來源：半導體芯科技編譯

封裝正變得越來越有挑戰性，成本越來越高。無論原因是襯底短缺還是封裝本身的復雜性增加，外包半導體封裝和測試（OSAT）公司必須在封裝和測試上花費更多的錢、時間和資源。因此，OSAT今天面臨的一個更重要的挑戰是管理那些在晶圓廠層面通過測試但在最終封裝測試中失敗的芯片。

但首先，讓我們在這個過程中退后一步，談談前端的情況。一家半導體工廠每周將生產數百片晶圓，這些晶圓由產品測試程序進行驗證。通過的晶圓會被送到OSAT進行封裝和最終測試。任何在最終測試階段不合格的單元都會被丟棄，而在OSAT花在切割、封裝和測試不合格單元的錢和時間都被浪費了（圖1）。

△圖1：從工廠到OSAT的過程

根據一項估計，基于高端智能手機的5納米晶圓的價格，封裝組裝和測試的成本接近芯片總成本的30%（表1）。鑒于這一高比例（30%），對于OSAT來說，僅接收預計通過最終封裝測試的晶圓更具成本效益。這可以確保在最后的封裝測試步驟中減少廢品，將成本降到最低，并有更多的產品被運出去。機器學習可以為制造商提供一個實現這一目標的方法。

△表1：高端智能手機的芯片成本估計明細

傳統測試

使用傳統的方法，工程師獲得通過最終封裝測試的已知良好晶圓的在線量測/晶圓電氣測試結果。然后，工程師使用良率管理軟件統計包進行相關分析，以確定哪些參數和因素與最終測試良率的關聯度最高。利用這些參數，工程師再進行回歸擬合，并生成一個線性/非線性模型。此外，管理軟件提出的模型會用新的數據進行驗證。然而，這并非一個不干涉的過程。需要定期對模型進行人工審查。

機器學習采用了不同的方法。與前面提到的方法相比，該方法更強調找到最能解釋最終封裝測試數據的模型，而利用機器學習能力的方法強調模型的預測能力。由于 OSAT 的能力有限，使用晶圓廠層面的量測和產品測試數據以及 OSAT 層面的最終測試封裝數據訓練的機器學習模型為最終封裝測試創造了具有代表性的結果。

部署到生產中

通過部署機器學習模型來預測OSAT晶圓的最終測試良率，不良晶圓將在制造執行系統中被自動標記，并被指定為最后發貨（LTS）的晶圓等級。晶圓廠實時調度會將具有指定晶圓等級的晶圓移動到LTS晶圓庫，而符合機器學習模型合格標準的晶圓將被運往OSAT，從而確保只有好的零件被送到封裝廠進行切割和封裝。此外，額外的生產數據將用于驗證機器學習模型的預測，最終結果是增加對模型的信心。盲測甚至可以檢查晶圓的特定關鍵部分。

機器學習方法也為更多的傳統方法提供了一些優勢。這種模型對失控情況具有內在的容忍度，趨勢和模式很容易被識別，結果可以通過更多的數據得到改善，也許最重要的是，不需要人為干預。

不幸的是，也有缺點。機器學習模型需要大量的數據才能做出準確的預測，雖然更多的數據總是受歡迎的，但這種方法對于新產品或研發方案來說并不理想。此外，這種機器學習方法需要大量的時間和資源的分配，這意味著更多的計算能力和更多的時間來處理完整的數據集。

此外，還需要對正在使用的算法的質量提出問題。也許它不是正確的模型，因此，將無法提供正確的結果。或者，算法預測的推理可能難以理解。簡而言之：該算法如何確定哪些晶圓實際上是好的，哪些將被標記為 "最后發貨"？還有一個問題是，不正確或不完整的數據會帶來糟糕的結果。或者正如俗話說的，垃圾進，垃圾出。

結論

早期檢測和預測只有好的產品才能運到OSATs，這已經變得越來越關鍵，部分原因是半導體零件的測試是制造流程中最昂貴的部分。通過創建一個高杠桿的產量/運營管理平臺和機器學習，僅測試合格的零件，OSAT公司能夠提高資本利用率和投資回報率，從而確保成本效益和向終端客戶持續供應成品。雖然這是機器學習模型有效性的一個例子，但關于這種方法如何提高產量和降低OSATs的成本，還有很多東西需要學習。

審核編輯黃宇