광범위하게 사용 가능하고 거의 무제한에 가까운 컴퓨팅 리소스가 정교한 알고리즘의 가용성과 결합되어 적응형 테스트의 문을 열고 있습니다. 그러나 이 테스트 접근 방식이 채택되는 속도는 데이터 공유에 대한 지속적인 우려와 IP 도난 및 데이터 유출 가능성으로 인해 계속해서 달라질 것입니다.

적응형 테스트는 각 DUT(테스트 대상 장치)의 품질이나 비용을 향상시키기 위해 테스트 데이터와 기타 입력을 사용하여 테스트 프로그램을 적시에 변경하는 것입니다. 그 핵심에는 반도체 장치의 품질과 신뢰성을 높이기 위해 제조 테스트 조건, 테스트 내용 또는 테스트 한계를 변경하는 다양한 방법입니다. 기본 아이디어는 올바른 테스트 콘텐츠만 장치에 적용하고, 테스터에서 생성된 데이터, 다이 내장 센서 또는 이전 단계의 관련 데이터를 가져와 테스트 요구 사항을 예측하는 것입니다. 위험한 부품이 신뢰성 요구 사항을 충족하는지 확인하기 위해 테스트를 추가하거나 오류가 발견되지 않으면 제거할 수 있습니다.

GlobalFoundries의 PostFab 개발 센터 연구원인 John Carulli는 "2000년대 자동차 장치에 대해 처음 등장한 신뢰성 검사를 위한 이상치 검사는 여전히 적응형 테스트의 기본 동인으로 간주됩니다"라고 말했습니다. “웨이퍼 수준 적응형 테스트는 후처리 측면에서 가장 활용도가 높고 배포가 가장 간단합니다. 최신 소프트웨어와 데이터 시스템을 사용하면 웨이퍼 및 모듈 작동 삽입과 시스템 테스트 전반에 대한 결정을 위해 데이터를 공급할 수 있는 기회가 더 많아졌습니다.”

적응형 테스트는 오늘날 테스트 시설에서 기계 학습 기반 알고리즘과 데이터 분석을 활용하여 장치 품질을 개선하는 데 사용되고 있지만 대부분 오프라인 방식으로 진행되고 있습니다.

Exensio Solutions의 이사인 Greg Prewitt는 "적응형 테스트는 수많은 데이터를 중심으로 이루어집니다."라고 말했습니다. PDF 솔루션. “사람들은 일반적으로 특성화 데이터를 다시 살펴보고 지금까지 수집한 풍부한 생산 데이터를 검토하며, 결코 실패하지 않는 테스트와 좋은 엔지니어링 판단을 사용하여 '이 테스트를 수행하는 것이 편안합니다'라고 말합니다. 이 장치에 대한 것입니다.' 테스트 프로그램이 수정되면 적응형 테스트 시간 단축(ATTR)을 달성하기 위해 특정 테스트를 생략하면 됩니다.”

적응형 테스트 구현에 따른 기술적 장애물은 극복 가능한 것으로 보입니다. 실제 문제는 물류의 본질적인 복잡성입니다. Emerson Test & Measurement의 NI 연구원인 Michael Schuldenfrei는 "적응형 테스트의 복잡성 중 대부분은 데이터를 적시에 적절한 장소에 전달하는 프로세스를 조율하고 관리하는 것입니다."라고 말했습니다. “예를 들어, 부품에 ECID(전자 칩 식별자) 또는 다른 추적 방법이 있다는 가정 하에 웨이퍼 종류의 테스트 데이터를 최종 테스트에 활용하여 다양한 매개변수에 대한 매개변수 드리프트를 식별할 수 있습니다. 이를 위해서는 테스트 시간에 영향을 주지 않고 실시간으로 테스트 프로그램에 과거 데이터를 사용할 수 있어야 합니다.”

Schuldenfrei는 업계에서 가장 어려운 과제는 고도로 분산된 인프라와 관련되어 있다고 지적했습니다. "웨이퍼 정렬과 최종 테스트가 서로 다른 시설에서 수행될 때 이는 특히 어렵습니다. 시설 간 데이터 이동에 대한 안전하고 안정적인 조정이 필요합니다."

나눔은 돌보는 중입니다.
필요한 데이터를 필요한 장소와 시기에 제공하는 것은 오늘날 엄청난 장애물이며, 이는 주로 팹리스 파운드리 모델의 결과입니다. "데이터 보안은 적응형 테스트의 큰 관심사입니다. 특히 장치 소유자와 제조 파트너가 서로 다른 분리된 제조 및 테스트 흐름에서 그렇습니다."라고 전략 콘텐츠 비즈니스 관리자인 Ken Butler는 말했습니다. 어드밴 테스트 아메리카.  “데이터와 애플리케이션을 회사 경계를 넘어 공유해야 하는 경우 해당 정보의 보안이 가장 중요합니다. Advantest의 ACS 실시간 데이터 인프라(RTDI) 솔루션은 승인되지 않은 개체에 독점 데이터를 노출하지 않고도 적응형 테스트 흐름과 실시간 추론을 달성하기 위해 데이터를 안전하게 공유할 수 있도록 보장하는 다양한 기능을 갖추고 있습니다.”

그림 1: 모든 테스트 삽입 시 실시간 적응형 테스트를 위한 데이터 인프라는 개발된 테스트 데이터, 테스트 프로그램 및 타사 데이터 분석을 보호합니다. 출처: 아드반테스트

안전한 데이터 공유는 중요한 암호화에서 시작됩니다. “우리는 정보를 이동하기 위해 많은 암호화를 사용하지만 컴퓨팅 플랫폼에 키보드가 연결되지 않고 USB 스틱이 허용되지 않으며 액세스를 방지하기 위해 잠긴 상자에 있다는 점에서 시스템 자체의 아키텍처는 물리적으로 안전합니다. "라고 버틀러는 말했다. "그리고 테스트 프로세스가 끝나면 모든 것이 깨끗이 지워져 데이터가 사라지고 사람들이 뒤에서 데이터를 찾아볼 수 있는 보존 공간이 없습니다."

그러나 설계-제조 테스트 또는 현장 데이터 테스트에서 데이터를 공유하는 경우 다양한 사용자를 위해 데이터를 컨텍스트에 추가하려면 더 많은 작업이 필요합니다. "데이터 가용성은 여전히 ​​우리가 동의해야 할 핵심 요소일 것입니다."라고 스마트 제조 부문 제품 관리자인 Eli Roth는 말했습니다. 테라 딘. 엔지니어는 테스트 비용을 효율적으로 낮추기 위해 웨이퍼의 컨텍스트가 필요합니다. "특히 테스트 데이터의 맥락이 업스트림과 다운스트림 사람들에게 이해가 되지 않는 경우가 있습니다."

데이터 공유 프로토콜을 확립하는 것은 SEMI 스마트 AI 산업 자문위원회의 핵심 목표입니다. “이것이 바로 우리가 지금 직면하고 있는 과제입니다.”라고 Roth는 말했습니다. "어떻게 하면 해당 데이터를 이용 가능하게 할 뿐만 아니라 상황에 맞는 데이터도 만들 수 있습니까?"

Teradyne은 최근 피드백 및 피드포워드 또는 양방향 데이터 스트리밍에 중점을 두고 자체 병렬 컴퓨팅 플랫폼에 투자했습니다. “실시간 적응형 테스트가 다가오고 있다는 사실을 알고 우리는 테스터에서 나오는 데이터가 진짜인지, 누구도 조작하지 않았는지, 다른 부분을 실행할 필요가 없는지 확인하는 데 중점을 두고 있습니다. 데이터를 적절하게 추출하기 위해 테스터의 소프트웨어를 사용했습니다.”라고 Roth는 말했습니다. “팹리스라면 귀하의 장치가 경쟁사와 동일한 프로세스 라인에서 실행되고 있는데 경쟁 우위는 어디에 있습니까? 그것은 데이터에 있습니다. 그래서 우리의 생각은 데이터를 표준으로 패키징하는 것입니다. 모든 테스터도 마찬가지입니다. 데이터는 동일한 방식으로 구성되며 원하는 데이터 소스로 파이프됩니다. 그런 다음 표준을 통해 해당 데이터를 데이터 모델이 무엇이든 변환할 수 있습니다. 이는 적응형 테스트를 위한 다양한 솔루션을 기본적으로 구축하는 것보다 더 효율적입니다."

기업에서는 이 데이터 스트리밍 프로토콜과 데이터 구조를 설명하는 반도체용 자동화 테스트 장비 테스터 이벤트 메시징 사양인 기존 A4 TEMS SEMI 표준을 사용하고 있습니다. [1] 그러나 이 표준은 데이터가 저장되거나 패키지되는 방식으로 확장되지 않습니다. 게시-구독 모델을 사용하여 사용자가 구독할 수 있는 사용 가능한 데이터를 표시합니다.

적응형 테스트를 위한 최고의 삽입
대부분의 업계 전문가는 적응형 테스트가 여러 테스트 삽입에 사용될 수 있고 사용되고 있다는 데 동의합니다. 모든 경우에 잠재적인 오류를 빨리 식별할수록 장치 품질과 제조 효율성이 향상됩니다.

NI의 Schuldenfrei는 “우리는 웨이퍼 정렬, 최종 테스트, 번인(burn-in) 및 시스템 레벨 테스트를 구현했습니다. “웨이퍼 정렬에서는 테스트 효율성을 높이고 비용을 낮추면서 테스트 이탈 위험을 최소화하기 위해 테스트 시간 단축이 자주 사용됩니다. 최종(패키지) 테스트도 동일한 이점을 공유하지만 최종 테스트에서 적응형 테스트를 사용해야 하는 훨씬 더 강력한 이유가 있습니다. 웨이퍼 정렬에서는 웨이퍼 테스트가 완료된 후 장치를 다시 분류하는 통계 또는 AI 기반 알고리즘(예: 이상치 감지)을 통한 사후 처리를 오프라인으로 수행할 수 있습니다. 알고리즘의 업데이트된 비닝 결과는 잉크 없는(디지털) 웨이퍼 맵을 통해 적용될 수 있습니다. 대조적으로, 최종 테스트에서는 DUT가 소켓에서 제거되기 전에 최종 비닝 결정이 이루어져야 하므로 실시간 의사 결정이 필요합니다.”

적응형 테스트의 초기 버전은 모두 테스트 시간 단축에 관한 것이었습니다. 적응형 테스트는 번인 스트레스 테스트 감소를 포함하여 테스트 시간 단축을 촉진합니다. 하지만 단순한 테스트 시간 단축에서 오프라인 ML 기반 모델링, 대규모 품질 개선으로 큰 진전을 이루려면 생태계와 데이터 공유 관행이 바뀌어야 합니다.

대부분의 고객은 더 이상 DPPM이나 DPPB에 대해 이야기하지 않습니다.”라고 Schuldenfrei는 말했습니다. “모든 테스트 탈출은 매우 문제가 있는 것으로 간주됩니다. 적응형 테스트 시간 단축(ATTR), 적응형 테스트 확대, 적응형 이상치 감지, 그리고 테스트 프로그램과 테스트 간의 정확하고 시기적절한 데이터 교환에 의존하는 드리프트 감지와 같은 다양한 인접 애플리케이션을 포함하여 오늘날 적응형 테스트에는 여러 가지 널리 사용되는 애플리케이션이 있습니다. 외부 서비스.”

적응형 테스트 한계 조정의 가장 일반적인 예는 다음과 같습니다. 부품 평균 테스트 (PAT) 및 동적 부품 평균 테스트(DPAT). PAT는 1990년대부터 시작되어 2011년 AEC(자동차 공학 협회)에 의해 업데이트된 통계 프로세스입니다. [1]  이 프로세스에서는 테스트 중에 수집된 데이터를 기반으로 테스트 중인 로트의 부품 동작을 기반으로 하나 이상의 테스트에 대한 사양 한계를 조정(일반적으로 강화)할 수 있습니다.  이 조정은 기술적으로는 작동 사양 내에 있지만 최종 애플리케이션에서 조기 오류가 발생할 위험이 있는 잠재적 이상치 장치를 더 효과적으로 화면에 표시하기 위해 수행됩니다.

Advantest는 "PAT와 DPAT는 수년 동안 업계에 좋은 서비스를 제공해 왔지만 오늘날의 고급 컴퓨팅 기능과 분석 기능을 통해 위험에 처한 장치를 식별하는 동시에 이러한 형태의 검사와 관련된 수율 손실량을 줄이는 훨씬 더 나은 방법이 있습니다"라고 말했습니다. 집사.

그림 2: Iddq 소비 테스트 결과는 향상된 품질 대 동적 부품 평균 테스트(위)와 상관관계가 있습니다. ML 기반 알고리즘(아래)은 실제 이상값을 식별하고 장치를 생성하는 데 더 좋습니다. 출처 : Synopsys

고급 혼합 신호 칩 또는 SoC는 온칩 센서 또는 모니터를 원하는 수만큼 사용할 수 있습니다. 링 발진기, 온도 센서, 노화 센서 등과 같이 성능을 변경하고 다이의 상태를 모니터링하는 데 사용되는 센서를 다이 전체에 내장하는 것이 일반적인 관행입니다. ProteanTecs는 모니터 데이터를 데이터 분석과 연관시키기 위해 클라우드 기반 소프트웨어 외에도 에이전트라고 하는 온칩 모니터를 제공합니다.

“일반적인 센서 및 측정 데이터에는 V가 포함됩니다._분F_최대, Iddq, Idd, 프로세스 링 발진기, IR 드롭 감지기, 지터 감지기, 열 센서 - 아날로그/혼합 신호/RF 설계의 모든 아날로그 측정”이라고 GF의 Carulli가 말했습니다. “웨이퍼 레벨의 일반적인 이상치 사례는 V_분 최근접 이웃 알고리즘과 함께 사용됩니다. 모듈 수준의 일반적인 사례는 Iddq 대 F에 대한 이변량 모델을 사용하는 것입니다._최대 이상치 동작을 탐지하기 위한 것입니다.

Carulli는 "Advantest의 보다 발전된 사례는 ACS 시스템을 사용하여 디지털 전치 왜곡 테스트를 개선한 것입니다."라고 말했습니다. "모델링 및 최적화를 위해 주요 입력이 ​​인접한 서버 시스템으로 오프로드된 다음, 개선된 결과를 위해 최적화된 조건이 테스터로 다시 전송됩니다."

또 다른 예는 장치 품질을 개선하기 위해 테스트 한계를 조정하는 것입니다. "반도체 장치를 만들 때 여러 프로세스 분할을 실행하게 되는데, 여기서 엔지니어는 해당 장치의 최악의 경우와 최상의 성능을 식별하기 위해 의도적으로 프로세스를 변경합니다."라고 Butler는 말했습니다. “공정 폭을 기준으로 한계를 설정하려고 합니다. 하지만 현실적으로 팹에서는 재료를 최대한 엄격하게 제어하려고 노력할 것입니다. 그래서 그 스펙을 얼마나 강화해야 하는지 알려주는 정보를 수집해야 한다”고 말했다.

다른 사람들은 비슷한 진화를 지적합니다. Guy Cortez는 "우리는 전통적인 D-PAT 접근 방식의 변형을 사용합니다. 이는 단지 결과 모집단을 기반으로 하기 때문입니다. 이는 다이 내부에서 무슨 일이 벌어지고 있는지에 대한 실제 이해를 제공하지 않습니다."라고 Guy Cortez는 말했습니다. Synopsys. Idd 소비 전류(그림 2 참조)는 수율과의 상관 관계를 보여 주었으며, 이 데이터에서 파생된 알고리즘은 과잉이라고 알려진 수율을 희생하지 않으면서 실제 이상값을 효과적으로 식별하는 기능을 제공합니다.

결론
ATE 제공업체는 실시간 적응형 테스트 사용을 지원하고 고급 이상점 감지 방법을 통합하며 테스트 제한을 강화하여 장치 품질을 개선하는 인프라를 구축하고 있습니다. 온다이 센서는 개별 다이의 동작을 캡처할 수 있음을 입증하고 있으며 ML 기반 알고리즘을 통해 고급 모델링이 제공됩니다. 그러나 적응형 테스트 관련 물류는 칩 제조업체와 팹리스 회사 모두의 지적 재산을 보호하면서 중요한 데이터를 암호화하면서도 처리하는 업계의 표준 방법 개발에 달려 있습니다.

참고자료

1. https://store-us.semi.org/products/a00400-semi-a4-specification-for-the-automated-test-equipment-tester-event-messaging-for-semiconductors-tems
2. 부품 평균 테스트 지침, 자동차 공학 협의회, 2011, AEC_Q001_Rev_D.pdf.
3. 반도체를 위한 이종 통합 로드맵, 2023년판, Ch. 17, 부록 A, 데이터 분석, https://eps.ieee.org/images/files/HIR_2023/ch17/Ch17-9-A.pdf

관련 독서
더 빠르고, 더 빠르고, 더 나은 IC 테스트
테스트 셀이 팹의 중요한 정보 허브가 될 수 있는 이유

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
• PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
• PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
• 출처: https://semiengineering.com/adaptive-test-ramps-for-data-intelligence-era/