來源：半導(dǎo)體芯科技編譯

封裝正變得越來越有挑戰(zhàn)性，成本越來越高。無論原因是襯底短缺還是封裝本身的復(fù)雜性增加，外包半導(dǎo)體封裝和測試（OSAT）公司必須在封裝和測試上花費更多的錢、時間和資源。因此，OSAT今天面臨的一個更重要的挑戰(zhàn)是管理那些在晶圓廠層面通過測試但在最終封裝測試中失敗的芯片。

但首先，讓我們在這個過程中退后一步，談?wù)勄岸说那闆r。一家半導(dǎo)體工廠每周將生產(chǎn)數(shù)百片晶圓，這些晶圓由產(chǎn)品測試程序進行驗證。通過的晶圓會被送到OSAT進行封裝和最終測試。任何在最終測試階段不合格的單元都會被丟棄，而在OSAT花在切割、封裝和測試不合格單元的錢和時間都被浪費了（圖1）。

△圖1：從工廠到OSAT的過程

根據(jù)一項估計，基于高端智能手機的5納米晶圓的價格，封裝組裝和測試的成本接近芯片總成本的30%（表1）。鑒于這一高比例（30%），對于OSAT來說，僅接收預(yù)計通過最終封裝測試的晶圓更具成本效益。這可以確保在最后的封裝測試步驟中減少廢品，將成本降到最低，并有更多的產(chǎn)品被運出去。機器學習可以為制造商提供一個實現(xiàn)這一目標的方法。

△表1：高端智能手機的芯片成本估計明細

傳統(tǒng)測試

使用傳統(tǒng)的方法，工程師獲得通過最終封裝測試的已知良好晶圓的在線量測/晶圓電氣測試結(jié)果。然后，工程師使用良率管理軟件統(tǒng)計包進行相關(guān)分析，以確定哪些參數(shù)和因素與最終測試良率的關(guān)聯(lián)度最高。利用這些參數(shù)，工程師再進行回歸擬合，并生成一個線性/非線性模型。此外，管理軟件提出的模型會用新的數(shù)據(jù)進行驗證。然而，這并非一個不干涉的過程。需要定期對模型進行人工審查。

機器學習采用了不同的方法。與前面提到的方法相比，該方法更強調(diào)找到最能解釋最終封裝測試數(shù)據(jù)的模型，而利用機器學習能力的方法強調(diào)模型的預(yù)測能力。由于 OSAT 的能力有限，使用晶圓廠層面的量測和產(chǎn)品測試數(shù)據(jù)以及 OSAT 層面的最終測試封裝數(shù)據(jù)訓練的機器學習模型為最終封裝測試創(chuàng)造了具有代表性的結(jié)果。

部署到生產(chǎn)中

通過部署機器學習模型來預(yù)測OSAT晶圓的最終測試良率，不良晶圓將在制造執(zhí)行系統(tǒng)中被自動標記，并被指定為最后發(fā)貨（LTS）的晶圓等級。晶圓廠實時調(diào)度會將具有指定晶圓等級的晶圓移動到LTS晶圓庫，而符合機器學習模型合格標準的晶圓將被運往OSAT，從而確保只有好的零件被送到封裝廠進行切割和封裝。此外，額外的生產(chǎn)數(shù)據(jù)將用于驗證機器學習模型的預(yù)測，最終結(jié)果是增加對模型的信心。盲測甚至可以檢查晶圓的特定關(guān)鍵部分。

機器學習方法也為更多的傳統(tǒng)方法提供了一些優(yōu)勢。這種模型對失控情況具有內(nèi)在的容忍度，趨勢和模式很容易被識別，結(jié)果可以通過更多的數(shù)據(jù)得到改善，也許最重要的是，不需要人為干預(yù)。

不幸的是，也有缺點。機器學習模型需要大量的數(shù)據(jù)才能做出準確的預(yù)測，雖然更多的數(shù)據(jù)總是受歡迎的，但這種方法對于新產(chǎn)品或研發(fā)方案來說并不理想。此外，這種機器學習方法需要大量的時間和資源的分配，這意味著更多的計算能力和更多的時間來處理完整的數(shù)據(jù)集。

此外，還需要對正在使用的算法的質(zhì)量提出問題。也許它不是正確的模型，因此，將無法提供正確的結(jié)果。或者，算法預(yù)測的推理可能難以理解。簡而言之：該算法如何確定哪些晶圓實際上是好的，哪些將被標記為 "最后發(fā)貨"？還有一個問題是，不正確或不完整的數(shù)據(jù)會帶來糟糕的結(jié)果?；蛘哒缢自捳f的，垃圾進，垃圾出。

結(jié)論

早期檢測和預(yù)測只有好的產(chǎn)品才能運到OSATs，這已經(jīng)變得越來越關(guān)鍵，部分原因是半導(dǎo)體零件的測試是制造流程中最昂貴的部分。通過創(chuàng)建一個高杠桿的產(chǎn)量/運營管理平臺和機器學習，僅測試合格的零件，OSAT公司能夠提高資本利用率和投資回報率，從而確保成本效益和向終端客戶持續(xù)供應(yīng)成品。雖然這是機器學習模型有效性的一個例子，但關(guān)于這種方法如何提高產(chǎn)量和降低OSATs的成本，還有很多東西需要學習。

審核編輯黃宇