下的場景中具備顯著經(jīng)濟價值。同時該方案落地性極強，適配客戶已定型且不可修改的高產(chǎn)量量產(chǎn)測試程序，無需改動量產(chǎn)程序、無需重新認證，也不會打亂現(xiàn)有測試流程，即可實現(xiàn)良率提升與成本優(yōu)化。

此外，該模型可與普迪飛Exensio平臺集成，借助平臺的模型重訓練、機器學習管線搭建能力，及邊緣計算（Edge Computing）技術支持，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試步驟；模型部署形式靈活，可在主機運行、離線操作，也能在量產(chǎn)測試中在線運行，且支持整合所有測試環(huán)節(jié)數(shù)據(jù)進行分析，挖掘更多應用可能性。

針對本案例的現(xiàn)場問答

Eli Roth分享結束后，現(xiàn)場圍繞模型搭建、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)？

該終測失效預測模型最初基于晶圓分選與終測的一對一關聯(lián)關系設計，本案例并未在各測試環(huán)節(jié)單獨剔除芯片數(shù)據(jù)，而是借助四次晶圓分選的結果疊加分析，實現(xiàn)了更高的預測精度，這一方式讓模型表現(xiàn)超出了通用模型的預期效果，也是本案例的核心優(yōu)勢。

2

除算力基礎設施外，技術落地是否還有難點？

除搭建算力基礎設施支撐運算外，數(shù)據(jù)囤積與數(shù)據(jù)安全是核心難點，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、設置專屬的數(shù)據(jù)訪問權限體系，這些問題的解決難度甚至高于模型搭建本身；同時技術落地不僅是技術挑戰(zhàn)，更是人類的挑戰(zhàn)，本次合作是泰瑞達與客戶的一對一合作，而多方利益相關方的參與會讓問題復雜程度呈指數(shù)級上升。

3

該案例客戶是否有后續(xù)的技術應用規(guī)劃？

該客戶明確希望將該預測技術應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，而半導體行業(yè)的保守性決定了客戶會優(yōu)先尋找能產(chǎn)生明顯正向投資回報的應用場景。本次落地項目將作為后續(xù)優(yōu)化方案的試點，為技術打磨打下基礎，同時該技術針對數(shù)字器件、數(shù)據(jù)中心專用器件、大尺寸器件等領域的行業(yè)痛點，具備廣泛的應用空間。

Vmin智能優(yōu)化技術，兼顧功耗降低與測試時間縮短

愛德萬測試（Advantest）Roberto Colecchia

愛德萬專家?guī)?strong>最小工作電壓（Vmin）優(yōu)化技術的應用分享，針對性解決傳統(tǒng)Vmin測試精度與效率難以兼顧的行業(yè)痛點，為電池供電設備、高性能計算（HPC）領域的測試優(yōu)化提供解決方案。

Vmin測試的核心目標是找到芯片無錯誤穩(wěn)定運行的最低工作電壓，傳統(tǒng)測試方式需對每個芯片核心的供電電壓進行掃頻測試，雖能精準定位Vmin，但因需為每個核心重復執(zhí)行搜索算法，會大幅增加測試時間；而若為芯片所有核心統(tǒng)一設定Vmin，又會造成不必要的功耗浪費。

機器學習技術為這一矛盾提供了解決方案：通過優(yōu)化Vmin搜索窗口，借助機器學習推理預測每顆芯片、每個核心的潛在最小工作電壓，大幅縮小電壓搜索范圍，在保證精度的同時顯著節(jié)省測試時間；同時，為每個核心單獨優(yōu)化最優(yōu)Vmin，能大幅降低芯片整體功耗，這一特性對電池供電的移動設備及高性能計算領域均具有重要價值。

該技術可在晶圓分選與終測環(huán)節(jié)落地，其規(guī)模化應用需具備三大核心要素：

1

實現(xiàn)跨測試環(huán)節(jié)的數(shù)據(jù)前饋，將前序測試數(shù)據(jù)同步至后續(xù)環(huán)節(jié)，為測試提供精準參考；

2

搭建邊緣計算架構，將推理任務卸載至測試設備附近的服務器，保障實時推理與Vmin搜索計算效率；

3

部署云端解決方案，實現(xiàn)模型云端訓練、現(xiàn)場快速部署，同時將測試結果反饋至云端，完成模型重訓練與優(yōu)化，實現(xiàn)量產(chǎn)過程中的模型持續(xù)迭代。

目前該技術在電池供電設備與高性能計算領域需求旺盛，已成為行業(yè)核心的測試優(yōu)化方案。

針對本案例的現(xiàn)場問答

愛德萬專家分享結束后，現(xiàn)場圍繞技術落地實操、難點、未來探索方向等問題展開針對性提問，核心問答內(nèi)容如下：

1

技術在實際量產(chǎn)落地過程中遇到的核心挑戰(zhàn)是什么？

技術落地難度核心取決于客戶現(xiàn)有的基礎設施水平，若客戶擁有端到端的基礎設施，能實現(xiàn)云端、測試現(xiàn)場服務器與測試設備的互聯(lián)互通，落地過程會非常順暢；若客戶僅有基礎邊緣計算方案，且模型更新需人工操作，無法實現(xiàn)實時更新，只能定期批量更新，落地難度會大幅增加。同時，為跨場地運營的客戶落地該技術，會進一步增加問題的復雜性。

2

預測縮小Vmin搜索窗口時，核心參考哪些參數(shù)？

Vmin優(yōu)化模型可挖掘利用數(shù)十萬個參數(shù)，其中靜態(tài)工作電流（IDDQ） 是核心參數(shù)，會對芯片不同模塊的電流進行大量測量，為預測提供關鍵參考；同時還需整合其他芯片級數(shù)據(jù)，包括電壓測量數(shù)據(jù)、前序測試環(huán)節(jié)的電流與電壓數(shù)據(jù)，及同一測試環(huán)節(jié)中不同模塊的測試數(shù)據(jù)等。

3

是否有企業(yè)對該技術的收益進行量化測算？

該技術的核心收益體現(xiàn)在芯片功耗降低上，功耗降低可節(jié)省電量、延長電池續(xù)航，企業(yè)也可因此提升產(chǎn)品溢價、獲得更高利潤，同時測試時間的縮短也能降低生產(chǎn)成本，只要選對應用場景，該技術能實現(xiàn)雙贏，是降本提質的優(yōu)質方案。

4

大規(guī)模多站點測試程序中，如何優(yōu)化Vmin測試的吞吐量？

目前在大規(guī)模多站點測試程序中，存在部分站點吞吐量提升、部分站點仍速度較慢的問題，多站點Vmin測試的吞吐量優(yōu)化，仍是該技術現(xiàn)階段需要攻克的核心難題。

5

5.該技術后續(xù)的核心探索方向是什么？

Vmin優(yōu)化技術的應用邊界將向左移測試（Shift Left）延伸，不再僅僅聚焦于降低芯片功耗，還會通過分析早期測試數(shù)據(jù)，找到與后續(xù)芯片報廢相關的關聯(lián)規(guī)律，提前發(fā)現(xiàn)失效風險，進一步降低生產(chǎn)損耗。

現(xiàn)場觀眾提問環(huán)節(jié)

關于技術拓展與平臺支撐相關問題

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

1.終測失效預測與Vmin優(yōu)化技術，是否可應用于射頻（RF）行業(yè)？

本次分享的兩個模型均未針對射頻器件開發(fā)，但市場上已有企業(yè)將類似方法應用于射頻器件測試；Vmin優(yōu)化技術的核心是基于搜索的應用方案，可適配射頻測試中尋找最優(yōu)工作頻率等包含搜索環(huán)節(jié)的高頻射頻測試場景，利用晶圓分選數(shù)據(jù)預測射頻測試結果，具備可觀的應用價值。

2.低Vmin芯片在傳統(tǒng)標準額定Vmin下運行，是否能提升使用壽命？

目前暫無明確答案，要驗證這一問題，需開展芯片全生命周期的可靠性測試，這也是一項極具價值的實驗；普迪飛數(shù)據(jù)前饋解決方案中設計的保留組功能或可解答該問題，該功能通過專門字段標記部分器件、晶圓或批次，其數(shù)據(jù)僅用于下游模型驗證不參與訓練，且對該部分芯片執(zhí)行標準測試程序，可通過對比機器學習推理測試與標準測試的芯片，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平臺作為面向半導體測試行業(yè)的標準化智能平臺，已規(guī)劃內(nèi)置模型漂移檢測、自動重訓練等核心能力，相關功能即將正式上線。當前行業(yè)內(nèi)同類解決方案多為企業(yè)針對單一需求搭建的零散定制化方案，而Exensio平臺憑借可擴展的標準化架構，將徹底解決這一行業(yè)痛點，為這類先進測試場景提供更高效、可復用的技術底座。

4.檢測到模型漂移后，重新部署的難度及平臺應對方案是什么？

AI模型需定期重訓練與更新，重新部署的難度主要取決于所使用的平臺；Exensio AI Studio平臺已搭建面向公共的容器倉庫，可對接任意云服務商，模型更新后可上傳至該倉庫，再下發(fā)至各遠程測試現(xiàn)場完成部署，該過程依托容器編排技術實現(xiàn)，技術難度較低。

模型部署的核心難點在于配置管理，需精準記錄每顆芯片對應的模型版本、跟蹤全流程的數(shù)據(jù)血緣，同時還需滿足行業(yè)合規(guī)要求，實現(xiàn)測試方法的長期追溯，而Exensio平臺的一體化解決方案，能更好地解決此類問題。

數(shù)據(jù)協(xié)同成關鍵，技術仍處于初期探索階段

核心觀點

本次大會中，各位嘉賓圍繞AI賦能半導體測試形成諸多行業(yè)共識，為技術后續(xù)應用與探索指明方向：

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

此前行業(yè)內(nèi)關于數(shù)據(jù)前饋的探討多為假設性內(nèi)容，如今相關解決方案已具備實際落地可行性，甚至可在跨地域的多場地運營場景中實現(xiàn)；整合各類測試環(huán)節(jié)的數(shù)據(jù)，不僅能優(yōu)化芯片測試流程，還能為異構集成封裝提供助力，實現(xiàn)更優(yōu)的芯片匹配，提升芯片性能、降低功耗，甚至為異構集成器件提供分級依據(jù)。

AI與機器學習在半導體測試領域仍處于發(fā)展初期

目前行業(yè)內(nèi)各團隊均在嘗試使用相關模型，探索其最佳應用場景，其中數(shù)據(jù)前饋是現(xiàn)階段最具價值的應用方向之一；當前相關技術工具與算力已基本具備，行業(yè)可進一步探索更多提升良率、縮短測試時間、提高芯片產(chǎn)品利潤的新方法。

芯片匹配（Die Matching）是行業(yè)下一階段重點探索方向

芯粒封裝中的芯片匹配技術，若能實現(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)效應損耗，雖目前暫無具體落地案例，且存在一定技術難點，但相關技術研究一直在持續(xù)推進，整個行業(yè)均在為之努力。