作為輔助駕駛和自動駕駛的關鍵組成部分，新一代汽車芯片正在快速推動異常檢測技術的發(fā)展。

據新智駕了解，半導體設備供應商 KLA-Tencor、半導體數據分析服務商Optimal+和EDA巨頭 Mentor （2016年被西門子收購）正在擴大異常檢測領域的相關工作。

異常檢測技術在各行業(yè)已經使用多年，是保證芯片生產質量零缺陷的主要技術之一，而零缺陷對汽車行業(yè)至關重要。

通常來說，異常檢測是采用硬件和統(tǒng)計篩選算法來定位的。一些芯片可能會通過各種標準測試，但是有時會表現(xiàn)出功能異常。這種芯片可能會影響系統(tǒng)性能或導致系統(tǒng)失效。

異?；蛉毕菪酒某霈F(xiàn)有諸多原因，一些潛在可靠性缺陷在設備發(fā)貨時不會出現(xiàn)，但它們在不同環(huán)境中會以某種方式激活，最終影響整個系統(tǒng)的運行。

為了發(fā)現(xiàn)芯片出現(xiàn)的各種問題，業(yè)界多種使用異常檢測的方法，如零件平均測試法（PAT）。

PAT的測試流程如下：

首先，對晶圓進行電氣測試；

其次，把硬件和PAT算法組合，檢測出違反特定測試規(guī)范的異?；蚬收闲酒?；

最后，將異常芯片去除。

*PAT中極限和異常值的圖形表示 來源：Automotive Electronics Council

隨著跟多高端芯片用于汽車，迫切需要高級的異常檢測算法；

異常檢測技術必須符合輔助駕駛和自動駕駛技術的發(fā)展趨勢；

英偉達和其它沒有異常檢測經驗的IC制造商正在蜂擁進入汽車市場，這意味著他們需要提高芯片面臨的一系列問題。

汽車芯片的發(fā)展趨勢

*隨機缺陷 來源: KLA-Tencor

既然如此，為什么不在這些芯片離開晶圓廠之前就檢測出這些缺陷呢？

晶圓廠測試

根據加州大學伯克利分校的統(tǒng)計，月產5萬片晶圓的晶圓廠需要以下設備：

50臺掃描儀/步進器和晶圓軌道；

10個高電流離子注入器和8個中等電流離子注入器；

40臺蝕刻機；

30個CVD工具。

晶圓廠一般采用自動化技術分步處理晶圓。一個先進工藝的晶圓制造過程可能有多達600-1000個步驟，甚至更多，相比之下，成熟工藝的步驟更少。

先進工藝中，半導體設備必須處理更小且更加精確的特征，隨著工藝尺寸的縮減，缺陷也變得越來越難查找。

在汽車領域，芯片制造商必須在其器件的制造工藝中實施更加嚴苛的控制措施，并實施持續(xù)的缺陷改進計劃。

“你必須有一個管理良好的工廠，一個強大的質量體系和貫徹高質量的理念，才能夠獲得制造汽車產品所需的認證。在汽車行業(yè)里，質量控制始于工藝設計和工廠規(guī)劃，并一直延伸到實際生產芯片?！甭?lián)電副總裁溫文婷表示。

晶圓廠中，人們使用檢測系統(tǒng)定位晶圓缺陷。一般來講，芯片制造商不會檢查每一片晶圓，因為那樣不僅耗時長而且成本高，抽樣檢測某些晶圓或者部分芯片是最好的辦法。

對于消費級芯片來說，過程簡單?！爱斘覀冮_發(fā)一項技術時，我們進行認證，通常來講，抽樣的樣本數量總是有限的?！睖匚逆帽硎?。

但汽車級芯片要求就不同了?！澳惚仨殰y試大量的樣本才能得出故障率，這個過程的成本非常高?！睖匚逆谜f。

所有問題和挑戰(zhàn)都是需要大量時間和資金去解決。如果芯片在經過檢測后符合規(guī)范，就可以把晶圓從晶圓廠分發(fā)到封測廠。

同時，壓力就轉給封測廠了。為了幫助測試，KLA-Tencor設計了一種技術方案來解決晶圓廠的問題。這一技術被稱為在線零件平均測試（I-PAT），它利用PAT的概念。但是，與在測試部門進行的PAT及其變體不同，I-PAT在晶圓廠中執(zhí)行。

I-PAT不一定會與傳統(tǒng)的第三方異常檢測供應商競爭。它的目標是提供更多的測試數據，補充既有的測試組合。通常來講，這個過程仍然需要執(zhí)行傳統(tǒng)的異常檢測。

KLA-Tencor的技術涉及硬件和數據分析軟件包。簡言之，先將檢驗數據輸入到計算機建模程序中，然后分解數據，并查看晶圓圖上的硅片，最后在晶圓廠的多個檢查步驟中查找異常缺陷。

舉例來說，這個技術將顯示具有五層的芯片晶圓圖，包括源區(qū)、柵極、觸點層、金屬層1和金屬層2。

假設金屬層1上可能會有800個缺陷。計算機從晶圓上隨機選擇10個芯片，然后，使用各種I-PAT算法，系統(tǒng)最終確定這10個芯片中有9個存在潛在的可靠性缺陷。

KLA-Tencor高級營銷總監(jiān)David Price說。 “通過不斷重復，可以看到缺陷的統(tǒng)計性質如何幫助你找到有可能包含可靠性缺陷的芯片?！?/p>

I-PAT可用于挑選有問題的芯片。 另外，這些數據可以與其他異常檢測方法結合使用，以改進測試通過或不通過的決策。Price說：“通過在晶圓廠中實施I-PAT技術，能夠減少傳統(tǒng)PAT方法的不足?！?/p>

晶圓廠到測試廠之路

晶圓從晶圓廠轉移到測試廠后，進行晶圓分類、最終測試，有時也會進行系統(tǒng)級測試。

檢查和測試會產生巨大的數據量。但是，在大量數據面前，如何知道器件是否仍存在潛在的可靠性缺陷或其他問題呢？

這也為什么汽車廠商希望他們的供應商在測試過程中執(zhí)行傳統(tǒng)異常檢測。

PAT是最基本的邊界檢測形式，可以檢測出一個超出不合格閾值的芯片。測試閾值可以設置為靜態(tài)（SPAT）或動態(tài)（DPAT）模式。

在SPAT中，測試閾值是基于該批次的數量決定的；在DPAT中，則會在每次晶圓測試時計算閾值。

在SPAT和DPAT中，都會執(zhí)行一個算法，最終得出測試通過或失敗的結果。

但是，這些算法可能在某些情況下會失敗。有的器件的特征可能和其它器件明顯不同，但是它也在合理范圍內。有的器件可能是遠離正態(tài)分布的極端異常。

雖然異常檢測專家已經加入了一些程序來解決這些問題。但是，多年來，這些芯片變得越來越復雜，因此需要更先進的異常檢測技術。

據新智駕了解，有一些基于幾何分布、多變量和其它復雜異常檢測算法可以和DPAT和SPAT結合一起使用。，例如通過它的幾何分布鄰近度來查看芯片質量。

GPAT有一個復雜版本，稱為GDBN。GDBN基于一種理念：缺陷總是趨向于集中出現(xiàn)在晶圓的某些特定位置上。簡單來講，缺陷較多的區(qū)域可能會找出一些不合格芯片。

還有一種被稱為最差殘差（NNR）技術?！白畈顨埐罴夹g是在每個芯片的每一次測試中檢查所有值，它不僅考慮整體晶圓，還考慮臨近芯片的情況?！監(jiān)ptimal+ Schuldenfrei說。

通常，上述方法都可以結合使用。

未來趨勢

展望未來，ADAS和自動駕駛將進一步推動檢測技術的需求。隨著汽車的自動化程度越來越高，芯片缺陷檢測也將變得越來越重要。

此外，機器學習和人工智能的運算能力與功能也日益強大，我們相信，它們也會更多地參與到異常檢測中來。

最后，把所有的數據集成在一起也許是最大的挑戰(zhàn)。想象一下，從芯片獲取數據，并將其與多個不同公司的電路板數據關聯(lián)起來，需要共享數據才能實現(xiàn)更好的異常檢測。