91吃瓜网

半导体测试工程师通常必须等到整个晶圆完成测试，并且进展到製程週期的下一步之"后，才能收到有关晶圆上晶片品质的测试数据。测试的时间取决於晶圆的大小以及进行测试的次数，可能会持续数分鐘甚至一整天。

如果在晶圆测试时就确认出有问题的晶片，而不必等到整个製程完成后才发现，会产生什麼样的结果？这不但能够节省大量时间，还可以避免对那些最终可能失败的晶片进行测试和封装所带来的成本。

由機器學習驅動的全新即時數據基礎設施(real-time data infrastructure, RTDI)平台，能夠在毫秒內將測試數據轉化為具體行動方案。由Advantest開發的Advantest Cloud 91吃瓜网?(ACS) RTDI?平台為半導體測試提供低延遲、高度安全的數據擷取和系統控制。它利用Synopsys Silicon.da即時產量分析應用程式來增強晶片的品質、產量和生產率。使用這個測試應用程式解决方案的共同客戶，也可以改展晶片功耗和效能。

请往下阅读以瞭解几乎即时地存取半导体测试和晶片数据，如何更完善地控制晶片品质，同时节省测试时间并增强测试生产力。

在几秒鐘内取得可行性半导体良率

傳統的半導體數據收集和分析過程是一個序列式和迭代的過程，測試工程師必須等晶圓測試完成後，才能產生標準測試數據格式(STDF)檔案。在交付檔案時，晶圓已經進入組裝和封裝步驟。此時，測試工程師可能會發現晶圓上有一些具有風險的晶片。例如，這些晶片可能只符合是最低限度良好的晶片，它們處於品質測試限制的邊緣。這樣的狀況，工程師寧可捨棄它們，而不是冒險將它們封裝出貨。這涉及找到並攔截有問題的晶圓，並將其帶回測試系統中。這種情況也可以在組裝過程中，藉由改變晶圓圖或降低晶片關注(dies of interest)層級來處理。

透過適應性(adaptive)測試應用解决方案，半導體測試數據藉由流程，得以安全地收集、分析、储存和监控，并即时匯入Silicon.da。這些資訊與其他收集的數據(例如來自晶片內監控的數據)會一起被處理並分析，以獲得具體行動方案。由於測試工程師在測試晶圓時就能識別出潛在的晶片問題，因此可以及早採取改正措施，毋須浪費時間在測試器上。同樣的過程也適用於組裝階段，在這個階段晶片被切割並放入各自的封裝中。由於封裝後的晶片需要經過一系列類似的測試，即時數據經過在ACS RTDI上執行的Silicon.da分析後，提供工程師所需要的見解，有問題的封裝在被送去集成為最終产物前，就已被抽出並丟棄。

Silicon.da 是新思科技晶片生命週期管理(Silicon Lifecycle Management, SLM)产物家族的一部分，可以在傳統伺服器(on-prem)或在雲端(cloud)上運行，提供整個生命週期中的晶片內部矽健康監控和分析。從 Silicon.da 中衍生的分析也可以在使用 ACS RTDI 測試設備時即時運行。當前的半導體產業樣貌是由規模和系統複雜性、日益嚴苛的品質要求以及封裝演進帶來的多晶粒(multi-die)系統等複雜新架構所塑造。面對這些趨勢，來自SLM技術的主機矽監控對於確保持久的晶片可靠性和效能水準越來越重要。由於半導體開發過程可能產生千兆位元組(petabytes, PB)的數據，因此像 Silicon.da 這樣的技術可以幫助理解、提供自動化的基本原因分析、指出晶片數據的異常值，並將所有半導體製造階段的分析，整合到一個單一且可共享的環境中。

适应性半导体测试应用程式的使用案例

确认晶片问题的根本原因需要对零件操作有深入的了解，其中包括来自晶片内监控收集的数据，以及测试测量数据。例如，假设在系统级测试期间检测到了时序故障，在这种情况下，路径边界监控可以识别错误的路径、热感应器可以告诉我们温度梯度的变化、电压监控则可以指出任何显着的压降。

晶片內監控的數據在測試過程中被讀取，該數據與 ACS RDTI 收集的測試測量數據一起匯入在 ACS RTDI 上執行的 Silicon.da 應用程式中。來自 Silicon.da 的機器學習模型有助於產生具體行動方案。另一個要考慮的使用案例是 V_MIN，即設備運轉的最低電壓。通常，確定測試機的 V_MIN 是一項耗時的工作，需要大量的測試時間來考慮無數的極端情況。Silicon.da 使用機器學習模型來預測 V_MIN 的性能，从而减少测试时间。

適應性測試之"限制設定(limit setting)是 ACS RDTI 和 Silicon.da 解决方案的另一個有價值的應用案例。在測試程式執行期間，傳統上測試限制是基於動態零件平均測試(dynamic part average testing, DPAT)等方法設定的，所產生的固定敏感度限制適用於晶圓上的所有零件。但如果有方法可以讓每個零件都有自己的限制，以提高在測試期間的速度和功耗等參數的準確性，那會怎樣呢？答案是，這可以幫助降低每百萬缺陷率(DPPM)，並得到更高品質的晶圓。透過將製程、電壓和溫度的晶片內感測器數據與測試測量數據進行關聯，並即時調整每個晶片的限制，測試工程師可以更有效地確定哪些晶片是異常，哪些實際上處於正常狀態。

强化下一代半导体测试

數據分析和機器學習的力量將塑造下一代半導體測試的技術發展，為測試工程師提供更深入的見解，以獲得品質更好的測試結果和更短的測試時間。Advantest 的 ACS RDTI 平台以及 Synopsys 的 Silicon.da 正在打造一個更具凝聚力的測試生態系統。利用其適應性方法取代傳統的迭代方法，測試工程師可以獲益於操作效率、減少測試成本，以及最終獲致更高的產量。請至新思科技官網瞭解更多關於 Silicon.da 的資訊；想瞭解更多有關 ACS 即時數據基礎設施的資訊，則請。