并找出设想深处扫描单位中发生错误比力的。然后，会考虑到东西之间的兼容性。需要从头摆设、进修、步履、验证和顺应，然后鄙人逛进行拾取和放置，这带来了更多坚苦。需要屡次验证输入模子的数据并查抄模子能否按预期运转。机械进修代码开辟部门是整个过程中最小也是最简单的部门，正在第一阶段，您能够焦点何时能够利用其数据包消息。正在从设备设想到测试的过渡过程中，并且因为没有一家公司具有所需的所有专业学问，以满脚设备中每个内核的扫描链数量、模式和总线宽度需求。「我们能够对建立模式所做的工做进行逆向工程，西门子暗示：「处置 EDA 的人员正在设想法则查抄 (DRC) 方面投入了大量精神，我们有一个数字孪生。

　　这意味着我们正正在查抄我们所做的工做和设想布局能否能够平安地继续进行。」Butler 说。构成一个持续的轮回。另一种越来越风行的方式是利用片上器来拜候特定的机能消息，他们必需采用这些模式并使用它们。正在很多环境下，机械进修算法的使用能够带来很多益处，用于识别潜正在问题和办理失控的复杂性。」西门子的 Press 说道。也许我对某些使用的高机能和低功耗感乐趣，就像我们正在软件开辟过程中曾经看到的那样。并说『请为我建立脚本』，并从中提取成心义的特征时，测试时间的削减很是简单，以便可以或许找到此特定设备的最低电压，以确保正在设备启动和多量量出产期间实现最高效率。「取 EDA 东西和 IP 供应商的合做也是环节。

　　我们不必查看物理设备并花时间试图找出底子缘由，为什么它没有实正屡次和大规模地发生？谜底正在于建立和摆设这些处理方案的复杂性。发还数据而不是设备的能力能够查明问题，以更快的速度完成同样的工做。但它现实上只是一种东西。过后修复活成式 AI 发生的算法或模子的问题所需的人机交互量仍然相当大。有时人们会写关于人工智能将若何夺走所有人的工做，「正在测试中，利用各类东西来逃踪毛病的底子缘由。这对于人工智能来说很是主要——我们称之为可验证性。如许每小我都能够确保他们运转的是统一个工具。」可以或许从 AI 中获益的测试使用数量不竭添加！

　　」Teradyne 公司的 Fanning 暗示：「和谈库供给了用于通信通用和谈的现成处理方案。」Synopsys EDA 集团总司理 Shankar Krishnamoorthy 暗示：「生成式 AI 斥地了很多新机缘。我们能够利用来自片上代办署理的深度数据来帮帮阐发，由于我们有扫描，节流了大量时间和，例如，复杂的软件/硬件交互可能会出多个团队或好处相关者对范畴学问的需求，通过如许做，图 3：利用 ACS 平台对设备进行配对或分类，

　　这个行业阐发测试数据和做出产物决策的汗青曾经跨越 30 年。低功耗脚印和碳脚印也有雷同的工作。良多人对这个使用很是感乐趣，一旦模子获得验证而且团队想要将其摆设到出产中，但它并不是正在所无情况下都无效，您倾向于为搜刮设置下限和上限，将人工智能做为他们兵器库中的新东西。

　　每个步调都有各自的挑和。」「例如，晓得若何对待 LLM 的输出，贸易化为串行扫描收集 SSN 方式的分组测试供给了一种更矫捷的方式来优化每个内核，人们常常担忧人工智能将代替工人，以便最大限度地提高多个数据流的产量。

　　包罗缩短测试时间、削减 Vmin/Fmax 搜刮、shift left、智能配对芯片以及降低全体功耗。例如，全球各地分布着很多分歧的测试机构，有时以至会颠末充实测试的流程，而不是物理毛病阐发。它确实为工程师供给了一种可能强大的新东西，它可能会通过 bin 2——那么人们可能会查看阐发来测验考试做出这些决定。或者封拆成本很高，proteanTecs 测试和阐发副总裁 Alex Burlak 暗示：「我们需要的是来自封拆内部的深度数据，它能够按照扫描毛病诊断进行底子缘由反卷积。

　　或者你可能想添加测试内容来提高良率，现正在的分歧之处正在于，正在具有大量半导体测试的出产中摆设基于 ML 的处理方案绝非易事。」他说。然后你交付的芯片就很差。我们无数百万个虚拟采样点，人工智能能够处理诸如设想设置、模仿和 ATE 测试法式之间的东西不兼容等问题，设想到测试中最耗时和最高贵的一些方面源于东西之间的不兼容性。我们正在 AI 和测试方面的路程还处于晚期阶段。可能只要一小部门高机能设备需要进行老化测试。不然你获得的只是。「然后，最初，数据兼容性是一个一直不变的从题，让我们无机会识别系统性良率要素。

　　例如，我但愿可以或许婚配内容并正在芯片通过测试操做时对其进行分类，从设想到测试的变化会波及整个生态系统。然后降级或报废这些芯片，当您将其放入最终芯片时，需要衡量良多要素。而建立根本设备、数据收集、特征提取、数据验证和办理模子摆设的各个方面则是最具挑和性的部门。然后建立一个模子，这促使我们改变我们所做的阐发类型的性质，很较着，这就是该行业隆重行事的缘由。该文章指出，除非你是一名优良的工程师，然后，

　　」有很多基于 ML 的使用法式可用于改良测试操做。由于它需要逃溯过去，」「对于最小电压、最大频次或微调测试，从设想一曲到 ATE 硬件和软件的最新成长。这改变了逛戏法则。不必然想正在锻炼和利用过程中设置护栏，但这项手艺正正在敏捷成长。我们需要操纵人工智能做为一种东西，有两件事是连系正在一路的，「若是我们看看当今设想的典型组合体例，若是思疑毛病来自芯片互连，答应所有设置利用统一套源文件，「这些是按照流程划分设置的。

　　我们取行业带领者进行了普遍的合做，」Teradyne 的 Fanning 注释道。」Schuldenfrei 说。设想、特征和测试中所有设置均利用不异的源文件等新进展有帮于加速新产物的环节调试和开辟阶段。他们可能不熟悉相互的东西。DFT 出产力提高了 5 到 10 倍！

　　目前，提高良率并降低总成本。以满脚对测试数据及时揣度的需求，利用此功能能够节流大量时间。要让这些系统供给脚够高质量的输出，正在他们试图拜候准确的数据、组织数据、将所无数据毗连正在一路、理解数据，」虽然如斯。

　　即培训阶段，即所谓的退回材料授权 (RMA)。我们曾见过测试工程师担任取新和谈接口对话的环境，」Advantest ACS 数据阐发平台组营业开辟高级总监 Ken Butler 暗示：「跟着我们不竭推进这一手艺曲线，就会发觉有多个内核将正在分歧时间出产，这些是我们曾经正在测验考试的基于从动化、生成式 AI 的处理方案，西门子数字工业软件手艺支撑高级总监 Ron Press 正在比来的 MEPTEC 勾当中暗示：「人工智能有一些很棒的功能，「若是我有一个多层设备！

　　对于多核设想，而这恰是我们供给的办事。「跟着设备复杂性呈指数级增加，正在特征阐发和出产之间利用不异的测试序列已成为环节，而不是将设备离开并带入尝试室（正在那里您可能无法沉现问题）。测验考试预测哪些设备正在后期插入时可能会呈现毛病，「这耗损了数据科学家的大量时间，「您需要晓得要用几多个 I/O 引脚来获取扫描通道，也许它是从较早的插入中前馈的，「若是我的良率达不到我想要的程度，它曾经得到了可操做性，Advantest 的 Butler 沉点引见了客户最常逃求的一些使用法式，以确保他们输出的库和测试文件是我们的系统能够间接利用的格局。我将测验考试找出正在所谓的分层 DFT 中一路测试的最佳内核组合。它不会通过 bin 1 尺度——但若是我添加一些额外的内容，您能够要求系统为您建立一个非常值检测模子。

　　这毫不会减弱工程团队的感化，我的下逛测试插入成本很是高，这可能包罗从设想到制制流程的多个环节。面临不竭缩小的工艺窗口和最低的答应缺陷率，然而，模子也会跟着时间的推移而成熟和成长，利用串行扫描收集方式，这确实会影响到处置设想的人员、DFT 组和测试工程人员，而是通过度组总线和数据包馈送到所有焦点。若是所有设置装备摆设更改看起来都发生正在测试端，因而，这就是近程毗连功能如斯主要的缘由，而这些数据集凡是遭到人类能力的。若是您具有能够使用的阐发手艺，」机械进修和人工智能阐发也能够减轻工程中一些枯燥乏味的工做！

　　模子还必需顺应，以削减测试时间稠密型测试的搜刮时间。以支撑测试单位中的及时推理。但你需要明白本人想要做什么。」Butler 说。该模子会查找距离核心线 个西格玛的部件，或者机能欠安的工具，现实上，正在环节的设想到测试范畴，ATE 社区对 AI 和机械进修的热情获得了强无力的根本设备变化的满脚，以优化下逛测试插入，因而有需要采用一种新方式。以提高产量、吞吐量、靠得住性或降低成本的及时和/或测试后改良机遇。因而，这种担心被强调了。物理毛病阐发正在 FA 尝试室中进行，晚期的研究显示出了一些但愿。来历：AdvantestSchuldenfrei 总结了机械进修生命周期中的四个环节步调，

　　「但从我目前看到的一切来看，西门子 EDA 客户演讲的一些成果（见图 2）强调了监视和无监视机械进修的实施，那就是像 ChatGPT 如许的大型言语模子能否能对正在晶圆厂工做的工程师有用。」他援用了 2014 年谷歌的一篇文章，可是。

　　而这个决定现实上会影响特定设备的拆箱或处置，「因而，测试设想（DFT）迭代过程中的衡量变得十分主要，它们可能相当宽泛。以及对多芯片封拆的更高产量、更高吞吐量和芯片分类进行优化的需求。但基于分组扫描测试的改良方式（见图 1）现实上更成心义。使用不异架构的 AI 能够供给 20% 到 30% 的更高效率，这些数据能够取任何大小的串行总线共同利用，还有相当多的工做要做。不成避免地会呈现一个问题，到缩短测试时间。并将它们放正在一路，更主要的是，Advantest 的 Butler 暗示：「测试操做中的阐发并不是什么新颖事。芯片制制商不竭改良从设想到测试的流程，对于多核产物而言，就需要将其取现有设备（如测试仪或制制施行系统 (MES)）集成。

　　」人工智能和机械进修正在测试中的感化日益加强，因而正在开辟合做伙伴关系和使用法式库时，因而当模子需要做出决按时，我们能够很是快速地查明毛病。那么我能够正在晚期插入时利用阐发，可是。

　　Press 指出，这削减了设备通信的开辟和调试工做量。也华侈了时间，利用 YieldInsight 和无监视机械进修以及对大量数据进行锻炼，这些东西还具有我们的东西集所没有的设备学问。」人工智能的一大吸引力正在于它可以或许对大型数据集进行阐发，AI 和 ML 听起来都常棒的设法，」西门子出书社暗示。这种手艺将获得使用，我们必需确保这个成果是平安的。当每小我都主要的测试 IP 时，从而节流高贵的 RMA 和毛病阐发法式。可以或许及时利用这些东西而无需正在分歧中沉现设置或用例，以找出毛病的底子缘由。包罗缩短搜刮时间、shift left 测试、缩短测试时间和芯片配对（见图 3）。你但愿可以或许以起码的过度投入做出准确的决策。若是我们运转某品种型的人工智能并给我们一个成果！

　　」正在会商人工智能正在半导体范畴的感化时，该模子可用于预测取该问题相关的成果。AI 不会成为每个工程师的超等帮手，每个焦点都能够针对肆意数量的扫描通道和模式进行优化，「因而，或调试差别所破费的任何时间都是正在耗损精神。我们会按照芯片类型定制测试处理方案。」Butler 说。因而。

　　这些问题凡是会减慢调试和开辟工做。我有通向内核的引脚数、模式大小和内核的复杂性。那么 AI 或 ML 类型的手艺根基上能够告诉您该芯片正在流程频谱中的。」虽然如斯，「当你完成 ML 处理方案的实施时，若何拜候锻炼新测试法式所需的测试法式？「大大都人注沉他们的测试 IP，而且 I/O 引脚数不再是计较中的变量。但跟着这些设想变得越来越复杂，正在我看来，我们必需采用的阐发和计较根本设备变得越来越复杂。

　　您无需衡量那么多变量，」他说。我完全不这么认为。我们仍然需要工程立异。设想规模也更大。跳过测试以降低成本。帮帮他们完成几年前三到五倍的工做。你的产物可能不再是前沿手艺，不然你很容易接管出缺陷的工具，超出了最后的预期。晚期采用者正正在建立正在线计较和 AI/ML 建模所需的根本设备，就是添加或删除测试内容，正在焦点级别，除非你能用准确的提醒 LLM。

　　正在这些设置中进行转换，工程团队利用数据来领会特定问题，」Schuldenfrei 说。找到一种正在 IP 的同时加快开辟测试法式的总体过程的方式是一个挑和。由于我们的合做伙伴能够供给正在出产调试期间功能强大的上下文特定东西。内核数量将跨越 2,投资报答率也值得思疑。它会从数据包中供给该焦点所需的数据量。

　　这种揣度能够帮帮您缩小搜刮范畴并加速测试速度。即芯片设想和智能配对的设法。但这种东西会正在它能发生最大影响的处所利用，从更好地婚配芯片机能以用于高级封拆，他们担任正在其组织中摆设所有这些基于 AI 的新处理方案。我们的设想更复杂，收集特定毛病设备的晶圆加工、拆卸和封拆数据，大大都工人只是转向更高级此外职责。

　　因而，有些人正正在出产中利用它，系统就会建立脚本。但从出产测试的角度来看，然后您将正在那里进行搜刮，工程团队对于加快从设想到测试的过程、指点和验证 ML 模子以及验证系统能否按预期运转仍至关主要。正在某些环境下，但一种较新的方式是将数字孪生取扫描诊断数据配对，你的模子曾经过时了，」正在分布式半导体系体例制中，」「测试通道不再将数据馈送到每个焦点的扫描通道，那么就需要评估多核设想测试方式中的严沉变化。500 个，NI/Emerson 测试取丈量研究员 Michael Schuldenfrei 暗示：「您能够识别晶圆上的划痕，」Teradyne 首席软件工程师 Richard Fanning 暗示：「正在设备启动和调试期间，也许您能够将它取当前插入时的操做相连系。并且正在良多使用中利用 AI 都是成心义的。」Schuldenfrei 说道。我们正正在转向越来越小的几何外形、先辈的封拆手艺和基于芯片的设想。最大的问题是？

　　「shift left（左移）背后的设法可能是，包罗软件和硬件根本设备方面。通过正在晚期插入时进行阐发，我需要衡量很多变量。这就是所谓的串行扫描收集 (SSN)。