Os chips acabados que vêm da fundição são submetidos a uma bateria de testes. Para aqueles destinados a sistemas críticos em carros, esses testes são particularmente extensos e podem adicionar de 5 a 10 por cento ao custo de um chip. Mas você realmente precisa fazer todos os testes?
Engenheiros da NXP desenvolveram um algoritmo de machine learning que aprende os padrões de resultados de testes e descobre o subconjunto de testes que são realmente necessários e aqueles que eles poderiam dispensar com segurança. Os engenheiros da NXP descreveram o processo na IEEE International Test Conference em San Diego na semana passada.
A Complexidade dos Testes de Chips Automotivos
A NXP fabrica uma grande variedade de chips com circuitos complexos e tecnologia avançada de fabricação de chips, incluindo inversores para motores EV, chips de áudio para eletrônicos de consumo e transponders de chaveiro para proteger seu carro. Esses chips são testados com diferentes sinais em diferentes voltagens e em diferentes temperaturas em um processo de teste chamado continue-on-fail. Nesse processo, os chips são testados em grupos e todos são submetidos à bateria completa, mesmo que algumas peças falhem em alguns dos testes ao longo do caminho.
Os chips foram submetidos a entre 41 e 164 testes, e o algoritmo conseguiu recomendar a remoção de 42 a 74 por cento desses testes. "Temos que garantir requisitos de qualidade rigorosos no campo, então temos que fazer muitos testes", diz Mehul Shroff, um NXP Fellow que liderou a pesquisa.
Mas com grande parte da produção e embalagem reais de chips terceirizadas para outras empresas, os testes são um dos poucos botões que a maioria das empresas de chips pode usar para controlar custos. "O que estávamos tentando fazer aqui é encontrar uma maneira de reduzir o custo do teste de uma forma que fosse estatisticamente rigorosa e nos desse bons resultados sem comprometer a qualidade do campo."
Um Sistema de Recomendação de Testes
Shroff diz que o problema tem certas semelhanças com os sistemas de recomendação baseados em aprendizado de máquina usados no comércio eletrônico. "Pegamos o conceito do mundo do varejo, onde um analista de dados pode olhar os recibos e ver quais itens as pessoas estão comprando juntas," ele diz. "Em vez de um recibo de transação, temos um identificador de peça exclusivo e, em vez dos itens que um consumidor compraria, temos uma lista de testes com falha."
O algoritmo NXP então descobriu quais testes falham juntos. Claro, o que está em jogo para saber se um comprador de pão vai querer comprar manteiga é bem diferente de se um teste de uma peça automotiva em uma temperatura específica significa que outros testes não precisam ser feitos. "Precisamos ter 100 por cento ou quase 100 por cento de certeza," diz Shroff. "Operamos em um espaço diferente com relação ao rigor estatístico em comparação ao mundo do varejo, mas estamos pegando emprestado o mesmo conceito."
Validação dos Resultados
Por mais rigorosos que sejam os resultados, Shroff diz que eles não devem ser considerados como únicos. Você tem que "ter certeza de que faz sentido da perspectiva da engenharia e que você pode entendê-lo em termos técnicos," ele diz. "Só então, remova o teste."
Shroff e seus colegas analisaram dados obtidos de testes de sete microcontroladores e processadores de aplicativos construídos usando processos avançados de fabricação de chips. Dependendo de qual chip estava envolvido, eles foram submetidos a entre 41 e 164 testes, e o algoritmo foi capaz de recomendar a remoção de 42 a 74 por cento desses testes. Estender a análise para dados de outros tipos de chips levou a uma gama ainda maior de oportunidades para aparar os testes.
Próximos Passos
O algoritmo é um projeto piloto por enquanto, e a equipe do NXP está procurando expandi-lo para um conjunto mais amplo de partes, reduzir a sobrecarga computacional e torná-lo mais fácil de usar. Com a crescente complexidade dos chips automotivos e a pressão constante para reduzir custos, essa abordagem baseada em machine learning pode se tornar uma ferramenta valiosa para as empresas de semicondutores.
