通向零缺陷的公路上须要少许新的战略。

用于协助驾驭和自助驾驭体系的下一代车子芯片这波浪潮正好推进要害性的反常检验新方法的开发流程。

KLA－Tencor、Optimal＋以及西门子子企业的Mentor正好映入或扩大在反常检验市场或相干范畴的事业。反常检验技艺在各式产业曾经运用好几年，是实现芯片制造品质零缺陷的最重要的技艺之一，零缺陷对车子范畴至关要紧。

平常，反常检验自身运用硬件和统算筛选算法来定位所谓的反常。容易来说，芯片反常指的是芯片自身可能会经过各式准则测试，可是有时会体现出功效反常。这类芯片可能会作用体系功能或导致体系失效。

图1PAT极限和极限值图形显现

反常芯片或带缺陷芯片的显露有多个原因，此中包括显露潜在性的可靠性缺陷。这一类缺陷在芯片出货时不会被发觉，但他们会在利用现场以某种形式激活，终归可能会反映在实质运转的体系中。

为了帮助捕捉芯片中这样或那样的难题，业界平常运用各式反常检验方法，比如零件平均测试法（PAT）。在PAT中，起首对晶圆发展电气测试，接下来，组合运用硬件方法和PAT算法，检验出违反特定测试规范的反常或故障芯片，接下来把它丢掉。

可是，PAT方法不容易满足车子产业的苛刻请求。Optimal＋企业首席技艺官MichaelSchuldenfrei显示：“车子和其它类别的任务要害型设施的半导体产物运用量正好呈指标数据级增添。这类趋向推升了对芯片品质和可靠性的请求。运用PAT或零件平均值测试方法的反常检验技艺作为确保品质和可靠性的一种最重要的伎俩，曾经存留了几十年。但在好多概况下，他们其实不是十分有用，或许在防止漏检方面测试本钱过高。”

漏检指的是芯片经过了测试离开了晶圆厂。为了幸免这类概况的产生，好几年来，反常检验行家们开发出了新的更领先进步的技艺来防止芯片漏检和其余难题。例如，反常检验平常是在芯片封装测试阶段发展，可是在一种新的方案中，KLA－Tencor开发了一个用于在晶圆厂中测试的技艺。

虽然如许，这种产业日前依然面对一系列重要挑战，此中包括：

1、随着更多领先进步芯片被用于车子中，迫切须要新的领先进步的反常检验算法；

2、反常检验技艺必需紧跟协助驾驭和自动驾驭技艺的进行趋向；

3、英伟达和其余无反常检验经历的IC生产商正好蜂拥映入车子市场，这意指着它们须要提升学习曲线。

这种飞速增添的车子半导体市场还面对众多其余挑战。除了车子市场，反常检验也利用在医疗和其余范畴中。依据西门子子企业Mentor的说法，全体而言，商业性的反常检验软件营业的范围在每年2500万美元到5000万美元之中。MentorQuantix工作部总经理BertrandRenaud显示：“这种数字可能仅代表实质软件的三分之一，由于众多大型IDM厂家曾经建立了本人的专有用具，它们的软件无统算在内。”日前，这种市场上的选手有KLA－Tencor、Mentor、Optimal＋和yieldWerx等企业。

车子芯片趋向

2018年，车子市场增速可能会放慢。依据IHSMarkit的数据，2018年青量级车子的全世界总销售数量估计将达到9590万辆，同比2017年增添1．5％。依据该企业的数据，2017年同比2016年增添了2．4％。

车子销售数量的增添如何对应于车子半导体市场增速日前尚不十足明白。虽然日前车子芯片营业仅占全个半导体市场范围的10％左右，但这其实不能讲明难题的全貌，由于依据IHSMarkit的数据，每辆车子的电子器件的价格将从2013年的312美元增添到2022年的460美元，年复合增添率为7．1％。

“从十年前的几百个操控器和其它类别电子器件最初，现代的车子中可能包涵超越3，500个半导体产物，这点半导体器件的全体本钱正好持续上升。”KLA－Tencor顶级营销总监RobCappel在一篇博客中说道。

一台顶级车子具有超越7000颗芯片。芯片厂家正好向高档车型中导入14nm和10nm器件，同一时间也正好研发用在车子上的7nm芯片。

可是，在车子范畴，有两个要素是亘古不变的－可靠性和品质。关于营运芯片而言，客户对缺陷尚有必定的容忍度。可是，车子芯片对缺陷和故障是不存留丝毫容忍度的。

这倒非是甚么新鲜事儿。“例如ABS体系，”TEL的顶级技艺合伙人BenRathsack说。“源于事关平安，车子的可靠性请求总是较高。”

因而，车子芯片生产商和代工厂必需遵守各式品质准则，比如AEC－Q100，这项准则最重要的涉及芯片的失效机理负担测试。

顶级驾驭协助体系（ADAS）和自助驾驭车子对可靠性的请求愈加严苛。ADAS涉及车子中的各式平安功效，如自动紧急制动、车道检验和后方物体警告。

比如，全世界第一大的车子芯片生产商恩智浦最近宣告公布了一款用于车子利用的高分辨率雷达芯片。该芯片被称为MR3003雷达收发器，是一款77GHz雷达器件。该器件鉴于硅锗（SiGe）工艺，适用于须要高分辨率和远距离功效的自动驾驭体系的前端或转角雷达利用。

这类雷达技艺能够同一时间跟进数千个指标，能够实时感测四周环境，这正是L4／L5等级的自动驾驭所必要的。“这点类别的利用对咱们和芯片自身都提议了较高的请求。咱们十分谨慎地设置了体系里面的平安合同和一系列Hook，以便传感器和车子能够在某些概况下发展自咱诊断，”恩智浦ADAS调制解调器产物线副总裁兼总经理PatrickMorgan在最近的一次采访中显示。“当咱们最初出售这点芯片时，咱们须要付出相当大的努力来确保每个芯片适合规格。咱们对缺陷一律抱有一个零容忍的心态。平安攸关，不容全部错误的显露。”

恩智浦半导体ADAS技艺副总裁兼总经理KamalKhouri补充说：“咱们在这边所做的一切都必需满足十分十分严刻的车子平安性和可靠性准则。为了保证咱们介绍的全部产物和方案都平安可靠，须要做大批的事业。”

平安切实十分要害。比如，依据Optimal＋提供的数据，奥迪的高端车子中具有7，000个芯片。假设，每个芯片的故障率都达到百万分之一，那末奥迪每制造1000辆车子就会有7个故障车。假如奥迪每天生产4，000辆车子，这就意指着，它每个小时都会制造出一辆故障车。

因而，车子产业正好努力实现零缺陷和其它品质计划，可是随着体系、芯片甚而软件变得越来越繁杂，这种指标不容易实现。

在其全新的机动车可靠性探讨事业中，J．D．Power对往日12个月2015年款车型和2017年款车型每100辆车碰到的难题数量发展了统算考查，结果发觉，2017年款车子全体可靠性提升了9％，可是各式电子体系依旧存留难题。据考查，音频／通讯／娱乐／导航体系依然是业主碰到麻烦最多的产物类型，业主的投诉数量也最多，此中，内置语言声音辩别和蓝牙接连是第一大的难题。

这点难题可能与采纳全新的半导体器件相关，这便是为何反常检验至关要紧的原因所在。在反常检验中，在晶圆厂料理完晶圆后，起首发展少许电气测试，接下来把他们送到测试部门发展估价。

这类方法只能解决一部分潜在的难题。“你不可能测试器件的每一条执行路径，因而不可能掩盖完整的情景。只是，此刻可行运转众多不同的测试。有时刻，测试结果还不是很准确。咱们不过晓得，日前的方法也不够好。”KLA－Tencor策略合作顶级主管JayRathert说。

此外，测试可能会发觉，也可能不会发觉可怕的潜在可靠性缺陷。“潜在的可靠性缺陷是指离开了晶圆厂才暴露出去的缺陷，他们在某种水平上是经过环境激活的，包括波动、湿度、电流、电迁移或许热量。随着时间的推移，他们可能暴露出去。”Rathert说。

图2随机缺陷

既然这样，那末，为何不在这点芯片离开晶圆厂此前就检验出去这点缺陷呢？

在晶圆厂测试

依据加州大学伯克利分校的统算，理论上来说，一种月产5万片晶圆的晶圆厂须要之下设施：

50台扫描仪／步进器和晶圆轨道；

10个高电流离子注入器和8个中庸电流离子注入器；

40台蚀刻机；

30个CVD用具。

另外，300mm晶圆厂也是自动化工厂，运用各式自动化资料料理体系和晶圆传输体制，运用各式设施分环节地在晶圆厂中料理晶圆。一种领先进步工艺的晶圆生产进程可能有高达600－1000个环节，甚而更多，比较以下，老练工艺的环节更少。

在领先进步工艺节点中，半导体设施必需料理更小且愈加精准的特征，随着工艺大小的缩减，缺陷也变得越来越难寻到。

每种利用都有各自不同的缺陷请求。通常来讲，面向客户的OEM厂家对缺陷的操控请求非是太严刻，可是，在车子范畴，芯片生产商们必需在其器件的生产工艺中实行愈加严苛的操控举措，并部署持续的缺陷改良计划。

“有少许先决要求（在车子范畴），”联电副总裁温文婷说。“你必需有个治理良没有问题工厂和维护良没有问题用具。最要紧的是，您须要一种强盛的品质体制，并落实高品质的理念，这将使您能够得到生产车子产物所需的验证。这点很繁杂。在车子产业里，品质操控始于工艺设置和工厂规划，并一直拉伸到实质制造芯片的时刻。”

在晶圆厂中，大家运用检验体系定位晶圆缺陷。通常来说，芯片生产商不会审查每一片晶圆，由于那样须要很长时间，况且本钱高昂，它们会抽样检验某些晶圆或许部分芯片。

关于花费级芯片来讲，这种进程很容易。“当咱们开发一项技艺时，咱们会验证它，平常来说，抽样的样本数量总是局限的。”温文婷说。

车子级芯片请求就不同了。“你必需测试大批的样本才能得出故障率，这种进程的本钱十分高。”她说。“大家正好考量如何在本钱可承担的水平下实现这一指标，每个方面都有好多挑战。”

全部这点皆是实打实的时间和真金白银。假如芯片在通过检验和其余进程以后适合规范，就能把晶圆从晶圆厂发给封测厂了。

这时刻，负担就移到封测厂了。为了帮助测试，KLA－Tencor设置了一个技艺方案来捕捉晶圆厂中的难题。该技艺被称为在线零件平均测试（I－PAT），它应用了PAT的概念。可是，与在测试部门发展的PAT及其变体不同，I－PAT在晶圆厂中执行。

I－PAT未必会与惯例的第三方反常检验供给商竞争。它的指标是提供更多的测试数据，补充既有的测试组合。平常来说，您依然须要执行惯例的反常检验。

KLA－Tencor的技艺涉及硬件和数据剖析软件包。简而言之，先把检测数据输入到计算机建模程序中，接下来分解数据，并察看晶圆图上的硅片，接下来在晶圆厂的若干审查环节中查找反常缺陷。

在一种容易的例子中，该技艺将显现具备五个层的芯片的晶圆图，例如有源区、栅极、触点层、金属层1和金属层2。假设金属层1上可能会有800个缺陷。计算机从晶圆上随机抉择10个芯片，接下来，运用各式I－PAT算法，体系终归确定这10个芯片中有9个存留潜在的可靠性缺陷。

这种进程可行循环好几遍。“你可行一遍又一遍循环这种环节，”KLA－Tencor顶级营销总监DavidPrice说。“经过一遍又一遍地循环，你可行见到缺陷的统算性质如何帮助你寻到最有可能包涵可靠性缺陷的芯片。”

I－PAT可用于挑选有难题的硅片。此外，这点数据可行与其它反常检验方法联合运用，以改良测试经过／不经过的决策。Price说：“经过在晶圆厂中实行I－PAT技艺，你将能够降低惯例PAT方法所带来的矫枉过正和不足之处。”

从晶圆厂到测试厂

晶圆从晶圆厂搬动到测试部门后，在那边发展晶圆分类、终归测试，有时也会发展体系级测试。

审查和测试会发生庞大的数据量。可是，在这点数据眼前，您如何晓得器件能否仍存留潜在的可靠性缺陷或其它难题呢？

这便是为何车子OEM厂家期望它们的供给商在测试进程中执行惯例反常检验的原因。Mentor企业的Renaud说：“

在全个晶圆通过测试以后，在晶圆分类中发展的PAT分拣，是在效劳器上作为离线料理达成的。对每个部分发展测试后，终归测试中的PAT分拣是在测试仪上在线执好的，自然，全个过程皆是由效劳器治理并操控的。”

平常，反常检验技艺从晶圆厂获得电子数据，接下来剖析数据。KLA－Tencor的新技艺将向测试混合提供更多半据。“咱们能够从KLA等企业的机器中收集检验数据，”Optimal＋的Schuldenfrei说。“将全部这点数据联合在一同运用，赫然会进一步提升检验的明确度。”

PAT是最根本的边界检验方式，应当可行检验出一种高于不及格阈值的芯片。测试阈值可行设计为静态（SPAT）或动态（DPAT）形式。

在SPAT中，测试阈值是鉴于该批次的数量打算的，在DPAT中，则会在每一次晶圆测试时计算阈值。在SPAT和DPAT中，都会执行一种算法，终归得出测试经过或不成功的结果。

可是，这点算法可能在某些概况下会不成功。有的器件的特征可能和其余器件显著不同，可是它也在规范范畴内。有的器件可能是远离正态分布的极其反常。“这类概况可能会惨重作用全个特征分布，接下来，你可能会漏掉挨近特征分布中心的反常。”Optimal＋的Schuldenfrei说。

反常检验行家曾经加入了少许程序来解决这点难题。可是，好几年来，这点芯片变得越来越繁杂，因而须要更领先进步的反常检验技艺。“消费者请求越来越繁杂的算法来辩别真实的反常，而不会形成不必需的产能损耗，”Mentor的Renaud说。“须要领先进步的自动形状检验来辩别非高斯分布。”

有少许鉴于几何分布、多变量和其余方案的繁杂反常检验算法，众多算法甚而可行和DPAT和SPAT联合一同运用。

一个领先进步类别的几何分布PAT（GPAT）可行依据它的几何分布邻近度来察看芯片品质。

GPAT有个繁杂版本，被称为好芯片／坏邻居（GDBN）。GDBN鉴于这样一个理念，缺陷总是趋势于聚集显露在晶圆的某些特定位子上。容易来讲，缺陷较多的地域可能会找出少许坏芯片。

另有一个被称为最差邻居残差（NNR）的技艺。“最近邻居残差技艺是在每个芯片的每一次测试中审查全部值，它不但考量全体晶圆，还考量临近芯片的概况。”Optimal＋的Schuldenfrei说。

另有少许其它方法，如多变量技艺。“地理体积算法审查晶圆上的失效形式，以确定掩模版缺陷和失效芯片的集群。同一时间，多变量算法测量屡次测试之中的相干性，而非是一次只考量一种测试结果，”Mentor的Renaud说。

全部这点方法都可行联合运用。

下一步

展望未来，ADAS和自助驾驭将进一步推进对更多检验技艺的要求。Optimal＋的Schuldenfrei显示：“随着车子的自助化水平越来越高，芯片缺陷检验也将变得越来越要紧。”

另外，这点检验技艺也会加入人力智能和机器学习。“随着机器学习和人力智能带来新的运算能力和功效，咱们信任，他们也会更多地参加到反常检验中来。”Schuldenfrei说。

最终，把全部的数据集成在一同或许是第一大的挑战。“想象一下，从芯片获取数据，并将其与若干不同企业的电路板数据关联起来，”他说。“您须要共享数据才能实现更没有问题反常检验。”