所有这些都是实打实的时间和真金白银。如果芯片在经过检测和其它过程之后符合规范，就可以把晶圆从晶圆厂发给封测厂了。

这时候，压力就转到封测厂了。为了帮助测试，KLA－Tencor设计了一种技术方案来捕捉晶圆厂中的问题。该技术被称为在线零件平均测试（I－PAT），它利用了PAT的概念。但是，与在测试部门进行的PAT及其变体不同，I－PAT在晶圆厂中执行。

I－PAT不一定会与传统的第三方异常检测供应商竞争。它的目标是提供更多的测试数据，补充既有的测试组合。通常来讲，您仍然需要执行传统的异常检测。

KLA－Tencor的技术涉及硬件和数据分析软件包。简而言之，先把检验数据输入到计算机建模程序中，然后分解数据，并查看晶圆图上的硅片，然后在晶圆厂的多个检查步骤中查找异常缺陷。

在一个简单的例子中，该技术将显示具有五个层的芯片的晶圆图，比如有源区、栅极、触点层、金属层1和金属层2。假设金属层1上可能会有800个缺陷。计算机从晶圆上随机选择10个芯片，然后，使用各种I－PAT算法，系统最终确定这10个芯片中有9个存在潜在的可靠性缺陷。

这个过程可以重复好几遍。“你可以一遍又一遍重复这个步骤，”KLA－Tencor高级营销总监DavidPrice说。“通过一遍又一遍地重复，你可以看到缺陷的统计性质如何帮助你找到最有可能包含可靠性缺陷的芯片。”

I－PAT可用于挑选有问题的硅片。另外，这些数据可以与其他异常检测方法结合使用，以改进测试通过／不通过的决策。Price说：“通过在晶圆厂中实施I－PAT技术，你将能够减少传统PAT方法所带来的矫枉过正和不足之处。”

从晶圆厂到测试厂

晶圆从晶圆厂移动到测试部门后，在那里进行晶圆分类、最终测试，有时也会进行系统级测试。

检查和测试会产生巨大的数据量。但是，在这些数据面前，您如何知道器件是否仍存在潜在的可靠性缺陷或其他问题呢？

这就是为什么汽车OEM厂商希望他们的供应商在测试过程中执行传统异常检测的原因。Mentor公司的Renaud说：“

在整个晶圆经过测试之后，在晶圆分类中进行的PAT分拣，是在服务器上作为离线处理完成的。对每个部分进行测试后，最终测试中的PAT分拣是在测试仪上在线执行的，当然，整个流程都是由服务器管理并控制的。”

通常，异常检测技术从晶圆厂得到电子数据，然后分析数据。KLA－Tencor的新技术将向测试混合提供更多数据。“我们能够从KLA等公司的机器中收集检测数据，”Optimal＋的Schuldenfrei说。“将所有这些数据结合在一起使用，显然会进一步提高检测的准确度。”

PAT是最基本的边界检测形式，应该可以检测出一个超出不合格阈值的芯片。测试阈值可以设置为静态（SPAT）或动态（DPAT）模式。

在SPAT中，测试阈值是基于该批次的数量决定的，在DPAT中，则会在每次晶圆测试时计算阈值。在SPAT和DPAT中，都会执行一个算法，最终得出测试通过或失败的结果。

但是，这些算法可能在某些情况下会失败。有的器件的特征可能和其它器件明显不同，但是它也在规范范围内。有的器件可能是远离正态分布的极端异常。“这种情况可能会严重影响整个特征分布，然后，你可能会漏掉接近特征分布中心的异常。”Optimal＋的Schuldenfrei说。

异常检测专家已经加入了一些程序来解决这些问题。但是，多年来，这些芯片变得越来越复杂，因此需要更先进的异常检测技术。“客户要求越来越复杂的算法来识别真正的异常，而不会造成不必要的产能损失，”Mentor的Renaud说。“需要先进的自动形状检测来识别非高斯分布。”

有一些基于几何分布、多变量和其它方案的复杂异常检测算法，许多算法甚至可以和DPAT和SPAT结合一起使用。

一种先进类型的几何分布PAT（GPAT）可以根据它的几何分布邻近度来查看芯片质量。

GPAT有一个复杂版本，被称为好芯片／坏邻居（GDBN）。GDBN基于这样一种理念，缺陷总是趋向于集中出现在晶圆的某些特定位置上。简单来说，缺陷较多的区域可能会找出一些坏芯片。

还有一种被称为最差邻居残差（NNR）的技术。“最近邻居残差技术是在每个芯片的每次测试中检查所有值，它不仅考虑整体晶圆，还考虑临近芯片的情况。”Optimal＋的Schuldenfrei说。

还有一些其他方法，如多变量技术。“地理空间算法检查晶圆上的失效模式，以确定掩模版缺陷和失效芯片的集群。同时，多变量算法测量多次测试之间的相关性，而不是一次只考虑一个测试结果，”Mentor的Renaud说。

所有这些方法都可以结合使用。

下一步

展望未来，ADAS和自主驾驶将进一步推动对更多检测技术的需求。Optimal＋的Schuldenfrei表示：“随着汽车的自主化程度越来越高，芯片缺陷检测也将变得越来越重要。”

此外，这些检测技术也会加入人工智能和机器学习。“随着机器学习和人工智能带来新的运算能力和功能，我们相信，它们也会更多地参与到异常检测中来。”Schuldenfrei说。

最后，把所有的数据集成在一起也许是最大的挑战。“想象一下，从芯片获取数据，并将其与多个不同公司的电路板数据关联起来，”他说。“您需要共享数据才能实现更好的异常检测。”