運用基於 AI 的模式優化降低晶片測試成本

尤其是針對要在測試平台進行數百萬個晶片測試的量產，節省下來的每一秒測試時間都能帶來龐大的收益。然而，在減少任何測試向量的同時，也必須維持高測試覆蓋率，出貨給顧客的零件也必須維持高品質。因此，有效且高效率的 ATPG 解決方案，除了涉及測試程序產生的過程外，在生成的測試程序方面也具高度需求。

傳統測試向量生成流程是一項重複的手動循環過程。首先使用者會設定一般 ATPG 工具參數檔，例如：提供故障模式、定義設計限制，以及指定生成測試的 ATPG 指標目標等；接著，使用滿足目標品質結果(QoR)所需的工具設定最佳估計值來執行向量生成。首次嘗試就能實現 ATPG 的可能性極小，而且通常需要大量的專業知識與多次嘗試，才能重複微調工具設定來收斂可接受的結果。由於多個 APTG 工具參數之間的相互依賴性以及其對 ATPG QoR 產生的影響，讓手動管理顯得極為繁複，可能會造成測試專家需要花費更長的時間才能達到最佳結果。即使透過這種流程實現所預期的結果，也無法保證設計之間的可重複性，這對測試周轉時間與測試向量簽核排程產生不可預測性。這可能意味著在晶片從晶圓廠送回進行測試之前，測試向量可能還無法準備就緒，倉促完成ATPG，因而讓設計排程面臨風險。

推出人工智慧 (AI) 是一種可滿足現代測試向量生成流程要求的創新方法。基於 AI 的ATPG 解決方案可以智慧地瞭解設計特性、ATPG 引擎行為、使用者限制/目標以及可用的併行執行設定。AI擅長的工作就是推敲設定、將結果相互關聯，從而瞭解哪些有效、哪些是無效的；用 AI工具收斂測試覆蓋目標，無須任何手動重工或設定操作就能實現一次到位的結果。

建議的流程是使用標準 ATPG 進行初期運行，達成設計 DRC-clean，接著執行分散式 ATPG在很快速的執行時間內，透過網路壓差(netlist drop)和/或 ATPG 變更，分析、優化與驗證目標測試覆蓋率。在實現所需測試覆蓋率後，可以在晶片進行量產測試之前，利用AI來最小化測試向量。這個流程能夠實現快速的測試周轉時間，並以最低成本完成測試儀就緒的向量來實現最高品質，同時維持設計排程。

Synopsys TSO.ai (測試空間優化)是一種 以AI 驅動的ATPG 解決方案，可學習並調整設定，持續地產生最低數量的測試向量，同時排除非必要的重工，加速晶片設計達到測試結果的時間。在某些情況下，當測試儀記憶體有限時，這種解決方案還能用固定的向量數實現更高的測試覆蓋率。這種技術可將最終下線投片(tap-out netlist) 網表向量或已經開始量產的設計向量最小化，以快速節省測試成本；同時，還可在整個設計過程中透過網路壓差進行學習，以縮短最終向量縮減過程的測試周轉時間。