3DIC 测试革新：AI 驱动的 ModelOps 如何重构半导体制造效率？

 

半导体产业正在驶入 Chiplet 时代。多芯片合封虽显著释放性能红利，却让成本控制与良率测试成为新的挑战：一颗芯片失效即可导致整颗先进封装报废，传统“测后补救”模式在时间与资金两端均显吃力。

 

普迪飞（PDF Solutions）推出的 ModelOps 系统完整版（第一阶段），正是为破解这一困局而生，把 AI 模型从“实验室”快速推向“量产线”，通过端到端平台实现从训练到生产监控的全流程闭环支持，提供了系统性解决方案。这一迭代不仅填补了行业 AI 模型工程化落地的空白，更为半导体制造的智能化升级提供了解决方案。

 

本文将聚焦ModelOps系统在数据处理、模型训练、部署实施等核心模块的技术特性与功能细节，结合应用场景剖析其赋能半导体生产制造的路径，揭示其在提升效率、优化精度等方面的实际价值，为行业应用提供实践参考。

 

1

ModelOps系统概览

 

作为半导体特定数据的基础设施，ModelOps 依托 Exensio 平台全量数据——从晶圆分拣、最终测试、工艺控制监测参数，到晶圆厂接入记录、设备历史与缺陷数据等，实现了半导体制造全流程数据的统一接入与治理。

 

其目标是解决传统流程中 “从数据到价值” 转化周期过长（数周甚至数月）的问题 —— 由于模型价值在首个月最高，过长的转化周期会导致持续的价值损耗。通过优化架构与流程，ModelOps系统可将这一周期缩短至分钟或小时级。

 

（1）功能与特点

 

全链路功能集成，无缝闭环：整合模型训练、部署、执行、推理及生产监控全流程，实现端到端闭环支持。

 

中心化训练，让模型 “快准稳” 诞生：汇聚所有数据于中心位置，便于高效训练模型；同时支持将训练好的模型部署到多个端点。

 

跨系统协同：与 ERP、MES 等核心系统深度对接（例如实时获取货物到达测试站的信息，提前预处理模型所需数据），大幅提升流程效率。

 

开放兼容特性：支持客户集成自有算法，实现多系统整合与一站式模型管理。

 

（2）架构与应用示例

 

以 “1个中心工厂 + 1个晶圆厂 + 2个 OSAT 工厂” 的典型场景为例，各节点部署 DEX 模块实现与 MES、ERP 等系统的实时集成，动态调控数据流向，其架构与流程特点如下：

 

架构核心：

分布式 DEX 节点构成底层支撑，实现跨厂区数据协同。

 

数据流转流程：

工程师获取测试数据后，通过 DEX 节点传输至下一环节，并同步存储于云端或中央站点；

 

中央站点调用 “模型训练流水线” 处理存储数据，生成模型对象及元数据并回存至模型库；

 

明确模型所需特性与测试参数后，晶圆厂（FAB）、OSAT 等上游数据可实时传输至中央站点，模型在云端实时获取数据并运行，形成 “数据前馈机制”—— 支持边缘模型在进行 bin 覆盖时，上游数据向下方实时流转。

 

 图片说明：系统概览   图片来源：普迪飞

 

模型部署与实时推理：

完成数据流转配置后，可将模型定向部署至目标场景（如 OSAT 2 的最终测试环节）；

 

模型到达 DEX 节点后，设备从容器中心拉取镜像，自动创建 “动态测试控制器（DTC）” 与 “机器学习推理引擎（MIE）”，支撑模型与测试人员的实时通信、数值传递及预测计算，实现 bin 覆盖的实时响应；模型加载至 MIE 后立即启动实时推理。

 

全时监控体系：

模型运行数据通过DEX节点从封测厂实时回传至中央站点，支持按分钟/小时级粒度监控模型运行状态，确保其按预期输出结果。

 

（3）解决方案与应用价值

 

基于 ModelOps 系统，我们已构建多项半导体场景专属解决方案：

 

预测分箱：通过预判器件失效风险，避免无效封装与测试，显著降低多芯片封装（如 Chiplet）场景下的成本；

 

预测老化与测试加速：通过预判芯片合格性实现测试流程跳步，缩短测试时间；

 

此外，ModelOps 系统具备多场景适配能力：支持客户与多家 OSAT 协同，实现模型在多厂区的统一部署与标准化应用，为半导体生产全环节提供高效、精准的 AI 模型支撑。

 

2

模型训练的技术特性

 

 图片说明：模型训练架构概览    图片来源：普迪飞

 

（1）高效数据检索能力：

 

深度集成普迪飞大数据API，基于 E142 标准实现设备全制造流程的位置与流向追踪，确保数据溯源的精准性。

 

支持多数据源与测试程序数据的统一整合，提升模型训练的信息完备性；数据检索速率可达每秒700万+数据值，灵活适配大、小数据场景。

 

（2）模块化架构与扩展能力：

 

采用组件模块化设计，支持在筛选、特征工程、建模等核心环节替换为用户自有算法；

 

依托现有数据检索能力与扩展框架，可快速集成自定义代码，满足个性化训练需求。

 

（3）动态计算与效率优化机制：

 

基于 “动态扩展计算架构”：任务排队量与分配的计算节点数量智能联动（任务量上升时自动增配节点，反之动态缩减），既避免计算资源瓶颈，又降低训练成本。

 

图示说明：红线代表待运行任务队列数量，蓝线代表实时分配的计算节点数量，两者动态匹配 图片来源：普迪飞

 

内置智能筛选算法：针对数万至数十万个测试参数，自动剔除非关键参数，实现数据降维与数据规模精简，既加速边缘模型运行效率，又减少训练资源消耗。

 

支持并行计算：结合上述特性，可在分钟至小时级完成 “数百万行数据 + 数万个测试参数” 规模的模型训练，大幅压缩训练周期。

 

（4）用户界面工作流程

 

选择通过大数据 API 提取的目标数据，借助多设备并行处理机制保障数据检索吞吐量；

 

数据确认后点击 “运行”，系统按预设流程启动并行训练；

 

提供可视化进度跟踪界面，实时展示训练进度及模型关键参数信息。

 

 图片说明：工作流程图例   图片来源：普迪飞

 

（5）高度通用性兼具灵活拓展性

 

ModelOps系统具备高度通用性，其模块化架构支持按需替换任意组件，可接入用户自有算法和模型，允许用户可将自定义代码嵌入系统用于模型训练或运行。

 

以预测性分箱（Predictive Binning）为例，其旨在尽早剔除劣质芯片，这对多芯片和封装领域至关重要，能避免单个不良器件影响多个完好器件。相较于传统统计解决方案，预测性分箱与模型运维的效率提升超 20 倍。

 

 图片说明：预测性分箱与传统解决方案对比  图片来源：普迪飞

 

系统界面具备交互功能，可帮助用户定位模型价值最大化节点；针对预测性分箱，能展示至die层面，进而了解模型预测工作流程，还可通过选择不同晶圆，查看模型在不同时间或晶圆上的性能。

 

例如下方晶圆图中，模型预测结果与实际结果存在差异，该界面可呈现模型的优势与待改进之处。若模型结果满足预期，可直接启动部署流程以实现价值转化。

 

 图片说明：模型预测结果与实际结果呈现  图片来源：普迪飞

 

3

模型部署机制

 

灵活部署实时推理：从中心站点将模型转移至目标位置（如本例中的最终测试环节），为实时推理做准备。

 

界面设计直观简化：用户仅需选择部署位置及对应的测试程序，点击按钮即可触发部署。

 

后台自动化操作：模型被打包为规则，传输至测试程序并完成集成，省去人工为模型制作测试程序包装器的数周工作量，整个过程仅需几秒。

 

模型部署完成后，会在测试操作中心系统的规则列表中显示，标志着实时推理功能已具备启动条件。

 

4

数据前馈（Data Feedforward）体系

 

（1）核心功能：

从上游测试环节采集数据，定向传输至模型部署位置（如本案例的最终测试环节），为模型运行提供实时数据支撑。

 

（2）关键特性：

实时性：可动态响应模型的数据需求，实现实时供给。

精准性：仅提取模型与设备协同所需的参数，而非全量测试参数或设备参数，降低数据冗余。

安全性：通过与 MES 系统、ERP 系统的深度集成，构建全链路数据安全保障机制。

 

（3）生态集成：

模型部署与数据前馈系统已实现与合作伙伴 AvanTest、Terradyne的完全兼容与集成，拓展了行业应用生态。

 

5

总结

 

ModelOps 作为专为半导体行业及其当前痛点打造的解决方案，能够整合 Exensio 中的所有数据，在单一系统内完成模型的训练、部署、执行及监控，支持将模型从数据阶段转化为实际应用（如 bin 覆盖等），适用于各类测试设备、OSAT 等场景的用例。

 

该系统可在中心站点、DEX 节点或边缘节点执行推理，兼容所有支持动态测试控制器（DTC）和机器学习推理引擎（MIE）的设备，还能集成来自多个供应商的多个系统，实现跨平台协同，为半导体制造的智能化升级提供了强有力的技术支撑。