Die Rolle von KI und ML im Testbereich nimmt weiter zu und bietet erhebliche Zeit- und Geldersparnisse, die oft die anfänglichen Erwartungen übertreffen. KI kann jedoch nicht in allen Fällen eingesetzt werden und stört manchmal sogar gut getestete Prozessflüsse mit fragwürdiger Rendite. Besonders attraktiv ist die Fähigkeit von KI, Analytik auf große Datensätze anzuwenden, die sonst durch menschliche Fähigkeiten begrenzt sind. In der kritischen Design-zu-Test-Reichweite können KI und ML Probleme wie Inkompatibilitäten zwischen Design-Set-Up, Simulation und ATE-Testprogramm angehen, die normalerweise das Debugging und die Entwicklung verlangsamen. Einige der zeitaufwändigsten und kostspieligsten Aspekte vom Design zum Test entstehen aus Inkompatibilitäten zwischen Tools. Maschinelles Lernen und KI-Analytik können auch einen Teil der Ingenieursarbeit erleichtern, indem sie Ingenieuren als neues Werkzeug dienen.
Ingenieurteams bleiben weiterhin unverzichtbar, um den Design-zu-Test-Prozess zu beschleunigen, ML-Modelle zu führen und zu validieren und sicherzustellen, dass das System wie erwartet funktioniert. Trotzdem erhalten Ingenieure ein potenziell leistungsstarkes neues Werkzeug zur Identifizierung potenzieller Probleme und zur Bewältigung zunehmender Komplexität. Die Implementierung von AI in HVM wird jedoch durch verschiedene Herausforderungen verlangsamt. Die Anwendung von Machine-Learning-Algorithmen bietet mehrere Vorteile, z.B. bei der besseren Abstimmung der Chiplet-Leistung für den Einsatz in einem fortgeschrittenen Package oder bei der Reduzierung der Testzeit. Es gibt jedoch Herausforderungen in allen Phasen des Lebenszyklus von ML, von der Schulung über die Integration bis zur kontinuierlichen Anpassung der Modelle.
Die Analyse von Fehlerursachen ist für Halbleiter-Fabs oft teuer und zeitaufwendig, erfordert eine umfassende Rückverfolgung von Prozessdaten und -informationen. Neue Ansätze wie die Kombination eines digitalen Zwillings mit Scan-Diagnosedaten zur Ermittlung von Fehlerursachen bieten Potenzial. Darüber hinaus gewinnt die Verwendung von On-Die-Überwachung zur kontinuierlichen Messung von Leistungsinformationen an Bedeutung. In der Schlussfolgerung zeigt sich, dass die Begeisterung für KI und maschinelles Lernen durch robuste Infrastrukturänderungen in der ATE-Gemeinschaft unterstützt wird, um Echtzeit-Testdaten zu verarbeiten und für höhere Ausbeute, höheren Durchsatz zu optimieren. Weitere Entwicklungen wie identische Quelldateien für alle Setups über Design, Charakterisierung und Test hinweg helfen, die kritische Debugging- und Entwicklungsphase für neue Produkte zu beschleunigen.