尽早确定芯片性能规格可以缩短工艺成熟所需的时间，并降低制造中的总体测试成本。
在半导体下线时测试半导体的性能和功率流程的进步，扭转了在发货前评估芯片的长期趋势。虽然这听起来很简单，但这是一个艰巨的挑战，如果成功，将对整个设计到制造流程产生广泛的影响。
制造商通常在发货前对芯片进行分级。并非所有芯片都是一样的，而且这种差距通常会随着新制造工艺的引入而扩大。减少误差和推动流程成熟需要时间。过去，晶圆厂会在新工艺中考虑到这一点。但是，由于添加到先进芯片中的新功能数量已经将它们推到了标线的大小之外。因此，尽早识别任何潜在的缺陷或不规则性至关重要，它们可能会影响这些日益复杂和昂贵的芯片的生命周期。
同时，这些数据可用于微调新工艺，以更快地提高产量。它还可用于提高测试效率，而测试效率一直受到晶圆厂和最终客户的压力。过去，测试成本被牢牢固定在芯片制造总成本的2%至2.5%。这些数字一直在稳步增长，原因如下： 芯片变得越来越复杂，在先进节点上测试它们也更加困难。它们需要更多时间在整个流程的多个插入点进行测试、检查和计量。
另外，测试探针需要定制，每个新设计的测试需要更多的探针，这进一步增加了成本。 对可靠性的需求，特别是在任务关键型和安全关键型应用中，需要更高的测试覆盖率。 测试设备本身的复杂性不断增加，需要更多的设备来完成工作。有更多的传感器、人工智能/机器学习来分析这些传感器生成的数据，以及更多的整体测试，因为每个芯片有更多的功能，每个封装有更多的芯片。
“我们正在研究的是如何优化整个价值链，特别是当你有更复杂的问题需要解决2.5D和3D设备，异构集成在一个封装中，并且你无法访问该封装中的所有内容，”爱德万测试美国应用研究和技术副总裁Ira Leventhal说。“对于 HPC 设备，您会发现测试成本从传统的收入 2.5% 上升到 3% 或 4%。那么如何才能恢复呢？你不能只是不断地添加测试。
与其看每一次插入，不如问：“我在这里做什么，如何优化它们？从长远来看，并行做更多的事情是解决这个问题的唯一途径。”,更早的数据和更好的反馈可以帮助以其他方式直接或间接地抵消这些成本。
“我们看到从经典的基于性能的分级越来越多地转向基于应用程序的分级，”Leventhal 说。“过去，设备要简单得多。它们被映射到非常具体的应用程序中。现在，有了AI芯片，你可能会有很多应用。它们的设备中有许多不同的单元和多个内核，因此将该设备与应用程序的分档变得比处理器芯片的速度分档复杂得多。更具预测性的模型将真实地告诉您这些设备可以持续使用多长时间。”,其中大部分内容越来越针对特定领域，这只会增加复杂性。对于一种应用或使用模型来说足够好的东西在另一种应用或使用模型中可能会非常不同，其中预期寿命可能更长或更短，规格可能更宽松或更严格。
NI首席解决方案营销人员 James Guilmart 表示：“这确实不仅仅是查看参数数据和通过/失败标准就能够实现。”“这更多的是关于复杂的动力学和多变量分析，这种独特的组合已经接近边缘，当我们查看这些更先进的特定于应用程序的应用时，将需要更多的多变量分析来更精细地对这些芯片进行分类，以了解它们在现场的表现如何。然后，您需要确保这符合该设备的预期用例。”,定制测试过程
所有这些步骤也都需要花钱，无论是因为测试花费更多时间，整个制造过程中插入点更多，还是需要新设备来探测更多芯片并评估结果。
关键始终在于插入的目标是什么，”Teradyne 战略应用软件解决方案经理 Michelle Evans说道。“根据设备的类别，您可以在一次插入过程中进行中间合并。并且您可以进行条件分支。对于移动应用程序处理器，您可以将它们分到不同的阶段。”如今，移动应用处理器就做到了这一点。然而，当你进入医疗领域时，那就是另一种不同的分类。它要么有效并满足要求，要么不有效。
随着芯片被组合在一个封装中，这变得更具挑战性。引线并不总是暴露的，这就是为什么人们对片上监控的遥测类型数据如此感兴趣。首先是挑战提取必要的数据，然后能够在整个流程的适当点使用它。
proteanTecs测试和分析副总裁 Alex Burlak 表示：“在测试仪上，您需要正确的信息来帮助您决定和执行分档策略”。“您分档所依据的物理测量参数是什么？这就是我们的代理组合的用武之地。您需要从芯片内的多个位置对芯片内的参数数据、晶体管工艺分级、泄漏特征、RC 延迟、实际逻辑路径的路径延迟等有精细的可视性。这种方法可以在比现在更早的阶段提供准确的性能分级——甚至在晶圆分类时也是如此。这是每个芯片在线完成的。这意味着您现在可以保留模具库而不是成品库存。您可以在选择封装之前进行分类，您可以根据此数据配对性能相似的芯片。”,仅仅因为芯片/小芯片在集成到封装中之前通过了测试，并不意味着它们在封装密封后将保持良好状态。
“芯片可以单独测试，但封装和互连部分从未测试过，但它存在于最终产品中，”Teradyne 的 Evans 说。“第一步是消除严重缺陷，然后进入关键任务领域。如果它处于最高速度、最高功率或任何使其成为关键任务的部件的标准，您首先要对其进行测试。这使您可以创建我所说的“真值表”。您已经创建了一个中间标志，允许您继续或走流程中的不同路线，所有这些都在一次插入中完成。总会有一些条件分支。”,在系统中进行测试
并非所有内容都必须以最佳性能运行。随着先进封装成为前沿设计的标准，一些新方法正在被催生。
“考虑这个问题的传统方法是，您不想将高速部件和低速部件放入两芯片模块中，因为您会受到最差部件的限制，”高级工程师 Mark Laird 说道。Synopsys的资深应用工程师。“但我也看到了一个更有趣的用例，他们关心总功率。因此，您试图平衡同一模块上的高功率和低功率，都是一种不同的优化。”,这里的转变是性能和功耗的系统级视图，而不是单个芯片。我们正在使用 Vmin数据集，但不仅仅是预测ATE 上的V min 。我们还在系统中进行预测，因为ATE 与 SLT 测试仪上的Vmin可能会有相当大的变化。有时 ATE 的 V min 值会低于SLT，但我也看到过 V min 值更高在 SLT 上，因此它取决于产品。您可以为台式机和服务器使用相同的部件，但是它们将具有不同的封装，这两种产品的引脚排列不同。您希望能够预测晶圆分类时的最终分级，然后将该数据转发给我们说，我认为这不仅会是服务器部件，而且是服务器部件的分类——例如，高速服务器部件，莱尔德说。
使用更好的数据实现自动化
所有这一切的基础是向更好的数据转变，以及利用这些数据的更好方法。EDA 供应商一直在与代工厂和设备制造商合作，统一从概念到现场的数据。这种端到端数据流现在开始整合来自各个工艺步骤的数据，基本上将 DFT 和其他工艺从实验室转移到晶圆厂再到现场。从测试的角度来看，最大的转变是从一开始就制定良好的测试计划，因为许多前沿设计都是高度定制的且极其复杂。例如，任何元件中的时序不匹配都可能对封装中其他元件的性能产生广泛影响。然而，一旦解决了所有问题并设置了参数，那么测试过程的其余大部分都可以自动化。
NI 的 Guilmart 表示：“尽管查看这些变量时很复杂，但一旦理解了它，添加了历史背景，并知道数据指向什么，那么它就会变得自动化。”“关键推动因素之一是数据模型。我们如何获取这些数据以及如何存储它？我们的数据模式的结构是什么？我们确实优先考虑产品的生命周期。对于每个芯片，您希望将所有数据流及其经历的数据和测试结果关联起来。您拥有它的整个生产过程数据。当我们获得最终测试数据并开始分析它并寻找偏差时，我们可以将所有这些放在一起并开始对它们进行聚类并开始找出导致异常的原因。”,反过来，这些数据与片上/封装内数据集成，以提供芯片在晶圆厂、封装内部以及最终在现场的行为的可见性。其中一些与proteanTecs的Burlak所谓的“边缘库”有关，后者是可以集成到测试程序中的软件。所有的建模和分析都是在分析平台中完成的。我们的边缘库部署在ATE上，处理来自代理的所有信息和其他客户数据，运行模型，并在芯片仍在测试仪上时预测什么是正确的芯片。
结论
在制造过程中尽早进行分档是提高可靠性和降低测试成本的重要一步。但这只是可靠性等式的一个方面，其中还包括计量和检测。评估芯片在特定应用和易于理解的用例中随时间推移的行为变化，大大增加了成功实施和可靠性能的机会。
Advantest 的 Leventhal 说，“现在，我们正在进一步预测影响可靠性的因素。这不是一个容易解决的问题。你需要预先做好基础工作，收集这些数据并将其整合在一起，然后能够利用这些信息为你带来优势并对其进行预测。”,对于设备制造商和芯片公司来说，这带来了许多新的机遇。随着各地的复杂性不断增加，理解交互和正确解释大量数据的能力正在迫使更多的自动化和设备升级。对于芯片制造商以及整个制造和封装生态系统来说，成功的数据集成可以为显著提高设备质量、稳定多个流程的成本以及减少现场故障。
