AI/ML 在设计和测试中的浸染赓续扩大_测试_数据

本文由半导体家当纵横（ID：ICVIEWS）编译自semiengineering

AI 和 ML在哪里最有效，它将如何影响从设计到测试的韶光依旧模糊。

人工智能和机器学习在测试中的浸染日益增强，节省了大量韶光和金钱，超出了最初的预期。
但它并不是在所有情形下都有效，有时乃至会毁坏经由充分测试的流程，投资回报率也值得疑惑。

人工智能的一大吸引力在于它能够对大型数据集进行剖析，而这些数据集常日受到人类能力的限定。
在关键的设计到测试领域，人工智能可以办理诸如设计设置、仿照和 ATE 测试程序之间的工具不兼容等问题，这些问题常日会减慢调试和开拓事情。
设计到测试中最耗时和最昂贵的一些方面源于工具之间的不兼容性。

Teradyne 首席软件工程师 Richard Fanning 表示：“在设备启动和调试期间，繁芜的软件/硬件交互可能会暴露出多个团队或利益干系者对领域知识的需求，他们可能不熟习彼此的工具。
在这些设置中进行转换，或调试差异所花费的任何韶光都是在花费精力。
我们的工具集针对这一问题，许可所有设置利用同一套源文件，这样每个人都可以确保他们运行的是同一个东西。
”

机器学习和人工智能剖析也可以减轻工程中一些单调乏味的事情。
人们常常担心人工智能将取代工人，这种担忧被浮夸了。
大多数工人只是转向更高等别的职责，将人工智能作为他们武器库中的新工具。
但这种工具会在它能产生最大影响的地方利用，这可能包括从设计到制造流程的多个环节。
然而，流程中某一部分的数据如何以及在何处与流程中其他部分的数据进行交互可能会有很大差异，这便是该行业谨慎行事的缘故原由。

Synopsys EDA 集团总经理 Shankar Krishnamoorthy 表示：“天生式 AI 开辟了许多新机遇。
但你须要明确自己想要做什么。
除非你能用精确的提示指示 LLM，否则你得到的只是胡言乱语。
除非你是一名精良的工程师，知道如何看待 LLM 的输出，否则你很随意马虎接管有缺陷的东西，或者性能不佳的东西，然后你交付的芯片就很差。
因此，AI 不会成为每个工程师的超级助手，帮助他们完成几年前三到五倍的事情。
但这项技能正在迅速发展。
”

这绝不会削弱工程团队的浸染，工程团队对付加速从设计到测试的过程、辅导和验证 ML 模型以及验证系统是否按预期运行仍至关主要。
西门子数字工业软件技能支持高等总监 Ron Press 在最近的 MEPTEC 活动演讲中表示：“人工智能有一些很棒的功能，但它实际上只是一种工具。
我们仍旧须要工程创新。
有时人们会写关于人工智能将如何夺走所有人的事情，我完备不这么认为。
我们的设计更繁芜，设计规模也更大。
我们须要利用人工智能作为一种工具，以更快的速率完成同样的事情。
”

只管如此，它确实为工程师供应了一种可能强大的新工具，用于识别潜在问题和管理失落控的繁芜性。

Advantest ACS 数据剖析平台组业务开拓高等总监 Ken Butler 表示：“随着我们不断推进这一技能曲线，我们必须采取的剖析和打算根本举动步伐变得越来越繁芜，你希望能够以最少的过度投入做出精确的决策。
在某些情形下，我们会根据芯片类型定制测试办理方案。
”

面对不断缩小的工艺窗口和最低的许可毛病率，芯片制造商不断改进从设计到测试的流程，以确保在设备启动和大批量生产期间实现最高效率。
Advantest 的 Butler 表示：“测试操作中的剖析并不是什么新鲜事。
这个行业剖析测试数据和做出产品决策的历史已经超过 30 年。
现在的不同之处在于，我们正在转向越来越小的几何形状、前辈的封装技能和基于芯片的设计。
这匆匆使我们改变我们所做的剖析类型的性子，包括软件和硬件根本举动步伐方面。
但从生产测试的角度来看，我们在 AI 和测试方面的旅程还处于早期阶段。
”

只管如此，早期采取者正在构建在线打算和 AI/ML 建模所需的根本举动步伐，以支持测试单元中的实时推理。
而且由于没有一家公司拥有所需的所有专业知识，因此在开拓互助伙伴关系和运用程序库时，会考虑到工具之间的兼容性。

Teradyne 公司的 Fanning 表示：“协议库供应了用于通信通用协议的现成办理方案。
这减少了设备通信的开拓和调试事情量。
我们曾见过测试工程师卖力与新协议接口对话的情形，利用此功能可以节省大量韶光。
”

事实上，数据兼容性是一个始终不变的主题，从设计一贯到 ATE 硬件和软件的最新发展。
“随着设备繁芜性呈指数级增长，在特性剖析和生产之间利用相同的测试序列已成为关键，”Teradyne 的 Fanning 阐明道。
“与 EDA 工具和 IP 供应商的互助也是关键。
我们与行业领导者进行了广泛的互助，以确保他们输出的库和测试文件是我们的系统可以直策应用的格式。
这些工具还具有我们的工具集所没有的设备知识。
这便是远程连接功能如此主要的缘故原由，由于我们的互助伙伴可以供应在生产调试期间功能强大的高下文特定工具。
能够实时利用这些工具而无需在不同环境中重现设置或用例，这改变了游戏规则。
”

但是，如果所有配置变动看起来都发生在测试端，那么就须要评估多核设计测试方法中的重大变革。

对付多核产品而言，测试设计（DFT）迭代过程中的权衡变得十分主要，因此有必要采取一种新方法。

“如果我们看看当今设计的范例组合办法，就会创造有多个内核将在不同韶光生产，”西门子的 Press 说道。
“您须要知道要用多少个 I/O 引脚来获取扫描通道，测试仪的深度串行存储器将通过 I/O 引脚将数据传送到内核。
因此，我须要权衡许多变量。
我有通向内核的引脚数、模式大小和内核的繁芜性。
然后，我将考试测验找出在所谓的分层 DFT 中一起测试的最佳内核组合。
但随着这些设计变得越来越繁芜，内核数量将超过 2,500 个，须要权衡很多成分。
”

Press 指出，运用相同架构的 AI 可以供应 20% 到 30% 的更高效率，但基于分组扫描测试的改进方法（见图 1）实际上更故意义。

图1：串行扫描网络（SSN）方法的上风。
来源：西门子EDA

“测试通道不再将数据馈送到每个核心的扫描通道，而是通过分组总线和数据包馈送到所有核心。
然后，您可以指示核心何时可以利用其数据包信息。
通过这样做，您无需权衡那么多变量，”他说。
在核心级别，每个核心都可以针对任意数量的扫描通道和模式进行优化，并且 I/O 引脚数不再是打算中的变量。
“然后，当您将其放入终极芯片时，它会从数据包中供应该核心所需的数据量，这些数据可以与任何大小的串行总线合营利用，这便是所谓的串行扫描网络 (SSN)。
”

西门子 EDA 客户报告的一些结果（见图 2）强调了监督和无监督机器学习的履行，以提高诊断分辨率和故障剖析。
利用串行扫描网络方法，DFT 生产力提高了 5 到 10 倍。

图2：利用机器学习和串行扫描网络方法实现的效益。
来源：西门子EDA

在从设备设计到测试的过渡过程中，机器学习算法的运用可以带来许多好处，从更好地匹配芯片性能以用于高等封装，到缩短测试韶光。
例如，可能只有一小部分高性能设备须要进行老化测试。

NI/Emerson 测试与丈量研究员 Michael Schuldenfrei 表示：“您可以识别晶圆上的划痕，然后在晶圆分类过程中自动筛选出划痕周围的芯片。
因此，AI 和 ML 听起来都是非常棒的想法，而且在很多运用中利用 AI 都是故意义的。
最大的问题是，为什么它没有真正频繁和大规模地发生？答案在于构建和支配这些办理方案的繁芜性。
”

Schuldenfrei 总结了机器学习生命周期中的四个关键步骤，每个步骤都有各自的寻衅。
在第一阶段，即培训阶段，工程团队利用数据来理解特定问题，然后构建一个模型，该模型可用于预测与该问题干系的结果。
一旦模型得到验证并且团队想要将其支配莅临盆环境中，就须要将其与现有设备（如测试仪或制造实行系统(MES)）集成。
模型也会随着韶光的推移而成熟和发展，须要频繁验证输入模型的数据并检讨模型是否按预期运行。
模型还必须适应，须要重新支配、学习、行动、验证温柔应，形成一个连续的循环。

“这花费了数据科学家的大量韶光，他们卖力在其组织中支配所有这些基于AI的新办理方案。
在他们试图访问精确的数据、组织数据、将所有数据连接在一起、理解数据，并从中提取故意义的特色时，也摧残浪费蹂躏了韶光，”Schuldenfrei 说道。

在分布式半导系统编制造环境中，环球各地分布着许多不同的测试机构，这带来了更多困难。
“当你完成 ML 办理方案的履行时，你的模型已经由时了，你的产品可能不再是前沿技能，因此当模型须要做出决定时，它已经失落去了可操作性，而这个决定实际上会影响特定设备的装箱或处理，”Schuldenfrei 说。
“因此，在具有大量半导体测试的生产环境中支配基于 ML 的办理方案绝非易事。
”

他引用了 2014 年谷歌的一篇文章，该文章指出，机器学习代码开拓部分是全体过程中最小也是最大略的部分，而构建根本举动步伐、数据网络、特色提取、数据验证和管理模型支配的各个方面则是最具寻衅性的部分。

从设计到测试的变革会波及全体生态系统。
西门子表示：“从事 EDA 的职员在设计规则检讨 (DRC) 方面投入了大量精力，这意味着我们正在检讨我们所做的事情和设计构造是否可以安全地连续进行。
这对付人工智能来说非常主要——我们称之为可验证性。
如果我们运行某种类型的人工智能并给我们一个结果，我们必须确保这个结果是安全的。
这确实会影响到从事设计的职员、DFT 组和测试工程职员，他们必须采取这些模式并运用它们。
”

有许多基于 ML 的运用程序可用于改进测试操作。
Advantest 的 Butler 重点先容了客户最常追求的一些运用程序，包括缩短搜索韶光、shift left测试、缩短测试韶光和芯片配对（见图 3）。

“对付最小电压、最大频率或微调测试，您方向于为搜索设置下限和上限，然后您将在那里进行搜索，以便能够找到此特定设备的最低电压，”他说。
“这些限定是根据流程划分设置的，它们可能相称宽泛。
但是，如果您拥有可以利用的剖析技能，那么 AI 或 ML 类型的技能基本上可以见告您该芯片在流程频谱中的位置。
大概它是从较早的插入中前馈的，大概您可以将它与当前插入时的操作相结合。
这种推断可以帮助您缩小搜索范围并加快测试速率。
很多人对这个运用非常感兴趣，有些人正在生产中利用它，以减少测试韶光密集型测试的搜索韶光。
”

图3：利用ACS平台对设备进行配对或分类，以提高产量、吞吐量、可靠性或降落本钱的实时和/或测试后改进机会。
来源：Advantest

“shift left（左移）背后的想法可能是，我的下贱测试插入本钱非常高，或者封装本钱很高，”Butler 说。
“如果我的良率达不到我想要的水平，那么我可以在早期插入时利用剖析，通过在早期插入时进行剖析，考试测验预测哪些设备在后期插入时可能会涌现故障，然后降级或报废这些芯片，以优化下贱测试插入，提高良率并降落总本钱。
测试韶光的减少非常大略，便是增加或删除测试内容，跳过测试以降落本钱。
或者你可能想增加测试内容来提高良率，”Butler 说。

“如果我有一个多层设备，它不会通过 bin 1 标准——但如果我添加一些额外的内容，它可能会通过 bin 2——那么人们可能会查看剖析来考试测验做出这些决定。
末了，在我看来，有两件事是结合在一起的，即芯片设计和智能配对的想法。
以是经典的例子是处理器芯片上堆叠了高带宽内存。
大概我对某些运用的高性能和低功耗感兴趣，我希望能够匹配内容并在芯片通过测试操作时对其进行分类，然后不才游进行拾取和放置，并将它们放在一起，以便最大限度地提高多个数据流的产量。
例如，低功耗足迹和碳足迹也有类似的事情。
”

在谈论人工智能在半导体领域的浸染时，不可避免地会涌现一个问题，那便是像 ChatGPT 这样的大型措辞模型是否能对在晶圆厂事情的工程师有用。
早期的研究显示出了一些希望。

“例如，您可以哀求系统为您构建一个非常值检测模型，该模型会查找间隔中央线 5 个西格玛的部件，并说‘请为我创建脚本’，系统就会创建脚本。
这些是我们已经在考试测验的基于自动化、天生式 AI 的办理方案，”Schuldenfrei 说。
“但从我目前看到的统统来看，要让这些系统供应足够高质量的输出，还有相称多的事情要做。
目前，事后修复活成式 AI 产生的算法或模型的问题所需的人机交互量仍旧相称大。
”

一个挥之不去的问题是，当每个人都保护主要的测试 IP 时，如何访问演习新测试程序所需的测试程序？“大多数人重视他们的测试 IP，不一定想在演习和利用过程中设置护栏，”Butler 说。
“因此，找到一种在保护 IP 的同时加速开拓测试程序的总体过程的方法是一个寻衅。
很明显，这种技能将得到运用，就像我们在软件开拓过程中已经看到的那样。
”

故障剖析对付晶圆厂来说常日是一项本钱高昂且耗时的事情，由于它须要追溯过去，网络特定故障设备的晶圆加工、组装和封装数据，即所谓的退回材料授权 (RMA)。
物理故障剖析在 FA 实验室中进行，利用各种工具来追踪故障的根本缘故原由。

虽然扫描诊断数据已经利用了几十年，但一种较新的方法是将数字孪生与扫描诊断数据配对，以找出故障的根本缘故原由。

“在测试中，我们有一个数字孪生，它可以根据扫描故障诊断进行根本缘故原由反卷积。
因此，我们不必查看物理设备并花韶光试图找出根本缘故原由，由于我们有扫描，我们有数百万个虚拟采样点，”西门子出版社表示。
“我们可以对创建模式所做的事情进行逆向工程，并找出设计深处扫描单元中发生缺点比较的位置。
利用 YieldInsight 和无监督机器学习以及对大量数据进行演习，我们可以非常快速地查明故障位置。
这使我们能够在短韶光内运行数千或数万次故障诊断，让我们有机会识别系统性良率限定成分。
”

另一种越来越盛行的方法是利用片上监视器来访问特定的性能信息，而不是物理故障剖析。
proteanTecs 测试和剖析副总裁 Alex Burlak 表示：“我们须要的是来自封装内部的深度数据，以持续监控性能和可靠性，而这正是我们供应的做事。
例如，如果疑惑故障来自芯片互连，我们可以利用来自片上代理的深度数据来帮助剖析，而不是将设备分开环境并带入实验室（在那里您可能无法重现问题）。
更主要的是，在许多情形下，发回数据而不是设备的能力可以查明问题，从而节省昂贵的 RMA 和故障剖析程序。
”

ATE 社区对 AI 和机器学习的激情亲切得到了强有力的根本举动步伐变革的知足，以知足对测试数据实时推断的需求，以及对多芯片封装的更高产量、更高吞吐量和芯片分类进行优化的需求。
对付多核设计，商业化为串行扫描网络 SSN 方法的分组测试供应了一种更灵巧的方法来优化每个内核，以知足设备中每个内核的扫描链数量、模式和总线宽度需求。

能够从 AI 中获益的测试运用数量不断增加，包括缩短测试韶光、减少 Vmin/Fmax 搜索、shift left、智能配对芯片以及降落整体功耗。
设计、特性和测试中所有设置均利用相同的源文件等新进展有助于加快新产品的关键调试和开拓阶段。

声明：本文系原作者创作。
文章内容系其个人不雅观点，我方转载仅为分享与谈论，不代表我方附和或认同，如有异议，请联系后台。