领先于测试挑战曲线的奥义

超越了测试向量压缩之后，需要新技术来控制测试时间。

自从半导体设备仅包含少数几个栅极的早期开始，制造测试领域就一直专注于如何在最短的时间内检测到最大数量的潜在缺陷。这个基本目标多年来一直没有改变，并且继续适用于 5nm 及更高规格。

然而，多年来发生了巨大变化的是用于实现理想效率的各种技术。早年使用功能向量测试设备。这些向量具有故障分级，用以确定实现的覆盖范围。很快，随着设备尺寸的增长，我们很难创建一套有效的功能向量，以达到必要的质量水平。这就导致结构测试随着基于扫描的测试的发展而出现，这种测试多年来提供了必要的测试效率，直到设计规模的指数级增长让其失去优势。

通常需要驱动创新，从而发展出测试向量压缩的概念以抵消快速增长的向量数。在过去十五年左右的时间里，测试向量压缩算法经过发展，已经稳定地将可实现的压缩级别提高到今天的 1000 倍。算法压缩现在正在失去动力，需要新的技术来控制测试时间。一种非常有潜力的新方法是使用机器学习技术来帮助指导向量生成过程。初步实验结果表明测试向量数显著减少。

另一种使用范围快速增长的方法是从完全不同的角度攻克测试时间减少问题。这一创意不是要进一步改进压缩算法，而是要修改设计本身，使其本身更具可测性，从而只需更少的测试向量即可。这种方法涉及对网表进行轻微的局部修改（称为测试点），以增加特定内部信号的可控性或可观察性。通常，添加的测试点越多，测试向量的减幅就越大。

但是，使用测试点的一个主要问题是它们导致增加的面积。最终以 3% 到 5% 的面积开销来实现所需的向量数减幅并不罕见。现在，由于每个测试点都由一个驱动器驱动几个栅极添加到功能网络，因此可以通过在多个测试点之间共享触发器来大幅减少总面积开销。可以将面积开销减少至原先的十分之一。

但是，务必要让实地邻近的测试点共享触发器。如果没有实地意识，你最终会面对一大团纠结在一起无法布线的线缆。新思科技集成解决方案包括用于测试点选择的 SpyGlass DFT ADV 以及用于物理意识测试点综合的 DFTMAX，独特性地避免了这一巨大问题。

测试挑战曲线延绵不绝。毫无疑问，需要不断进行测试解决方案创新，才能跟上不断增长的设计规模和不断变化的质量和可靠性要求。