Op grote schaal beschikbare en vrijwel onbeperkte computerbronnen, gekoppeld aan de beschikbaarheid van geavanceerde algoritmen, openen de deur naar adaptief testen. Maar de snelheid waarmee deze testaanpak wordt toegepast zal blijven variëren als gevolg van aanhoudende zorgen over het delen van gegevens en de mogelijkheid van IP-diefstal en gegevenslekken.

Bij adaptief testen gaat het erom tijdig wijzigingen aan te brengen in een testprogramma met behulp van testgegevens en andere input om de kwaliteit of kosten van elk te testen apparaat (DUT) te verbeteren. In de kern zijn verschillende methoden die de productietestomstandigheden, testinhoud of testlimieten veranderen om de uitgaande kwaliteit en betrouwbaarheid van halfgeleiderapparaten te vergroten. Het basisidee is om alleen de juiste testinhoud op het apparaat toe te passen, waarbij gegevens worden gebruikt die door de tester zijn gegenereerd, on-die-sensoren of relevante gegevens uit eerdere stappen om de testbehoeften te voorspellen. Tests kunnen worden toegevoegd om ervoor te zorgen dat risicovolle onderdelen aan de betrouwbaarheidseisen voldoen, of kunnen worden geëlimineerd als er geen fouten worden gevonden.

“Het screenen op uitschieters voor betrouwbaarheidsscreening, dat in de jaren 2000 voor het eerst opkwam voor apparaten in de automobielsector, wordt nog steeds beschouwd als de basis voor adaptief testen”, zegt John Carulli, fellow bij het PostFab Development Center van GlobalFoundries. “Adaptief testen op waferniveau is het meest bruikbaar en het eenvoudigst in te zetten in de context van nabewerking. Met de nieuwste software en datasystemen zijn er meer mogelijkheden voor het invoeren van gegevens voor beslissingen over het invoegen van wafers en modules, evenals voor systeemtests.”

Hoewel adaptief testen tegenwoordig in testfaciliteiten wordt gebruikt, waarbij gebruik wordt gemaakt van op machine learning gebaseerde algoritmen en data-analyse om de kwaliteit van apparaten te verbeteren, gebeurt dit grotendeels offline.

“Adaptieve tests vinden plaats rond een datapopulatie”, zegt Greg Prewitt, directeur van Exensio Solutions bij PDF-oplossingen. “Mensen gaan doorgaans terug naar de karakteriseringsgegevens en gaan door een schat aan productiegegevens die ze tot nu toe hebben verzameld, en ze kijken naar de tests die nooit falen en gebruiken goed technisch inzicht en zeggen: ‘Ik vind het prettig om deze test uit te voeren. voor dit apparaat.' De testprogramma’s worden herzien en bepaalde tests zou je simpelweg achterwege laten om adaptieve testtijdreductie (ATTR) te bereiken.”

De technische hindernissen bij het implementeren van adaptief testen lijken overkomelijk. Het echte probleem is de inherente complexiteit van de logistiek. “Een groot deel van de complexiteit van adaptief testen is de orkestratie en het beheer van het proces van het leveren van gegevens op de juiste plaats op het juiste moment”, zegt Michael Schuldenfrei, NI fellow bij Emerson Test & Measurement. “Testgegevens van wafersortering kunnen bijvoorbeeld bij de laatste test worden gebruikt om parametrische drift over een reeks parameters te identificeren, ervan uitgaande dat onderdelen een elektronische chipidentificatie (ECID) of een andere traceerbaarheidsmethode hebben. Dit vereist dat historische gegevens in realtime beschikbaar worden gesteld aan het testprogramma, zonder dat er sprake is van een testtijdhit.”

Schuldenfrei merkte op dat de zwaarste uitdagingen van de sector verband houden met de sterk opgesplitste infrastructuur. “Dit is met name een uitdaging wanneer het sorteren en de eindtest van wafers in verschillende faciliteiten plaatsvinden, waardoor een veilige en betrouwbare orkestratie van de databeweging tussen faciliteiten vereist is.”

Delen is zorgzaam
Het beschikbaar maken van de noodzakelijke gegevens waar en wanneer ze nodig zijn, is tegenwoordig een enorme hindernis, en is vooral een gevolg van het fabelloze gieterijmodel. “Gegevensbeveiliging is een grote zorg bij adaptief testen, vooral bij opgesplitste productie- en teststromen waarbij de eigenaar van het apparaat en de productiepartner verschillende bedrijven zijn”, zegt Ken Butler, strategisch content business manager bij Advantest Amerika.  “Wanneer data en applicaties over bedrijfsgrenzen heen moeten worden gedeeld, is de veiligheid van die informatie van het allergrootste belang. De ACS Real-Time Data Infrastructure (RTDI)-oplossing van Advantest heeft talrijke functies om ervoor te zorgen dat gegevens veilig kunnen worden gedeeld om adaptieve teststromen en realtime gevolgtrekkingen te realiseren zonder bedrijfseigen gegevens bloot te stellen aan ongeautoriseerde entiteiten.”

Fig. 1: Data-infrastructuur voor real-time adaptieve testen bij elke testinvoeging beveiligt de ontwikkelde testdata, het testprogramma en data-analyse van derden. Bron: Advantest

Veilig gegevens delen begint met aanzienlijke encryptie. “We gebruiken veel encryptie om informatie te verplaatsen, maar de architectuur van het systeem zelf is fysiek veilig in de zin dat er geen toetsenbord aan het computerplatform is gekoppeld, er geen USB-sticks zijn toegestaan ​​en het zich in een afgesloten doos bevindt om toegang te voorkomen. ”, aldus Butler. “En aan het einde van het testproces wordt alles schoongeveegd, zodat de gegevens verdwenen zijn en er geen retentie meer is waar mensen de gegevens vanaf de achterkant doorheen kunnen halen.”

Als het echter gaat om het delen van gegevens in de test van ontwerp tot productie, of zelfs het testen van veldgegevens, is er meer werk nodig om de gegevens voor verschillende gebruikers in context te plaatsen. “De beschikbaarheid van data is waarschijnlijk nog steeds een belangrijk onderdeel waarover we het eens moeten worden”, zegt Eli Roth, productmanager slimme productie bij Teradine. Ingenieurs hebben de context van een wafer nodig om de testkosten efficiënt te kunnen verlagen. “Vooral de context van de testgegevens is soms niet logisch voor upstream- en downstream-mensen.”

Het vaststellen van protocollen voor het delen van gegevens is een belangrijk doel van SEMI's Smart AI Industry Advisory Council. “Dat is de uitdaging waar we nu mee aan de slag gaan,” zei Roth. “Hoe kunnen we die data niet alleen beschikbaar maken, maar ook contextueel maken?”

Teradyne heeft geïnvesteerd in zijn eigen parallelle computerplatform, met de recente nadruk op feedback en feed-forward, of bidirectionele datastreaming. “Weten dat er realtime adaptieve tests op komst zijn, willen we er zeker van zijn dat de gegevens die uit een tester komen echt zijn, dat deze door niemand zijn gemanipuleerd en dat je niet een ander stuk hoeft uit te voeren van software op de tester om de gegevens op de juiste manier te extraheren”, aldus Roth. “Als je fabelloos bent, draaien je apparaten op dezelfde proceslijn als die van je concurrent, dus waar is je concurrentievoordeel? Het ligt in de gegevens. Onze gedachten gaan dus uit naar het verpakken van de gegevens in een standaard. Dat is voor al onze testers hetzelfde. De gegevens zijn op dezelfde manier gestructureerd en worden naar elke gewenste gegevensbron geleid. Vervolgens kun je die data vertalen naar wat je datamodel ook is, via een standaard, wat efficiënter is dan proberen alle verschillende oplossingen voor adaptief testen native te bouwen.”

Bedrijven maken gebruik van de bestaande A4 TEMS SEMI-standaard, een specificatie voor de geautomatiseerde gebeurtenisberichten van testapparatuurtesters voor halfgeleiders, die dit datastreamingprotocol en de structuur van de gegevens beschrijft. [1] Deze standaard strekt zich echter niet uit tot de manier waarop gegevens worden opgeslagen of verpakt. Het maakt gebruik van een publicatie-abonnementsmodel om de beschikbare gegevens weer te geven waarop gebruikers zich kunnen abonneren.

Beste invoegingen voor adaptieve test
De meeste experts uit de sector zijn het erover eens dat adaptieve tests bij meerdere testinvoegingen kunnen en worden gebruikt. In alle gevallen geldt: hoe eerder potentiële fouten worden geïdentificeerd, hoe beter dit is voor de kwaliteit van het apparaat en de effectiviteit van de productie.

“We hebben implementaties op het gebied van wafersortering, eindtest, inbranden en testen op systeemniveau, aldus Schuldenfrei van NI. “Bij het sorteren van wafers wordt testtijdverkorting vaak gebruikt om de testefficiëntie te verhogen en de kosten te verlagen, terwijl het risico op testontsnappingen wordt geminimaliseerd. De eindtest (pakkettest) heeft hetzelfde voordeel, maar er zijn zelfs nog dwingendere redenen om adaptieve tests te gebruiken bij de eindtest. Bij het sorteren van wafers kan nabewerking door statistische of AI-gebaseerde algoritmen die apparaten opnieuw indelen (bijvoorbeeld detectie van uitschieters) offline worden uitgevoerd nadat de wafer het testen heeft voltooid. Deze bijgewerkte binningresultaten van het algoritme kunnen worden toegepast via de inktloze (digitale) waferkaart. Daarentegen moet bij de laatste test de definitieve binning-beslissing voor de DUT plaatsvinden voordat deze uit de socket wordt verwijderd, waardoor realtime besluitvorming noodzakelijk is.

De eerste versies van adaptief testen gingen allemaal over het verkorten van de testtijd. Adaptief testen vergemakkelijkt de testtijdreductie, inclusief minder burn-in stresstests. Maar om significante vooruitgang te boeken van eenvoudige testtijdreductie naar offline ML-gebaseerde modellering en grootschalige kwaliteitsverbeteringen, moeten het ecosysteem en de praktijken voor het delen van gegevens veranderen.

De meeste van onze klanten praten niet langer over DPPM of zelfs DPPB”, aldus Schuldenfrei. “Elke testontsnapping wordt als uiterst problematisch beschouwd. Er zijn tegenwoordig verschillende gangbare toepassingen van adaptief testen, waaronder adaptieve testtijdreductie (ATTR), adaptieve testvergroting, adaptieve detectie van uitschieters en verschillende aangrenzende toepassingen zoals driftdetectie die afhankelijk zijn van nauwkeurige en tijdige gegevensuitwisseling tussen het testprogramma en een testprogramma. externe dienst.”

Het meest voorkomende voorbeeld van adaptieve aanpassing van de testlimieten is deelgemiddelde testen (PAT) en dynamische deelgemiddelde testen (DPAT). PAT is een statistisch proces dat teruggaat tot de jaren negentig en in 1990 werd bijgewerkt door de Automotive Engineering Council (AEC). [2011]  In dit proces kunt u, op basis van de tijdens het testen verzamelde gegevens, de specificatielimieten voor een of meer tests aanpassen (doorgaans aanscherpen) op basis van het gedrag van de onderdelen in de partij die wordt getest.  Deze aanpassing wordt gedaan om potentiële uitschieters beter te screenen die technisch gezien binnen de operationele specificaties vallen, maar mogelijk het risico lopen vroegtijdig te falen in de eindtoepassing.

“Hoewel PAT en DPAT de sector al jaren goed van dienst zijn, zijn er met de huidige geavanceerde rekenmogelijkheden en analyses veel betere manieren om apparaten die risico lopen te identificeren en tegelijkertijd de hoeveelheid opbrengstverlies die met deze vorm van screening gepaard gaat, te verminderen”, aldus Advantest's Butler.

Fig. 2: De resultaten van de Iddq-verbruikstest correleren met verbeterde kwaliteit versus de dynamische onderdeelgemiddelde testen (hierboven). Het op ML gebaseerde algoritme (hieronder) is beter in het identificeren van echte uitschieters en het opleveren van apparaten. Bron: Synopsys

Een geavanceerde mixed-signal chip of SoC kan een willekeurig aantal sensoren of monitoren op de chip gebruiken. Het is gebruikelijk om overal in de chip sensoren in te bouwen die worden gebruikt om de prestaties te veranderen en de gezondheid van de chip te controleren, zoals ringoscillatoren, temperatuursensoren, verouderingssensoren en vele andere. ProteanTecs biedt on-chip monitoren, Agents genaamd, naast cloudgebaseerde software om monitorgegevens te correleren met gegevensanalyse.

“Gemeenschappelijke sensor- en meetgegevens omvatten V_Min, F_max, Iddq, Idd, procesringoscillatoren, IR-valdetectoren, jitterdetectoren, thermische sensoren - alle analoge metingen in analoge/gemengde signalen/RF-ontwerpen”, aldus Carulli van GF. “Een typisch uitschietergeval op waferniveau kan zijn met V_Min gebruikt met een dichtstbijzijnde-buur-restalgoritme. Een typisch geval op moduleniveau is het gebruik van een bivariate model voor Iddq vs. F_max voor het opsporen van uitschietersgedrag.

"Een geavanceerder geval van Advantest was het gebruik van hun ACS-systeem om een ​​digitale pre-vervormingstest te verbeteren", zei Carulli. “De belangrijkste inputs werden overgebracht naar het aangrenzende serversysteem voor modellering en optimalisatie, waarna de geoptimaliseerde omstandigheden teruggestuurd werden naar de tester voor betere resultaten.”

Een ander voorbeeld betreft het aanpassen van testlimieten om de apparaatkwaliteit te verbeteren. "Als je een halfgeleiderapparaat maakt, voer je verschillende processplitsingen uit, waarbij de ingenieur het proces opzettelijk varieert om de slechtste en beste prestaties van dat apparaat te identificeren", aldus Butler. “Ik ga mijn grenzen stellen op basis van de procesbreedte, maar de realiteit is dat de fabriek zal proberen het materiaal zoveel mogelijk strak onder controle te houden. Je moet dus informatie verzamelen die je vertelt hoeveel je die specificaties moet aanscherpen.”

Anderen wijzen op soortgelijke evoluties. “We gebruiken een variatie op de traditionele D-PAT-aanpak, omdat deze alleen maar gebaseerd is op de populatie van resultaten, wat geen echt inzicht geeft in wat er in de dobbelsteen gebeurt”, zegt Guy Cortez van Synopsys. De Idd-consumptiestroom (zie figuur 2) toonde een correlatie aan met de opbrengst, en het algoritme dat uit deze gegevens is afgeleid, biedt een superieure identificatie van echte uitschieters zonder dat dit ten koste gaat van de opbrengst, ook wel overkill genoemd.

Conclusie
ATE-providers bouwen infrastructuur ter ondersteuning van het gebruik van real-time adaptief testen, waarbij ze geavanceerde detectiemethoden voor uitschieters integreren en de testlimieten aanscherpen om de kwaliteit van het apparaat te verbeteren. On-die-sensoren bewijzen dat ze het gedrag van individuele dobbelstenen kunnen vastleggen, en geavanceerde modellering wordt mogelijk gemaakt door op ML gebaseerde algoritmen. Maar de logistiek rond adaptief testen hangt af van de ontwikkeling door de industrie van standaardmethoden voor het versleutelen en toch verwerken van kritieke gegevens, terwijl de intellectuele eigendom van zowel chipmakers als fabelloze bedrijven wordt beschermd.

Referenties

1. https://store-us.semi.org/products/a00400-semi-a4-specification-for-the-automated-test-equipment-tester-event-messaging-for-semiconductors-tems
2. Richtlijn voor deelgemiddelde testen, Automotive Engineering Council, 2011, AEC_Q001_Rev_D.pdf.
3. Heterogene integratieroutekaart voor halfgeleiders, editie 2023, hfst. 17, Bijlage A, Gegevensanalyse, https://eps.ieee.org/images/files/HIR_2023/ch17/Ch17-9-A.pdf

Gerelateerd lezen
IC's sneller, eerder en beter testen
Waarom testcellen het cruciale informatiecentrum van de fabriek zouden kunnen worden.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://semiengineering.com/adaptive-test-ramps-for-data-intelligence-era/