优化自动测试设备的质量和复杂性

人工智能(AI)正在重塑我们的世界，推动前所未有的增长和创新。高性能芯片是这场革命的核心，其复杂性、精度要求以及先进技术的集成度都在持续提升。

这种迅猛的变化对支撑数字技术和半导体制造的自动测试系统提出了新的挑战。这标志着一个全面转型的开始，需要具备适应性的测试策略来应对新的工艺架构、异构封装以及硬件和软件集成所带来的复杂性。

当前的半导体测试行业采用多方面的方法以应对这些多样化的挑战。通过改进测试设备、融合AI技术、采纳新标准和优化测试流程，自动测试设备(ATE)行业正致力于跟上半导体技术快速进步的步伐，并满足制造商日益增长的需求。

融合因素的日益复杂性

Jeorge Hurtarte。(来源：Teradyne)

数十年来，数字化扩展成功地实现了数字能力和晶体管密度的指数级增长。虽然晶圆厂微缩在成本和功耗方面的优势似乎有所放缓，但先进节点将继续缩小至5nm以下的几何尺寸。每一代半导体产品均需对数百万个晶体管进行测试和验证。

同时，业界正向包含多个异构集成半导体裸片——即所谓的芯粒(chiplet)——的先进封装转变。这一趋势允许制造商在同一封装内组合不同类型的处理单元(例如CPU、GPU及AI加速器)与高带宽内存，从而针对特定应用实现性能优化。芯粒和2.5D/3D封装等先进封装技术通过克服单片设计的局限性，提供了更高的性能、效率和灵活性。

然而，异构集成也使得测试过程变得更加复杂。为确保每个芯粒及其集成系统的功能、可靠性和性能，必须开发专用探针和接口，以便有效测试这些集成封装。

测试半导体器件

随着AI和高性能计算(HPC)的快速发展，晶体管尺寸不断缩小，封装密度也在不断提升。5G、Wi-Fi 6以及Wi-Fi 7等技术促进了对更高数据传输速率和更高带宽解决方案的需求，这对于工业和商业自动化中不可或缺的实时数据传输至关重要。

这些因素共同导致了对ATE的需求以及对半导体测试合作伙伴的依赖迅速增加。更小节点的成功采用，例如2nm工艺，进一步加大了对工程技术专长与工具的压力，其中ATE对于通过良率学习和峰值生产减少误差起着至关重要的作用。

灵活的测试策略可优化良率、测试成本与质量

随着需求的增长，灵活的测试策略也在不断进化，以应对新工艺节点、基于芯粒的架构及其他新兴技术带来的挑战。

用系统级测试补充ATE

动态测试覆盖率构成了ATE和系统级测试(SLT)之间的桥梁——SLT是一种在模拟最终使用环境条件下评估半导体器件的方法。

这样可以更全面地验证器件的功能及其与软件和其他硬件组件的交互，特别是对于系统级芯片(SoC)和系统级封装(SiP)等先进半导体技术来说尤为重要，在这些技术中现实世界的交互和软件集成至关重要。这种方法能够有效地识别故障，平衡成本，并且制造商可以通过数据分析来提高产量。

预集成和综合测试选项

确保只有功能正常的裸片和中介层才能被集成到最终封装中是非常重要的。严格的预集成测试(已知良好裸片和已知良好中介层工艺)能够验证每个组件的功能并降低出现缺陷的可能性。对于3D堆叠IC中的全面测试访问，全堆栈范围内的3D-DFT测试访问架构能够实现对可靠性和性能的有效测试。

考虑新兴技术与测试要求

为了应对数据中心的能耗问题，诸如硅光子等新技术正在被引入。然而，这也带来了同时进行数字和光子测试的新需求——这是一项业界仍在开发的能力。随着光子与电子技术的日益融合，需要针对共封装光学器件进行优化的光子测试仪，以确保数据中心和HPC应用所需的高数据传输速率和低功耗。

利用数据分析与AI集成

理想情况下，测试合作伙伴将利用ATE的数据分析能力，在制造过程中提供反馈和控制。这些数据有助于识别趋势和异常，从而做出主动调整，提高产量并降低成本。

AI可以帮助分析趋势、优化测试参数并做出实时决策，从而提高测试效率。这种集成需要在整个半导体生命周期的不同阶段安全地共享数据，尤其在无晶圆厂模式下更具挑战性。

例如，随着器件从晶圆转移到封装再到SLT，ATE行业必须确定最有效的故障机制筛查点。随着特定器件的制造工艺日趋成熟，此类决策由人为做出，但这些决策的关键支持在于动态测试覆盖率。ATE和SLT系统之间需要有通信链路，以确定应检测和处理故障的位置。AI算法的集成可以进一步增强这一过程，管理测试过程中生成的大量数据，确保测试的高质量和经济高效。

平衡测试覆盖率以优化产量、成本和质量

实施灵活的测试流程需要同时采取“左移”和“右移”策略，以优化整体质量成本，并在早期和后期测试阶段之间取得权衡。数据分析用于确定半导体制造过程中最佳的测试点。

早期测试可最大限度地降低废品成本，而后期测试可确保全面的质量控制。这种综合性方法可以优化整个测试生态系统，提高产量，降低成本，同时保持高质量。

推动增长并塑造行业

AI的应用已经对测试市场产生了深远的影响，但ATE行业仍然处于增长趋势的初期阶段，预计在未来几年内这一趋势将进一步显现。AI是一个长期的变革驱动力，已经在网络以及高级驾驶辅助系统(ADAS)等边缘AI应用领域展现出了影响。

展望未来，在半导体测试市场中，预计计算市场的规模将以超出预期的速度增长，到2024年总潜在市场(TAM)将达到16亿美元。

如今，AI带来的行业增长主要集中在云AI能力的建设上，特别是在大型语言模型(LLM)的大规模数据集训练方面。当LLM应用于解决现实世界中的问题时，即通过云端和边缘的推理应用，LLM将产生商业影响。半导体测试位于这一影响的核心，它依靠工具、数据和协作来确保数字系统和设备的质量和可靠性。

训练LLM所需的硬件条件非常高，包括通用的细粒度计算能力、高带宽内存、密集网络互连和巨大的功率需求——所有这些都需要创新的测试策略来确保质量和可靠性。

AI时代与半导体测试

AI时代为先进封装中的异构集成开辟了新的机遇。这些进展结合先进节点和新兴技术(如新型互连标准)，对从EDA到生产的整个流程和优化工作施加了巨大压力。

面对这些挑战，需要创新的测试策略、先进的设备以及对硬件和软件集成的关注，以确保当今复杂半导体产品的可靠性和性能。灵活而全面的半导体测试策略对于优化产量、测试成本和质量至关重要。

测试合作伙伴应提供动态测试覆盖率，在整个制造流程中实施平衡测试，关注新兴技术、利用数据分析进行持续改进，并在测试流程中集成AI。这些要素对于确保AI时代半导体器件的质量和可靠性至关重要。

通过与测试合作伙伴合作，可以确保采取一种全面的方法——建立强大的测试网络、通过有效的故障检测来优化质量成本、平衡开支并利用数据分析来提高产量。

——Jeorge S. Hurtarte博士目前是Teradyne半导体测试部门的产品营销高级总监。他曾于Teradyne、Lam Research、LitePoint、TranSwitch及Rockwell Semiconductors担任过各种技术、管理和行政职务。

（原文刊登于EE Times美国版，参考链接：Optimizing Automated Test Equipment for Quality and Complexity，由Franklin Zhao编译。）