普迪飛（PDF Solutions）用戶大會上，來自愛德萬（Advantest）、泰瑞達（Teradyne）的行業(yè)專家與普迪飛同臺，圍繞半導體先進測試的實際落地案例展開分享與交流，通過具體應用場景詳解人工智能與機器學習在測試流程中的創(chuàng)新應用，拆解技術落地的核心要點與行業(yè)未來探索方向，以下為本次大會核心內容回顧。

90%置信度預判終測失效，降低高成本封裝損耗

泰瑞達（Teradyne）Eli Roth

泰瑞達測試產品經理Eli Roth帶來機器學習（ML）與高級分析結合的終測（Final Test）失效預測案例，直擊晶圓分選（Wafer Sort）合格但終測失效導致封裝成本浪費的行業(yè)痛點，詳解技術方案與落地價值。

本次案例針對一款需完成四次冷熱溫循晶圓分選的器件展開，該客戶原有產品良率與性能表現已處于較好水平，核心訴求是進一步提升終測良率，規(guī)避高成本封裝環(huán)節(jié)的無效投入。為解決這一問題，泰瑞達團隊開發(fā)多款機器學習模型，通過聚類算法（Clustering Algorithm）分析晶圓分選海量數據，建立模型置信度評估體系，以此預測芯片終測結果；經持續(xù)優(yōu)化，模型識別缺陷芯片的置信度最終達到90%，可精準鎖定終測易失效的高風險芯片集群。

在成本與收益的平衡上，團隊通過經濟測算綜合權衡，以1.6%的晶圓分選“過殺率（Overkill Rate）”為代價，實現了終測良率1%的顯著提升，該技術在芯粒（Chiplet）應用、已知合格芯片（KGD）等高價值領域，及封裝成本居高不下的場景中具備顯著經濟價值。同時該方案落地性極強，適配客戶已定型且不可修改的高產量量產測試程序，無需改動量產程序、無需重新認證，也不會打亂現有測試流程，即可實現良率提升與成本優(yōu)化。

此外，該模型可與普迪飛Exensio平臺集成，借助平臺的模型重訓練、機器學習管線搭建能力，及邊緣計算（Edge Computing）技術支持，能在晶圓分選環(huán)節(jié)更快做出芯片分檔決策，甚至省去不必要的晶圓分選測試步驟；模型部署形式靈活，可在主機運行、離線操作，也能在量產測試中在線運行，且支持整合所有測試環(huán)節(jié)數據進行分析，挖掘更多應用可能性。

針對本案例的現場問答

Eli Roth分享結束后，現場圍繞模型搭建、落地挑戰(zhàn)、客戶后續(xù)規(guī)劃等問題展開針對性提問，核心問答內容如下：

1

建模過程中是否剔除芯片數據及環(huán)節(jié)？

該終測失效預測模型最初基于晶圓分選與終測的一對一關聯關系設計，本案例并未在各測試環(huán)節(jié)單獨剔除芯片數據，而是借助四次晶圓分選的結果疊加分析，實現了更高的預測精度，這一方式讓模型表現超出了通用模型的預期效果，也是本案例的核心優(yōu)勢。

2

除算力基礎設施外，技術落地是否還有難點？

除搭建算力基礎設施支撐運算外，數據囤積與數據安全是核心難點，獲取客戶信任讓企業(yè)接觸核心數據、保障數據安全、設置專屬的數據訪問權限體系，這些問題的解決難度甚至高于模型搭建本身；同時技術落地不僅是技術挑戰(zhàn)，更是人類的挑戰(zhàn)，本次合作是泰瑞達與客戶的一對一合作，而多方利益相關方的參與會讓問題復雜程度呈指數級上升。

3

該案例客戶是否有后續(xù)的技術應用規(guī)劃？

該客戶明確希望將該預測技術應用于封裝成本更高的產品上，本次案例中封裝成本的節(jié)省與晶圓分選過殺帶來的成本基本持平，而半導體行業(yè)的保守性決定了客戶會優(yōu)先尋找能產生明顯正向投資回報的應用場景。本次落地項目將作為后續(xù)優(yōu)化方案的試點，為技術打磨打下基礎，同時該技術針對數字器件、數據中心專用器件、大尺寸器件等領域的行業(yè)痛點，具備廣泛的應用空間。

Vmin智能優(yōu)化技術，兼顧功耗降低與測試時間縮短

愛德萬測試（Advantest）Roberto Colecchia

愛德萬專家?guī)?strong>最小工作電壓（Vmin）優(yōu)化技術的應用分享，針對性解決傳統Vmin測試精度與效率難以兼顧的行業(yè)痛點，為電池供電設備、高性能計算（HPC）領域的測試優(yōu)化提供解決方案。

Vmin測試的核心目標是找到芯片無錯誤穩(wěn)定運行的最低工作電壓，傳統測試方式需對每個芯片核心的供電電壓進行掃頻測試，雖能精準定位Vmin，但因需為每個核心重復執(zhí)行搜索算法，會大幅增加測試時間；而若為芯片所有核心統一設定Vmin，又會造成不必要的功耗浪費。

機器學習技術為這一矛盾提供了解決方案：通過優(yōu)化Vmin搜索窗口，借助機器學習推理預測每顆芯片、每個核心的潛在最小工作電壓，大幅縮小電壓搜索范圍，在保證精度的同時顯著節(jié)省測試時間；同時，為每個核心單獨優(yōu)化最優(yōu)Vmin，能大幅降低芯片整體功耗，這一特性對電池供電的移動設備及高性能計算領域均具有重要價值。

該技術可在晶圓分選與終測環(huán)節(jié)落地，其規(guī)?；瘧眯杈邆淙蠛诵囊兀?/p>

1

實現跨測試環(huán)節(jié)的數據前饋，將前序測試數據同步至后續(xù)環(huán)節(jié)，為測試提供精準參考；

2

搭建邊緣計算架構，將推理任務卸載至測試設備附近的服務器，保障實時推理與Vmin搜索計算效率；

3

部署云端解決方案，實現模型云端訓練、現場快速部署，同時將測試結果反饋至云端，完成模型重訓練與優(yōu)化，實現量產過程中的模型持續(xù)迭代。

目前該技術在電池供電設備與高性能計算領域需求旺盛，已成為行業(yè)核心的測試優(yōu)化方案。

針對本案例的現場問答

愛德萬專家分享結束后，現場圍繞技術落地實操、難點、未來探索方向等問題展開針對性提問，核心問答內容如下：

1

技術在實際量產落地過程中遇到的核心挑戰(zhàn)是什么？

技術落地難度核心取決于客戶現有的基礎設施水平，若客戶擁有端到端的基礎設施，能實現云端、測試現場服務器與測試設備的互聯互通，落地過程會非常順暢；若客戶僅有基礎邊緣計算方案，且模型更新需人工操作，無法實現實時更新，只能定期批量更新，落地難度會大幅增加。同時，為跨場地運營的客戶落地該技術，會進一步增加問題的復雜性。

2

預測縮小Vmin搜索窗口時，核心參考哪些參數？

Vmin優(yōu)化模型可挖掘利用數十萬個參數，其中靜態(tài)工作電流（IDDQ） 是核心參數，會對芯片不同模塊的電流進行大量測量，為預測提供關鍵參考；同時還需整合其他芯片級數據，包括電壓測量數據、前序測試環(huán)節(jié)的電流與電壓數據，及同一測試環(huán)節(jié)中不同模塊的測試數據等。

3

是否有企業(yè)對該技術的收益進行量化測算？

該技術的核心收益體現在芯片功耗降低上，功耗降低可節(jié)省電量、延長電池續(xù)航，企業(yè)也可因此提升產品溢價、獲得更高利潤，同時測試時間的縮短也能降低生產成本，只要選對應用場景，該技術能實現雙贏，是降本提質的優(yōu)質方案。

4

大規(guī)模多站點測試程序中，如何優(yōu)化Vmin測試的吞吐量？

目前在大規(guī)模多站點測試程序中，存在部分站點吞吐量提升、部分站點仍速度較慢的問題，多站點Vmin測試的吞吐量優(yōu)化，仍是該技術現階段需要攻克的核心難題。

5

5.該技術后續(xù)的核心探索方向是什么？

Vmin優(yōu)化技術的應用邊界將向左移測試（Shift Left）延伸，不再僅僅聚焦于降低芯片功耗，還會通過分析早期測試數據，找到與后續(xù)芯片報廢相關的關聯規(guī)律，提前發(fā)現失效風險，進一步降低生產損耗。

現場觀眾提問環(huán)節(jié)

關于技術拓展與平臺支撐相關問題

兩位嘉賓完成案例分享與針對性問答后，現場觀眾圍繞技術跨行業(yè)應用、芯片性能延伸、普迪飛平臺支撐能力、模型管理部署等問題展開通用提問，嘉賓逐一詳細解答，核心內容如下：

1.終測失效預測與Vmin優(yōu)化技術，是否可應用于射頻（RF）行業(yè)？

本次分享的兩個模型均未針對射頻器件開發(fā)，但市場上已有企業(yè)將類似方法應用于射頻器件測試；Vmin優(yōu)化技術的核心是基于搜索的應用方案，可適配射頻測試中尋找最優(yōu)工作頻率等包含搜索環(huán)節(jié)的高頻射頻測試場景，利用晶圓分選數據預測射頻測試結果，具備可觀的應用價值。

2.低Vmin芯片在傳統標準額定Vmin下運行，是否能提升使用壽命？

目前暫無明確答案，要驗證這一問題，需開展芯片全生命周期的可靠性測試，這也是一項極具價值的實驗；普迪飛數據前饋解決方案中設計的保留組功能或可解答該問題，該功能通過專門字段標記部分器件、晶圓或批次，其數據僅用于下游模型驗證不參與訓練，且對該部分芯片執(zhí)行標準測試程序，可通過對比機器學習推理測試與標準測試的芯片，分析其使用壽命差異。

3.本次案例模型是否基于普迪飛Exensio平臺搭建？

本次案例模型采用定制化方案完成落地，而普迪飛Exensio平臺作為面向半導體測試行業(yè)的標準化智能平臺，已規(guī)劃內置模型漂移檢測、自動重訓練等核心能力，相關功能即將正式上線。當前行業(yè)內同類解決方案多為企業(yè)針對單一需求搭建的零散定制化方案，而Exensio平臺憑借可擴展的標準化架構，將徹底解決這一行業(yè)痛點，為這類先進測試場景提供更高效、可復用的技術底座。

4.檢測到模型漂移后，重新部署的難度及平臺應對方案是什么？

AI模型需定期重訓練與更新，重新部署的難度主要取決于所使用的平臺；Exensio AI Studio平臺已搭建面向公共的容器倉庫，可對接任意云服務商，模型更新后可上傳至該倉庫，再下發(fā)至各遠程測試現場完成部署，該過程依托容器編排技術實現，技術難度較低。

模型部署的核心難點在于配置管理，需精準記錄每顆芯片對應的模型版本、跟蹤全流程的數據血緣，同時還需滿足行業(yè)合規(guī)要求，實現測試方法的長期追溯，而Exensio平臺的一體化解決方案，能更好地解決此類問題。

數據協同成關鍵，技術仍處于初期探索階段

核心觀點

本次大會中，各位嘉賓圍繞AI賦能半導體測試形成諸多行業(yè)共識，為技術后續(xù)應用與探索指明方向：

數據前饋與數據協同是測試優(yōu)化的核心

此前行業(yè)內關于數據前饋的探討多為假設性內容，如今相關解決方案已具備實際落地可行性，甚至可在跨地域的多場地運營場景中實現；整合各類測試環(huán)節(jié)的數據，不僅能優(yōu)化芯片測試流程，還能為異構集成封裝提供助力，實現更優(yōu)的芯片匹配，提升芯片性能、降低功耗，甚至為異構集成器件提供分級依據。

AI與機器學習在半導體測試領域仍處于發(fā)展初期

目前行業(yè)內各團隊均在嘗試使用相關模型，探索其最佳應用場景，其中數據前饋是現階段最具價值的應用方向之一；當前相關技術工具與算力已基本具備，行業(yè)可進一步探索更多提升良率、縮短測試時間、提高芯片產品利潤的新方法。

芯片匹配（Die Matching）是行業(yè)下一階段重點探索方向

芯粒封裝中的芯片匹配技術，若能實現芯片最優(yōu)匹配，可有效避免多芯片封裝中良率的乘數效應損耗，雖目前暫無具體落地案例，且存在一定技術難點，但相關技術研究一直在持續(xù)推進，整個行業(yè)均在為之努力。