使用机器学习来提高产量和降低封装成本

来源：半导体芯科技编译

封装正变得越来越有挑战性，成本越来越高。无论原因是衬底短缺还是封装本身的复杂性增加，外包半导体封装和测试（OSAT）公司必须在封装和测试上花费更多的钱、时间和资源。因此，OSAT今天面临的一个更重要的挑战是管理那些在晶圆厂层面通过测试但在最终封装测试中失败的芯片。

但首先，让我们在这个过程中退后一步，谈谈前端的情况。一家半导体工厂每周将生产数百片晶圆，这些晶圆由产品测试程序进行验证。通过的晶圆会被送到OSAT进行封装和最终测试。任何在最终测试阶段不合格的单元都会被丢弃，而在OSAT花在切割、封装和测试不合格单元的钱和时间都被浪费了（图1）。

△图1：从工厂到OSAT的过程

根据一项估计，基于高端智能手机的5纳米晶圆的价格，封装组装和测试的成本接近芯片总成本的30%（表1）。鉴于这一高比例（30%），对于OSAT来说，仅接收预计通过最终封装测试的晶圆更具成本效益。这可以确保在最后的封装测试步骤中减少废品，将成本降到最低，并有更多的产品被运出去。机器学习可以为制造商提供一个实现这一目标的方法。

△表1：高端智能手机的芯片成本估计明细

传统测试

使用传统的方法，工程师获得通过最终封装测试的已知良好晶圆的在线量测/晶圆电气测试结果。然后，工程师使用良率管理软件统计包进行相关分析，以确定哪些参数和因素与最终测试良率的关联度最高。利用这些参数，工程师再进行回归拟合，并生成一个线性/非线性模型。此外，管理软件提出的模型会用新的数据进行验证。然而，这并非一个不干涉的过程。需要定期对模型进行人工审查。

机器学习采用了不同的方法。与前面提到的方法相比，该方法更强调找到最能解释最终封装测试数据的模型，而利用机器学习能力的方法强调模型的预测能力。由于 OSAT 的能力有限，使用晶圆厂层面的量测和产品测试数据以及 OSAT 层面的最终测试封装数据训练的机器学习模型为最终封装测试创造了具有代表性的结果。

部署到生产中

通过部署机器学习模型来预测OSAT晶圆的最终测试良率，不良晶圆将在制造执行系统中被自动标记，并被指定为最后发货（LTS）的晶圆等级。晶圆厂实时调度会将具有指定晶圆等级的晶圆移动到LTS晶圆库，而符合机器学习模型合格标准的晶圆将被运往OSAT，从而确保只有好的零件被送到封装厂进行切割和封装。此外，额外的生产数据将用于验证机器学习模型的预测，最终结果是增加对模型的信心。盲测甚至可以检查晶圆的特定关键部分。

机器学习方法也为更多的传统方法提供了一些优势。这种模型对失控情况具有内在的容忍度，趋势和模式很容易被识别，结果可以通过更多的数据得到改善，也许最重要的是，不需要人为干预。

不幸的是，也有缺点。机器学习模型需要大量的数据才能做出准确的预测，虽然更多的数据总是受欢迎的，但这种方法对于新产品或研发方案来说并不理想。此外，这种机器学习方法需要大量的时间和资源的分配，这意味着更多的计算能力和更多的时间来处理完整的数据集。

此外，还需要对正在使用的算法的质量提出问题。也许它不是正确的模型，因此，将无法提供正确的结果。或者，算法预测的推理可能难以理解。简而言之：该算法如何确定哪些晶圆实际上是好的，哪些将被标记为 "最后发货"？还有一个问题是，不正确或不完整的数据会带来糟糕的结果。或者正如俗话说的，垃圾进，垃圾出。

结论

早期检测和预测只有好的产品才能运到OSATs，这已经变得越来越关键，部分原因是半导体零件的测试是制造流程中最昂贵的部分。通过创建一个高杠杆的产量/运营管理平台和机器学习，仅测试合格的零件，OSAT公司能够提高资本利用率和投资回报率，从而确保成本效益和向终端客户持续供应成品。虽然这是机器学习模型有效性的一个例子，但关于这种方法如何提高产量和降低OSATs的成本，还有很多东西需要学习。

审核编辑 黄宇