基于机器学习的异常检测：削减缺陷而非产量

在芯片制造中，激进的测试往往导致边缘功能的芯片被丢弃，以确保可靠性，这造成了大量的浪费。

传统的测试方法，如部分平均测试（PAT），存在局限性，它们无法检测到细微的缺陷，同时不必要地降低了产量。

proteanTecs的异常检测解决方案通过利用机器学习和遥测数据，在早期识别潜在的缺陷，从而提高了芯片的可靠性和性能，同时提高了产量。

在追求可靠性的过程中，有多少完美的硅被丢弃？在大量芯片制造过程中，使用严格的阈值进行激进的测试可以确保质量，但会降低产量，丢弃那些可以完美运行的边缘芯片。另一方面，优先考虑产量可能导致有缺陷的芯片进入市场，导致昂贵的退货（RMA）、系统故障或静默数据损坏（SDC）。特别是SDC是一种隐蔽的威胁，会导致未检测到的故障在系统中传播，导致灾难性的后果。那么，如何在严格的错误检测的同时保持产量呢？

传统的测试方法，如部分平均测试（PAT）或良好的芯片在恶劣的社区（GDBN），依赖于统计分析来提高质量，但在粒度上有限。它们错过了细微的缺陷，同时丢弃了健康的芯片，加剧了质量与产量的权衡。因此，芯片制造商一直面临着在提高质量的同时保持产量的棘手挑战。在汽车和数据中心等行业中，可靠性和性能至关重要，这一平衡至关重要。

芯片制造商现在可以使用proteanTecs的异常检测解决方案来克服这一棘手的挑战。proteanTecs最近发布了一份白皮书，讨论了这一解决方案的细节。

proteanTecs的异常检测通过整合基于遥测的数据分析和机器学习（ML）来重新定义半导体测试，在晶圆分类阶段就早期检测潜在缺陷。芯片中的嵌入式代理收集参数数据，proteanTecs使用高级算法分析这些数据。这些模型预测正常芯片的行为，并识别传统通过/失败测试无法检测到的异常。

proteanTecs的解决方案包括部署在测试器上的边缘软件和基于云的分析平台。边缘软件将预测行为与实时测试数据进行比较，标记异常以供进一步审查或丢弃，在芯片进入生产线之前。此外，该软件通过使用本地和基于分布的漂移检测机制来提供弹性，以防止生产偏差。