泰瑞达“3 for 3”视频系列 | 泰瑞达UltraEdge
随着半导体技术的复杂度不断攀升，半导体设计和制造过程中产生了大量数据，但我们尚未完全掌握如何将这些数据转化为可实时落地的有效洞察。我们的“3 for 3”视频系列针对半导体测试领域的三大紧迫问题提供了三个答案。在本视频中，智能制造产品经理Eli Roth探讨了不断发展的分析生态系统，以及泰瑞达的UltraEdge平台如何在安全环境中实现实时改进。
| 大家好，我是泰瑞达智能制造产品经理Eli Roth |
| 这是我的三问三答 |
| [今日主题] |
| [泰瑞达ULTRAEDGE 2000] |
| 半导体设计和制造过程中产生了大量数据 |
| 但如何将这些数据转化为可实时落地的有效洞察 |
| 我们仍处于早期探索阶段。 |
| 在本期“三问三答”中，我们将探讨不断发展的分析生态系统 |
| 以及泰瑞达的UltraEdge 2000如何 |
| 在安全环境中实现现场改进 |
| [提问1] |
| [为何考虑使用边缘服务器进行高级分析？] |
| 拥有必要工具 |
| 将整个半导体制造过程中所采集的数据 |
| 转化为可快速实施的有效洞察 |
| 对于保持当前的创新节奏至关重要 |
| 半导体行业的数据分析技术已经存在多年 |
| 但传统做法依赖后处理实现 |
| 即先采集数据并上传至大型数据存储系统 |
| 经过清理与处理后，通过算法或数据探索进行分析 |
| 由此得出的见解结果完全通过离线流程交付 |
| 相关改进必须重新导入设计与制造流程 |
| 才能实现一些可量化的成果 |
| 例如芯片质量提升或良率提高等。 |
| 部署在网络边缘的实时解决方案 |
| 能够在制造过程中同步分析数据 |
| 并根据需要实时实施改进。 |
| 无需经历漫长的离线处理流程即可实现优化。 |
| 这些实时模型通常需要庞大的 |
| 计算资源和/或内存支持。 |
| 而将这些算法与人工智能模型部署在边缘服务器上 |
| 可提供并行计算和内存资源以满足额外需求 |
| 同时确保测试机性能不受影响。 |
| 数据清理和预处理必须实时进行。 |
| 这通常需要在测试机上安装额外软件 |
| 来执行此类任务，并将数据发送至大容量存储系统。 |
| 而将模型所需数据直接流式传输至边缘设备 |
| 则无需在测试机上安装第三方代理程序 |
| 既不会降低测试机速度 |
| 也不会延迟分析以及分析结论的实施。 |
| 泰瑞达的UltraEdge提供安全的环境， |
| 确保数据、分析模型和规则集合安全无虞， |
| 减少云端解决方案 |
| 或第三方代理程序带来的安全风险。 |
| [提问2] |
| [目前有哪些类型的应用正部署在边缘？] |
| 人工智能、大型语言模型和， |
| 神经网络领域的最新进展 |
| 正在推动形成一个丰富的生态系统以及先进的分析应用。 |
| 当这些应用部署在网络边缘时 |
| 可产生重大影响。 |
| 如今，许多应用会实时获取数据 |
| 并据此在测试执行过程中对测试进行灵活调整。 |
| 其中包括动态测试集， |
| 测试限值自适应调整和实时分类决策。 |
| 我们来看一个当前可部署的案例 |
| 以及行业未来的发展方向。 |
| 部件平均测试是汽车行业 |
| 广泛采用的一种技术，该行业对质量的要求非常严苛。 |
| 这种测试通过识别异常值 即找出偏离正态分布的芯片 |
| 来降低测试漏检率。 |
| 此图显示了一个正态分布， |
| 而借助AI模型， |
| 泰瑞达的生态系统合作伙伴proteanTecs， |
| 能够测量IDDQ并与预期值进行比较 |
| 通过对待测芯片进行额外的测量， |
| 可提供更准确的预期值。 |
| 从这个模型可以看出 |
| 部分芯片尽管落在整体分布范围内 |
| 但其性能已不符合预期，很可能在实际应用中失效。 |
| 这些洞察使得能够及早发现故障， |
| 最终确保芯片质量提升。 |
| 在UltraEdge上实时获取这些真实数据至关重要 |
| 因为模型必须 |
| 在测试程序运行期间生成测量的预期值。 |
| 若等待数据上传云端再返回结论 |
| 那么测试时间将会变得无法接受。 |
| 此类应用提供了切实的解决方案 |
| 以满足各类半导体日益提升的质量要求。 |
| 实时分析技术在未来的发展中 |
| 将会带来许多令人兴奋的机遇和方向。 |
| 例如前馈和反馈数据流 |
| 利用上游工艺收集的数据指导下游流程与测试， |
| 有助于尽早发现或预防故障 |
| 从而提高质量、降低成本，并加速产品上市。 |
| 从芯片专用模型中获得的洞察 |
| 能够促使校准和调整过程更加高效且效果更佳， |
| 例如，这还能提高成本效益、产品质量和可靠性。 |
| [提问3] |
| [为何选择泰瑞达的UltraEdge 2000？] |
| UltraEdge 能够在测试单元中直接进行数据分析， |
| 无论是流程中还是在不同执行之间。 |
| 由于机器学习部署往往需要大量计算和内存资源 |
| 将其从主机迁移至低延迟、高安全性的并行计算环境 |
| 可显著提升测试产能，并最终提高芯片质量。 |
| 作为泰瑞达Archimedes分析解决方案的关键组件。 |
| UltraEdge可帮助客户部署开放式架构 |
| 以充分利用业界领先的分析解决方案 |
| 无论这些方案来自客户自主开发、第三方供应商还是泰瑞达。 |
| 该平台在执行高级分析时的实时性能 |
| 确保对测试时间的影响最小化 |
| 并能立即将分析洞察反馈至测试流程。其零信任实施方式 |
| 可确保客户知识产权得到妥善保护 |
| 并且从测试机输出的数据结构符合客户要求 |
| 未经改动且真实可靠。 |
| 新的5nm设计节点研发成本动辄超过5亿美元 |
| 半导体技术的复杂度也在持续攀升 |
| 若不能推动行业技术革新， |
| 此类巨额投资将难以持续。 |
| 机器学习与生成式AI带来的 |
| 生产效率提升，是确保先进工艺节点 |
| 在经济与技术上可行的关键。 |
| 当测试机产生的海量数据能在边缘实时分析， |
| 并据此得出的见解能够在测试流程中实时应用时 |
| 才能实现真正的质量提升。 |
| 泰瑞达的UltraEdge让这一目标成为现实。 |
| 作为安全、高性能的机器学习与人工智能平台 |
| 它能在生产流程中切实实现质量提升。 |
| 有关泰瑞达Archimedes分析解决方案 |
| 和UltraEdge的更多信息，请访问teradyne.com/analytics |
| 感谢观看，下次再见。 |