如何弥补先进芯片的“可见性鸿沟”：检测、测试与数据关联

要点：

• 没有任何单一的测试、检查、模型或监测技术能够提供对先进器件的完整视图。每一种技术都存在物理、空间、时间或情境上的盲区。
• 重要的失效证据往往早已存在，但它可能分散在从未被关联起来的检查图像、测试数据、制造历史、仿真或现场测量之中。
• 更好的覆盖率越来越取决于这些视图之间的关联，这样一次测量就可以缩小另一次测量留下的不确定性，而不是试图让每种工具都看到一切。

如今，先进芯片伴随着海量的证据。它们在尚不存在时就被建模，在制造过程中被测量，在组装过程中被检查，在晶圆级和封装级进行电学测试，在热负载和功率负载下进行表征，并且在部署后越来越多地从硅片内部进行监测。从某种意义上说，工程师对器件的了解比以往任何时候都多。

问题在于，每一种视图都是局部的。一次测量可能在各个方面都准确，却仍然指向了系统中错误的部分。

“对于X射线和测试技术，我们关注的是芯片之间以及芯片与外部世界之间的互连，”Nordson Test & Inspection 的测试产品线经理 Yipeng Zhou 表示。“空洞、焊料裂纹和枕头效应是几种主要的缺陷类型，由于存在物理接触，它们能够通过电学测试。但这些缺陷通常会导致过早失效。这就像把一颗螺丝钉拧进去却没有拧紧。”

这触及了更广泛的可见性问题。电学测试未必是错的。导电路径是存在的，在该测试条件下，器件可能完全按预期工作。更难的问题在于，承载电流的物理结构是否足够健全，能否长期持续工作，而这正是可见性缺口日益存在的地方。

每种工具都有盲区
随着互连尺寸的缩小，在缺陷逃逸之前捕获它们变得更加困难。过去占据足够面积、足以凸显出来的缺陷，现在可能被埋在密集堆叠的凸点、引线、通孔和周围材料之中。即使存在合适的检查技术，工程师希望看到的内容与他们在生产中实际能检查的内容之间通常也存在权衡。

“在测试方面，由于对系统的高精度要求，铜柱的拉力测试和RDL完整性测量存在缺口，”Zhou说。“对于X射线，在检查堆叠裸片的引线和焊料凸点叠加层以及TSV中极小的特征方面仍存在缺口。此外，可重复且可量化的测量对X射线来说也是一个挑战。用户还必须在功率、吞吐量和分辨率之间做出选择。”

其中一些限制纯粹是物理性的。更高的分辨率需要更多时间，更强的穿透力需要更大功率，更高的吞吐量意味着对任何单一结构的关注更少。问题很快变得比找到一个不良特征复杂得多，因为工程师首先必须弄清楚什么最值得仔细查看。

“直接进行暴力式的高分辨率X射线扫描其实并不实际，因为高分辨率意味着像素更小，意味着速度更慢，意味着会产生GB级的数据，某些情况下甚至是TB级的数据，”蔡司显微镜（ZEISS Microscopy）市场战略高级总监兼电子业务部门主管Thomas Rodgers说，“你需要一些启发式方法来首先确定该往哪里看。”

失效分析不再是寻找一件完美的工具，而是逐步缩小不确定性。电气测试确定大致区域，声学或光学检测可能进一步缩小范围。X射线可以在不立即破坏样品的情况下查看埋藏结构内部，而通常需要切片的电子显微术，则可以在工程师知道该聚焦于何处之后再解析物理机制。

同样的逻辑也适用于晶圆层面。广泛的检测可能无法告诉工程师究竟出了什么问题，但它可以显示某个区域、某片晶圆或某个批次看起来足够异常，值得进一步仔细检查。晶圆级宏观检测与更高分辨率的工具一道发挥着这种筛选作用。

“如果你在应对一个涉及新型基板或更先进制程节点的问题，可能需要X射线、红外或其他技术来定位那个特定缺陷，”Microtronic营销副总裁Mike LaTorraca说，“但像我们这样的工具仍然可以对一切起到合理性检查的作用。它是你的空中之眼。它从更高层面看到一切，但你不会止步于此。它与其他这些微观工具共存。”

在生产中，更有意义的问题不是哪种工具能看到最小的特征，而是每一种视角是否都能充分减少不确定性，让工程师知道接下来该看什么。

缺失的信息可能早已存在
并非每个盲点都源于工程师未能测量的东西。有时证据已经在那里，只是埋藏在某个数据流中，在后来发生其他事情之前，它看起来并不重要。

“测试逃逸并不总是因为缺少测量数据，”Teradyne智能制造产品经理Eli Roth说，“信号可能已经存在于晶圆数据的某个地方。”

信号也可能存在于设备遥测数据、制造历史、最终测试结果或现场数据中。更棘手的是，这些记录往往分散在不同的工具、不同的工程团队，或器件生命周期中完全不同的时间点。在流程早期采集的某个数字，无法主动宣告它将在六个工艺步骤之后变得重要，这就是为什么保留历史记录如此关键。

例如，一片最终在热工艺中破裂的晶圆，在流程早期可能看起来完好无损。但如果工程师保留了检测图像，他们就可以反向追溯，有时会发现最终的裂纹最初只是晶圆边缘一个微小得多的形变。

“关键之一就是拥有历史图像，”Microtronic应用总监Errol Akomer说，“你可能在接近产线末端的某个热工艺中遇到破裂，然后可以用图像反向追溯，找到那个起始点。”

一旦知道了失效原因，记录中某个看似无关紧要的早期特征就可能成为最有用的线索。负面证据同样有帮助，而反向逐帧查看图像，与正向观察缺陷的发展过程一样具有启发性。

“知道它不在哪里非常有用，因为如果你开始往回追溯，你可以放大某个区域并不断查看，”Microtronic 总裁 Reiner Fenske 说。“到某个时刻，那条小线或小痕迹就消失了。如果它出现在一张图像中而不在上一张中，那么你就知道问题一定始于两者之间的某个环节。”

测试数据同样可能以类似的方式隐藏线索，尤其当结果看起来是好消息时。相比朝相反方向移动的数字，工程师天然更倾向于调查良率下降或测试时间变长的问题。

“最常见的情况是，异常被忽视了，因为相关趋势通常是正面影响，而非负面的质量或测试时间影响，”Advantest 测试技术总监 Brent Bullock 说。“如果异常带来更短的测试时间或更高的良率，它更容易被忽视。”

更高的良率可能真的意味着工艺改进了，更短的测试时间可能意味着优化奏效了。但如果没有人理解这个数字为何变动，这个变化仍然承载着未被解释的信息。

出于同样的原因，庞大的数据量并不像听起来那么令人安心。现代测试程序、检测系统、设备日志、嵌入式传感器和制造数据库可以记录下器件运行状况的庞大档案，但更难的问题是搞清楚这份记录中的哪些部分属于同一个故事。

模型无法展示它不知道的东西
模型本应填补工程师无法直接看到的某些空白。基于测试和制造数据构建的统计模型可以在庞大的器件群体中标记异常，而基于物理的仿真则可以估算不可及结构内部的温度、计算供电网络上的电压降，并预测复杂材料堆叠中的应力。但两者都有一个共同的缺陷：模型只了解它被展示过的那个世界。

“一个模型在统计上可能是正确的，但在实际运行中仍然可能不正确，”Teradyne 的 Roth 说。“问题不在于模型本身失效了，而在于模型缺少上下文。”

模型还可能以另一种方式被误导。测量路径本身就可能引入足够大的变化，从而掩盖工程师试图寻找的东西。

“如果插座（socket）的变异性产生的随机失效噪声超过任何其他特征信号，你就无法看到它们，”Modus Test 应用与产品管理总监 Jack Lewis 说。“它们被隐藏在噪声之下。如果你的原始数据充满噪声，那就麻烦了。你必须滤除噪声才能看到真实数据，并围绕它构建模型。”

良率可能看起来稳定，控制图可能看起来正常，异常检测器可能什么都没有触发。但如果模型从未见过某种特定的失效机制，或者相关线索存在于更早的测试插入环节或制造历史中的其他地方，它仍然可能漏掉真正重要的东西。

缺失的上下文可能要到很久之后才会暴露出来，那时其他问题才最终出错。到那时，工程师们可能正在回看完全有效的早期测量数据，并意识到自己看到的只是同一个问题的碎片。

有时缺失的变量甚至离测量本身更近。测试数据通常假设临时互连在正常工作，但插座电阻会因磨损、污染和反复插拔而发生变化，这些变化很难与器件本身的行为区分开。

“插座经常被遗忘，”Lewis 说，“人们总是假设互连是良好的，但事实并非如此。一旦越过了断路和短路，问题开始变得更依赖于接触电阻时，就很难看清到底发生了什么。”

仿真也遇到类似的问题：物理原理可能是对的，但表征仍然过于粗糙。

“关于仿真与测量之间的精度对比，业界从未停止做这种相关性验证来确认工具的可靠性，”Synopsys 首席产品经理 Lang Lin 说。“如果一款 EDA 工具提供热仿真，客户就会挑战你。‘你必须提供一些与我的硅片相关的数据，这样我才能信任这个仿真。’这项工作已经完成了，而且相关性质量在不断提高。”

封装级热模型不需要预测每一个逻辑门才能发挥作用。不过，一旦嵌入式传感器开始测量接近器件层的行为，这种对比的要求就会严苛得多。把裸片当作一个大热块的模型，可能只是从太远的角度看问题。

“你不能只做单裸片仿真、单封装仿真或单块 PCB 仿真，”Lin 说。“你必须把它们组装起来，使其结构与位置完全一致，与测量器件堆叠在一起。”

新材料又增加了一个难题，因为在一个模型中适用的数值未必能顺利迁移到下一个封装中。

“先进封装使得一些底层物理特性（例如导热系数或杨氏模量）更难表征，”Lin 补充道。

这一过程不断循环往复。测量暴露出模型的薄弱之处，模型随之调整，而下一轮测量又再次检验这些假设。工程师越能看清真实的器件，就越能清楚地看到模型仍在哪些地方进行猜测。

平均值可能掩盖问题
即使测量方法正确，工程师在哪里测量以及如何测量，也会改变他们看到的结果。温度就是一个很好的例子。一个封装可以在平均热限制范围内安然无恙，而一个更小的区域却热到足以引发可靠性问题。

“平均温度常常掩盖那些引发可靠性隐患的条件，”Siemens EDA 的 3D-IC 可靠性解决方案架构师 Andras Vass-Varnai 说。“一个封装可能满足平均温度目标，同时个别区域的运行温度却远高于封装平均值。”

在 2.5D 和 3D 封装中，问题变得更加棘手，因为一个热点区域会影响相邻的裸片，而且工作负载会移动热点位置。在一个位置看起来完全合理的温度读数，可能对几毫米之外发生的情况几乎没有任何说明。

片上监控器可以更贴近这些局部条件，但前提是它们被放置在真正有用信息所在的位置。

“一些较老的技术使用经典的热传感器，它通常被放置在芯片边缘，因为它需要模拟电源而且体积很大，”proteanTecs 业务开发高级总监 Nir Sever 说。“通常你把它放在边缘，然后猜测芯片中心的温度是多少，但对于今天的芯片来说，这已经不够了。你必须开始探测热点处的温度，而热点可能位于芯片中的许多位置。”

即使是密集的传感器覆盖也无法消除所有盲区。Sever 指出，SRAM 就是内部行为仍难以直接观测的地方之一。“我们可以监测内存的输入，可以监测内存的输出，但我们不知道内存内部发生了什么。”

例如，写入过程中的错误可能要到之后读取数据时才会显现。输入和输出的信号是可观测的，但两者之间发生了什么可能一直隐藏着。每种技术都会在某个地方画出这样的边界，无论是无法以全分辨率扫描一切的检测、无法执行所有条件的测试机，还是无法放置在每个结构内部的监控器。

连接各个数据点
测量技术的日益增多既是解决方案，也是问题的一部分。工程师现在拥有电学测试、X 射线、光学和声学检测、设备数据、仿真、嵌入式传感器、制造历史和现场结果。日益缺失的并不是又一个数据来源——而是知道一个观测结果与另一个观测结果之间的关联。

“我不认为现在的答案是我们需要更多数据，”Roth 说。“更大的挑战是我们需要连接这些数据并赋予其上下文，并能够据此快速采取行动。我们已经在生成海量的数据。”

失效不会整齐地停留在某个工程学科之内。结构性缺陷可能首先表现为电气问题，或者一次现场失效可能突然让早先的某项测试结果看起来重要得多，尽管这两条记录单独看都不显得异常。

“我们如何将晶圆分选和最终测试、系统级测试、制造历史和现场表现连接起来？当你独立地看这些东西时看不见的模式，正是在这些地方涌现出来的，”Roth 说。“我认为答案不会是构建更大、更巨型、更聪明、更强大的模型。我们现在需要做的是创建相互连接的数据，以及能够实现闭环反馈的互联生态系统。”

更大的覆盖范围并不一定意味着把每项测试都拉长，或者在每个地方都放置监控器。测试和监控之所以有用，正是因为它们看到的是问题的不同部分。

“你不能靠监控来替代测试，就像你不能说‘我有最棒的测试，所以我不需要监控’一样，”proteanTecs 的 Sever 说。“它们往往关注不同的东西。测试关乎质量——即你的芯片在零时刻相对于其预期行为和性能的表现。为此你绝对需要测试。但即使你拥有世界上最好的测试，接下来你还要从质量转向可靠性。可靠性意味着零时刻的质量在芯片的有效寿命期内持续保持。为此你需要监控。”

随着建模行为与实测行为之间的相关性不断收紧，这些视角之间的衔接也在改善。

“我们正在缩小差距，”Synopsys 的 Lin 说。“现在已经比昨天好很多了。”

结论
这些盲点可能不会有一个全部消失的时刻。每种技术都要在测量什么、在哪里测量、以何种分辨率测量以及测量多长时间等方面做出取舍。随着芯片变得更加异构、各种相互作用也更难分离，一些最重要的信息可能始终会出现在工程师最初没有料到的地方。

正在变化的是“任何单一测量都必须讲述全部故事”这一预期。电气测试结果可以指向某个物理缺陷，检测图像可以让工程师回溯整个工艺历史，传感器可以暴露被平均温度掩盖的热点，而现场失效则可以为数月前收集的数据赋予新的意义。价值往往蕴藏在这些观测之间的关联之中，而不在于任何单一的一项。

因此，缩小可见性差距的表现形式也各不相同。目标并不是打造某个能以某种方式看到一切的单个测试、模型、传感器或检测系统，而是要更好地识别每种视角看不到的东西，并确保有另一种视角能把后续调查继续推进下去。

相关文章
一项测量结果的有效性能维持多久？
当芯片、测试路径或结果背后的假设发生变化后，测量结果可能会产生误导。

智能测试与数据链的碰撞
日益增长的复杂性正在限制机器学习模型有效利用测试数据的能力。

当测试单元“撒谎”时
随着裕量缩小、裸片进入昂贵的封装，将器件失效与测试单元造成的假象区分开来已成为一个头等重要的经济问题。