这一切都是为了在测试挑战曲线中保持领先地位

随着测试模式压缩的落后，需要新的技术来控制测试时间。

自半导体器件仅包含少数门的早期以来，制造测试领域一直专注于如何在最短的时间内检测出数量最多的潜在缺陷。多年来，这一基本目标没有改变，并在5nm及以后继续存在。

然而，多年来发生巨大变化的是用于实现最大效率的各种技术。在早期，功能模式用于测试设备，并且对这些模式进行故障分级以确定实现的覆盖范围。随着设备尺寸的增长，创建一组有效的功能模式以达到必要的质量水平很快变得太困难了。随着基于扫描的测试的发展，这导致了结构测试的出现，多年来，它提供了必要的测试效率，直到指数级的设计尺寸增长最终造成了损失。

通常情况下，需求推动创新，测试模式压缩的概念被开发出来以应对快速增长的模式数量。在过去十五年左右的时间里，测试模式压缩算法已经发展到稳步提高可实现的压缩级别，如今已达到 1000 倍。算法压缩现在正在失去动力，需要新技术来控制测试时间。一种非常有前途的新方法是使用机器学习技术来帮助指导模式生成过程。初步实验结果表明，测试模式数量显著减少。

另一种使用量迅速增长的方法从完全不同的角度解决了测试时间缩短问题。与其试图进一步改进压缩算法，不如修改设计本身，使其本质上更易于测试，从而需要更少的测试模式。这种方法涉及对网表进行小的局部修改，称为测试点，以提高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，测试模式的减少就越大。

然而，使用测试点的一个主要问题是它们施加的额外区域。最终需要 3% 到 5% 的区域开销来实现所需的模式数量减少的情况并不少见。现在，由于每个测试点都由一个触发器组成，该触发器驱动添加到功能网络中的几个门，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区域开销。最多可减少十倍的面积开销。

但是，在物理上靠近的测试点之间共享翻牌至关重要。如果没有身体意识，你最终会得到一堆无法布线的拥挤的电线。Synopsys 集成解决方案由用于测试点选择的 SpyGlass DFT ADV 和用于物理感知测试点合成的 DFTMAX 组成，独特地避免了这一巨大问题。

测试挑战曲线看不到尽头。毫无疑问，需要持续不断的测试解决方案创新，以跟上不断增长的设计尺寸以及不断发展的质量和可靠性要求。

审核编辑：郭婷