اختبار أشباه الموصلات: التعلم الآلي قد يعني اختبارًا أقل للرقائق
تخضع الرقائق النهائية القادمة من المسبك إلى مجموعة من الاختبارات. بالنسبة لأولئك المخصصين للأنظمة الحيوية في السيارات، فإن هذه الاختبارات واسعة النطاق بشكل خاص ويمكن أن تضيف ما بين 5 إلى 10 بالمائة إلى تكلفة الشريحة. ولكن هل تحتاج حقًا إلى إجراء كل اختبار على حدة؟
قام المهندسون في NXP بتطوير خوارزمية للتعلم الآلي تتعلم أنماط نتائج الاختبار وتحدد المجموعة الفرعية من الاختبارات المطلوبة حقًا وتلك التي يمكنهم الاستغناء عنها بأمان. وصف مهندسو NXP العملية في مؤتمر اختبار IEEE الدولي في سان دييغو الأسبوع الماضي.
تقوم شركة NXP بتصنيع مجموعة واسعة من الرقائق ذات الدوائر المعقدة وتكنولوجيا تصنيع الرقائق المتقدمة، بما في ذلك محولات محركات السيارات الكهربائية، ورقائق الصوت للإلكترونيات الاستهلاكية، وأجهزة الإرسال والاستقبال الخاصة بسلسلة المفاتيح لتأمين سيارتك. يتم اختبار هذه الرقائق بإشارات مختلفة عند جهد كهربائي مختلف ودرجات حرارة مختلفة في عملية اختبار تسمى الاستمرار في الفشل. في هذه العملية، يتم اختبار الرقائق في مجموعات وتخضع جميعها للبطارية الكاملة، حتى لو فشلت بعض الأجزاء في بعض الاختبارات على طول الطريق.
وخضعت الرقائق لما يتراوح بين 41 و164 اختبارًا، وتمكنت الخوارزمية من التوصية بإزالة 42 إلى 74 بالمائة من تلك الاختبارات.
يقول ميهول شروف، زميل NXP الذي قاد البحث: “علينا أن نضمن متطلبات الجودة الصارمة في هذا المجال، لذلك يتعين علينا إجراء الكثير من الاختبارات”. ولكن مع الاستعانة بمصادر خارجية في الكثير من عمليات الإنتاج والتعبئة الفعلية للرقائق لشركات أخرى، يعد الاختبار أحد المقابض القليلة التي يمكن لمعظم شركات الرقائق اللجوء إليها للتحكم في التكاليف. “ما كنا نحاول القيام به هنا هو التوصل إلى طريقة لتقليل تكلفة الاختبار بطريقة دقيقة إحصائيًا وأعطتنا نتائج جيدة دون المساس بجودة الحقل.”
نظام توصية الاختبار
يقول شروف إن المشكلة لها أوجه تشابه معينة مع أنظمة التوصية القائمة على التعلم الآلي المستخدمة في التجارة الإلكترونية. ويقول: “لقد أخذنا هذا المفهوم من عالم البيع بالتجزئة، حيث يمكن لمحلل البيانات أن ينظر إلى الإيصالات ويرى ما هي العناصر التي يشتريها الناس معًا”. “بدلاً من إيصال المعاملة، لدينا معرف جزء فريد وبدلاً من العناصر التي قد يشتريها المستهلك، لدينا قائمة بالاختبارات الفاشلة.”
اكتشفت خوارزمية NXP بعد ذلك الاختبارات التي تفشل معًا. بطبيعة الحال، ما هو على المحك فيما إذا كان مشتري الخبز سيرغب في شراء الزبدة يختلف تمامًا عما إذا كان اختبار جزء من السيارة عند درجة حرارة معينة يعني عدم الحاجة إلى إجراء اختبارات أخرى. يقول شروف: “نحن بحاجة إلى أن يكون لدينا يقين بنسبة 100% أو ما يقرب من 100%”. “نحن نعمل في مجال مختلف فيما يتعلق بالدقة الإحصائية مقارنة بعالم التجزئة، ولكنه نستعير نفس المفهوم.”
وعلى الرغم من دقة النتائج، يقول شروف إنه لا ينبغي الاعتماد عليها بمفردها. ويقول: “عليك أن تتأكد من أن الأمر منطقي من منظور هندسي وأنه يمكنك فهمه من الناحية الفنية”. “عندها فقط، قم بإزالة الاختبار.”
قام شروف وزملاؤه بتحليل البيانات التي تم الحصول عليها من اختبار سبعة وحدات تحكم دقيقة ومعالجات تطبيقات تم إنشاؤها باستخدام عمليات تصنيع الرقائق المتقدمة. اعتمادًا على الشريحة المعنية، خضعوا لما يتراوح بين 41 و164 اختبارًا، وكانت الخوارزمية قادرة على التوصية بإزالة 42 إلى 74 بالمائة من تلك الاختبارات. أدى توسيع التحليل ليشمل البيانات من أنواع أخرى من الرقائق إلى مجموعة واسعة من الفرص لتقليص الاختبار.
تعد الخوارزمية مشروعًا تجريبيًا في الوقت الحالي، ويتطلع فريق NXP إلى توسيعها لتشمل مجموعة أوسع من الأجزاء، وتقليل الحمل الحسابي، وتسهيل استخدامها.
من مقالات موقعك
مقالات ذات صلة حول الويب