AI時代下的半導體測試革命

當今，晶片產業正經歷一系列深刻的變革：設計複雜性日益增加、向埃米時代的跨越、1000倍的功率目標減少、multi-die的挑戰，還有很重要的人才短缺問題。根據BCG ananlysis的分析，到2030年，據預測，美國的設計工作者需求將高達89,000人，相比現在預計將有接近50%的增長。但遺憾的是，到那時供應量預計只有66,000人，且這一數字每年僅增長不到1%。這意味著到2030年，設計業面臨的人才短缺達到23,000人，而這個數字預計每年還會以3,000人的速度持續成長，缺口高達35%。

「時間就是金錢」是半導體產業中的生動演繹。為了應對這一系列的挑戰，半導體產業必須不斷尋找新的方法來提高生產效率和品質。近些年，EDA「左移」策略在晶片設計中逐漸被廣大業界所採納。實體設計、測試與驗證等環節越來越多地被提前到RTL設計階段。值得關注的是，AI的逐漸參與，也成為一道亮麗風景線。現在，AI技術不僅滲透到了晶片設計、驗證和製造，還開始滲透到測試中，為測試這項傳統流程注入了前所未有的活力和精確性。

晶片測試複雜度攀升，亟需更先進的ATPG技術

隨著晶片不斷邁向先進製程節點技術及其設計規模的擴張，測試領域遭遇了前所未有的複雜度和挑戰。採用先進製程的設備導致了測試設備（ATE）成本的急劇上升，主要受到高引腳數、快速介面和深度模式記憶體對高效能測試硬體的需求影響。此外，隨著晶片的功能不斷擴展，也帶來了對更多邏輯的測試需求，進而需要更多的模式和測試器內存，導致測試成本的持續成長。

在晶片測試中，"pattern count" 是一個很重要的概念。它通常指的是測試向晶片應用的測試模式的數量。簡單地說，這些pattern是一系列的輸入訊號，用於檢查晶片上的各種功能和結構是否按預期工作。每一個pattern都會模擬一個特定的工作場景或操作條件，以確定晶片在該場景或條件下是否正常運作。

pattern count與測試成本直接相關。因為高pattern count可能意味著更詳盡和全面的測試，但也可能意味著更長的測試時間和更高的成本。相反，一個低的pattern count可能減少了測試的時間和成本，但可能遺漏某些關鍵的測試場景。所以，對於pattern count需要找到一個平衡，既能確保晶片在各種場景下都經過充分測試，又能保持效率。在晶片測試中，優化pattern的數量至關重要。

為了產生這些pattern count，自動測試模式產生（ATPG）流程應用而生。ATPG的主要目標是確保晶片或硬體系統的高品質、低成本、快速運作和高生產率。在品質方面，它需要檢測所有的有缺陷的部件，從而確保較低的DPPM（每百萬件的缺陷部件數），並支援先進的故障模型。從成本的角度考慮，ATPG要努力最小化測試pattern或測試週期，同時也減少測試的資料量。在運行時間方面，它強調快速的pattern生成和品質結果分析。為了提高生產率，ATPG工具需要有開箱即用的自動化功能。

典型的ATPG流程往往比較複雜，它包含多個相互依賴的參數，而且主要依賴手動迭代和微調測試配置來優化測試結果品質(QoR) ，但手動估計參數可能會導致不準確的結果或效率低下。工程師需投入大量時間進行迭代以確保測試品質。而且ATPG流程的不可預測性增加了管理難度，這可能需要經驗豐富的工程師來支援。這些問題可能會導致專案延誤和資源浪費，也延長了流片的專案時間線，增加矽片測試成本。

所以，現在的ATPG技術已經不足夠滿足當前的需求，工程師也不能再依賴這種方法來滿足最後期限或達到最佳結果。業界亟需更先進和高效的ATPG解決方案來滿足未來晶片在測試領域的挑戰。

新思科技TSO.ai工具為半導體測試注入AI動力

面對複雜的半導體測試挑戰，AI展現了其潛在的價值。與傳統的方法相比，AI能夠更快、更準確地產生測試pattern，確保高覆蓋率，同時也能大幅減少所需的時間和資源。

作為將AI引入EDA工具領域的先行者，新思科技的TSO.ai（測試空間優化AI）是業界首款用於半導體測試的自主人工智慧(AI) 應用程序，它有如下四大主要特點或優勢：

利用人工智慧技術，以更少的pattern實現更高的測試覆蓋率。

提供可重複且可預測的流程，以滿足設計進度的需求。

透過有效的迭代和並行運行加速週轉時間。

無需專門的工具知識，即可在大規模上實現專家級的生產力。

那麼，TSO.ai是如何借助AI的力量來實現這些優勢的呢？

為了提高效率，TSO.ai透過並行ATPG運作學習並確定這些因子之間的關聯性，根據學習結果智慧地調整設置，並透過連續的運作不斷減少搜尋空間，以達到最優值。TSO.ai工具會盡可能的產生最少數量的測試pattern，來降低測試的週期，並適應有限的測試器記憶體。雖然TSO.AI可以最小化pattern數量，但它是以最大化測試覆蓋率為目標。

具體到TSO.ai運作上，有兩種設定策略：包括冷啟動和熱啟動。沒有先前關於設計和參數的學習的初始TSO.ai運行稱為冷啟動。熱啟動利用從先前運行中學到的知識，用於在小型設計或ATPG修改後節省時間。為了減少TSO.ai的周轉時間，可以先對故障樣本進行冷啟動，然後對完整的故障集合進行熱啟動。

在這兩種啟動模式中，使用者可以自訂並行的TestMAX ATPG運行數量和學習迭代次數，這些並行運行被視為在多台機器上運行的「工作人員（Workers）」（如下圖所示），而每台機器上的迭代次數被稱為「乘數（multiplier）」。根據可用的計算資源，使用者可以選擇使用更多的工作人員與較低的乘數以快速得到結果，或者使用較少的工作人員與較高的乘數來在運行時進行權衡。

具體到實際操作，為了縮短TSO.ai的周轉時間，我們可以先對一個小的故障樣本執行冷啟動，配置為使用12個工作人員和3個乘數。接著，對完整的故障集合進行熱啟動，這時的配置可以調整為使用5個工作人員和1個乘數。

目前在早期客戶參與的結果中，TSO.ai在多個領域有持續的測試成本降低。在許多情況下，pattern數量平均減少了20-25%。其中在某些最佳案例中，有超過50%的pattern減少。具體可參見下圖。

新思科技建議的TSO.ai使用流程如下：

缺陷覆蓋率、pattern count以及運行時間是評估ATPG工具結果時需要考慮的三個關鍵指標。TSO.ai工具是未來晶片測試領域的寶藏。它不僅透過自動優化pattern數量降低了測試成本，還透過消除冗長且隨機的ATPG迭代大大縮短了測試時間。最令人印象深刻的是，無論是資深工程師還是初入行的新手，都能透過它實現專家級的工作效率。

AI驅動晶片設計的時代已經來臨

早在2020年，新思科技推出了全球首個用於晶片設計的AI應用程式DSO.ai；2021年該公司創下了一個世界生產力記錄，一個工程師完成了10個模組的設計，而且總功率降低了9%；2022年，DSO.ai取得了前所未有的採用記錄，半導體產業的TOP10中有9家公司採用​​了這項技術。與傳統設計方法相比，使用AI設計的晶片在性能上有了100%的提升，且DSO.ai已經使得超過100種商業產品通過了設計驗證。

2023年，新思科技推出了業界首個AI驅動的電子設計自動化(EDA)整體解決方案Synopsys.ai，該全流程解決方案涵蓋了設計、測試、驗證和製造等多個面向。它包括用於下一代設計的DSO.ai，用於驗證的VSO.ai以及本文所講的用於測試的TSO.ai。

可以說，AI已經滲透到晶片產業鏈的各個過程，從設計、製造到測試，都展現了巨大的潛力。這種滲透使得工程師能夠更專注於晶片的品質和差異化，而不是繁瑣的重複任務。未來，隨著AI和深度學習與EDA工具的深度磨合和優化，將進一步推動半導體技術的革新。（半導體產業觀察）