b体育当今,芯片行业正经历一系列深刻的变革:设计复杂性日益增加、向埃米时代的跨越、1000 倍的功率目标减少、multi-die 的挑战,还有很重要的人才短缺问题。据 BCG ananlysis 的分析,到 2030 年,据预测,美国的设计工作者需求将高达 89,000 人,相比现在预计将有接近 50% 的增长。但遗憾的是,到那时供应量预计只有 66,000 人,且这一数字每年仅增长不到 1%。这就意味着到 2030 年,设计行业面临的人才短缺达到 23,000 人,并且这个数字预计每年还会以 3,000 人的速度持续增长,缺口高达 35%。
时间就是金钱 是半导体行业中的生动演绎。为了应对这一系列的挑战,半导体行业必须不断地寻找新的方法来提高生产效率和质量。近些年,EDA 左移 策略在芯片设计中逐渐被广大业界所采纳。物理设计、测试与验证等环节越来越多地被提前到 RTL 设计阶段。值得关注的是,AI 的逐渐参与,也成为一道亮丽风景线。现在,AI 技术不仅渗透到了芯片设计半导体、验证和制造,还开始渗透到测试中,为测试这一传统流程注入了前所未有的活力和精确性。
随着芯片不断迈向先进工艺节点技术及其设计规模的扩张,测试领域遭遇了前所未有的复杂度和挑战b体育。采用先进工艺的设备导致了测试设备(ATE)成本的急剧上升,主要受到高引脚数、快速接口和深度模式存储器对高性能测试硬件的需求影响。此外,随着芯片的功能不断扩展,也带来了对更多逻辑的测试需求,进而需要更多的模式和测试器内存,导致测试成本的持续增长。
在芯片测试中,pattern count 是一个很重要的概念。它通常指的是测试向芯片应用的测试模式的数量。简单地说,这些 pattern 是一系列的输入信号,用于检查芯片上的各种功能和结构是否按预期工作。每一个 pattern 都会模拟一个特定的工作场景或操作条件,以确定芯片在该场景或条件下是否正常工作。
pattern count 与测试成本直接相关。因为高 pattern count 可能意味着更为详尽和全面的测试,但也可能意味着更长的测试时间和更高的成本。相反,一个低的 pattern count 可能减少了测试的时间和成本,但可能遗漏某些关键的测试场景。所以,对于 pattern count 需要找到一个平衡,既能确保芯片在各种场景下都经过充分测试,又能保持效率。在芯片测试中,优化 pattern 的数量至关重要。
为了生成这些 pattern count,自动测试模式生成(ATPG)流程应用而生。ATPG 的主要目标是确保芯片或硬件系统的高质量、低成本、快速运行和高生产率。在质量方面,它需要检测所有的有缺陷的部件,从而保证较低的 DPPM(每百万件的缺陷部件数),并支持先进的故障模型。从成本的角度考虑,ATPG 要努力最小化测试 pattern 或测试周期,同时也减少测试的数据量。在运行时间方面,它强调快速的 pattern 生成和质量结果分析。为了提高生产率,ATPG 工具需要有开箱即用的自动化功能。
典型的 ATPG 流程往往比较复杂,它包含多个相互依赖的参数,而且主要依赖手动迭代和微调测试配置来优化测试结果质量 ( QoR ) ,但手动估计参数可能会导致不准确的结果或效率低下。工程师需投入大量时间进行迭代以保证测试质量。而且 ATPG 流程的不可预测性增加了管理难度,这可能需要经验丰富的工程师来支持。这些问题可能会导致项目延误和资源浪费,还延长了流片的项目时间线,增加硅片测试成本。
所以,现在的 ATPG 技术已经不足够满足当前的需求,工程师不能再依赖这种方法来满足最后期限或实现最佳结果。行业亟需更先进和高效的 ATPG 解决方案来满足未来芯片在测试领域的挑战。
面对复杂的半导体测试挑战,AI 展现出了其潜在的价值。与传统的方法相比,AI 能够更快、更准确地生成测试 pattern,确保高覆盖率,同时还能大幅度减少所需的时间和资源。
作为将 AI 引入 EDA 工具领域的先行者,新思科技的 TSO.ai(测试空间优化 AI)是业界首款用于半导体测试的自主人工智能 ( AI ) 应用程序,它有如下四大主要特点或优势:
为了提高效率,TSO.ai 通过并行 ATPG 运行学习并确定这些因子之间的关联性,根据学习结果智能地调整设置,并通过连续的运行不断减少搜索空间b体育,以达到最优值。TSO.ai 工具会尽可能的生成最少数量的测试 pattern,来降低测试的周期,并适应有限的测试器存储器。虽然 TSO.AI 可以最小化 pattern 数量,但它却是以最大化测试覆盖率为目标。
具体到 TSO.ai 运行上,有两种配置策略:包括冷启动和热启动。没有先前关于设计和参数的学习的初始 TSO.ai 运行称为冷启动。热启动利用从先前运行中学到的知识,用于在小型设计或 ATPG 修改后节省时间。为了减少 TSO.ai 的周转时间,可以先对故障样本进行冷启动,然后对完整的故障集合进行热启动。
在这两种启动模式中,用户可以自定义并行的 TestMAX ATPG 运行数量和学习迭代次数,这些并行运行被视为在多台机器上运行的 工作人员(Workers)(如下图所示),而每台机器上的迭代次数被称为 乘数(multiplier)。根据可用的计算资源,用户可以选择使用更多的工作人员与较低的乘数以快速得到结果,或者使用较少的工作人员与较高的乘数来在运行时进行权衡。
src=具体到实际操作,为了缩短 TSO.ai 的周转时间,我们可以先对一个小的故障样本执行冷启动,配置为使用 12 个工作人员和 3 个乘数。接着,对完整的故障集合进行热启动,这时的配置可以调整为使用 5 个工作人员和 1 个乘数。
目前在早期客户参与的结果中,TSO.ai 在多个领域有持续的测试成本降低。在许多情况下,pattern 数量平均减少了 20-25%。其中在某些最佳案例中,有超过 50% 的 pattern 减少。具体可参见下图。
src=缺陷覆盖率、pattern count 以及运行时间是评估 ATPG 工具结果时需要考虑的三个关键指标。TSO.ai 工具是未来芯片测试领域的瑰宝。它不仅通过自动优化 pattern 数量降低了测试成本,还通过消除冗长和随机的 ATPG 迭代大大缩短了测试时间。最令人印象深刻的是,无论是资深工程师还是初入行的新手,都能通过它实现专家级的工作效率。
早在 2020 年,新思科技推出了全球首个用于芯片设计的 AI 应用程序 DSO.ai;2021 年该公司创下了一个世界生产力记录,一个工程师完成了 10 个模块的设计,而且总功率降低了 9%;2022 年,DSO.ai 取得了前所未有的采用记录,半导体行业的 TOP10 中有 9 家公司采用了这一技术。与传统设计方法相比半导体,使用 AI 设计的芯片在性能上有了 100% 的提升,且 DSO.ai 已经使得超过 100 种商业产品通过了设计验证。
2023 年,新思科技推出了行业首个 AI 驱动的电子设计自动化 ( EDA ) 整体解决方案 Synopsys.ai,该全流程解决方案涵盖了设计、测试、验证和制造等多个方面。它包括用于下一代设计的 DSO.ai,用于验证的 VSO.ai 以及本文所讲的用于测试的 TSO.ai。
可以说,AI 已经渗透到芯片产业链的各个过程,从设计、制造到测试,都展现出了巨大的潜力。这种渗透使得工程师能够更多地专注于芯片的质量和差异化,而不是繁琐的重复任务。未来,随着 AI 和深度学习与 EDA 工具的深度磨合和优化,将进一步推动半导体技术的革新。
Copyright © 2018-2024 b体育·(中国)手机APP下载 版权所有 xml地图 txt地图 网站地图 备案号:鲁ICP备16034232号-23