全国政协委员刘强东：电动物流车成本高，求补贴和免费充电桩

“通常情况下，异常检测技术从晶圆厂获得电子数据，然后对数据进行分析。KLA-Tencor的新技术将为测试混合提供更多数据。”Optimal＋+的Schuldenfrey说：“我们可以从KLA等公司的机器上收集测试数据。将所有这些数据结合在一起显然将进一步提高检测的准确性。”。“PAT是最基本的边界检测形式，它应该能够检测到超过不合格阈值的芯片。测试阈值可以设置为静态（SPAT）或动态（DPAT）模式在SPAT中，测试阈值是根据批次数量确定的，而在DPAT中，阈值是在每次晶片测试时计算的。在SPAT和DPAT中，将执行一个算法，测试将通过或失败。然而，这些算法在某些情况下可能会失败。一些设备的特性可能与其他设备明显不同，但也在规范范围内。一些设备可能是远离正态分布的极端异常。Optimal＋+的Schuldenfrey说：“这种情况可能会严重影响整个特征分布，然后，你可能会错过特征分布中心附近的异常。”。异常检测专家增加了一些程序来解决这些问题。然而，多年来，这些芯片变得越来越复杂，因此需要更先进的异常检测技术。Mentor的Renaud说：“客户要求越来越复杂的算法来识别真正的异常，而不会造成不必要的生产力损失。”。“需要先进的自动形状检测来识别非高斯分布。”有一些基于几何分布、多变量和其他方案的复杂异常检测算法，其中许多甚至可以与DPAT和SPAT一起使用。一种先进的几何分布PAT（GPAT）可以根据其几何分布的接近程度来检查芯片质量。GPAT有一个复杂的版本，它被称为好芯片/坏邻居（GDBN）。GDBN基于这样一种观点，即缺陷总是倾向于集中在晶片上的某些特定位置。简单地说，在缺陷较多的区域可能会发现一些坏芯片。还有一种技术被称为最坏邻居残差（NNR）。“最近邻残差技术是检查每个芯片每次测试中的所有值。它不仅考虑整个晶片，还考虑相邻芯片的情况。”Optimal＋+的Schuldenfrey说。还有其他方法，例如多元技术。Mentor的Renaud说：“地理空间算法检查晶片上的故障模式，以确定掩模版缺陷和故障芯片的集群。同时，多变量算法测量多个测试之间的相关性，而不是一次只考虑一个测试结果。”。所有这些方法都可以组合使用。展望未来，ADAS和自动驾驶将进一步推动对更多检测技术的需求。Optimal＋+的Schuldenfrey表示：“随着汽车自主程度的提高，芯片缺陷检测将变得越来越重要。”此外，这些检测技术还将增加人工智能和机器学习。“随着机器学习和人工智能带来新的计算能力和功能，我们相信它们也将更多地参与异常检测。”舒尔登弗雷说。最后，将所有数据集成在一起可能是最大的挑战。他说：“想象一下，从芯片中获取数据，并将其与几家不同公司的电路板数据联系起来。”。“你需要共享数据，以实现更好的异常检测。”“通常，异常检测技术从晶圆厂获得电子数据，然后对数据进行分析。KLA-Tencor的新技术将为测试混合提供更多数据。“我们可以从KLA等公司的机器上收集测试数据，”Optimal＋+的Schuldenfrey说。“将所有这些数据结合在一起显然会进一步提高检测的准确性。”PAT是最基本的边界检测形式，它应该能够检测到超过不合格阈值的芯片。测试阈值可以设置为静态（SPAT）或动态（DPAT）模式。在SPAT中，测试阈值是根据批次数量确定的，而在DPAT中，阈值是在每次晶片测试时计算的。在SPAT和DPAT中，将执行一个算法，测试将通过或失败。然而，这些算法在某些情况下可能会失败。一些设备的特性可能与其他设备明显不同，但也在规范范围内。一些设备可能是远离正态分布的极端异常。“这种情况可能会严重影响整个特征分布，然后，你可能会错过特征中心附近的异常……

分配Optimal＋+的Schuldenfrey说。异常检测专家已经添加了一些程序来解决这些问题。然而，多年来，这些芯片变得越来越复杂，因此需要更先进的异常检测技术。Mentor的Renaud说：“客户要求越来越复杂的算法来识别真正的异常，而不会造成不必要的生产力损失。”。“需要先进的自动形状检测来识别非高斯分布。”有一些基于几何分布、多变量和其他方案的复杂异常检测算法，其中许多甚至可以与DPAT和SPAT一起使用。一种先进的几何分布PAT（GPAT）可以根据其几何分布的接近程度来检查芯片质量。GPAT有一个复杂的版本，它被称为好芯片/坏邻居（GDBN）。GDBN基于这样一种观点，即缺陷总是倾向于集中在晶片上的某些特定位置。简单地说，在缺陷较多的区域可能会发现一些坏芯片。还有一种技术被称为最坏邻居残差（NNR）。“最近邻残差技术是检查每个芯片每次测试中的所有值。它不仅考虑整个晶片，还考虑相邻芯片的情况。”Optimal＋+的Schuldenfrey说。还有其他方法，例如多元技术。Mentor的Renaud说：“地理空间算法检查晶片上的故障模式，以确定掩模版缺陷和故障芯片的集群。同时，多变量算法测量多个测试之间的相关性，而不是一次只考虑一个测试结果。”。所有这些方法都可以组合使用。展望未来，ADAS和自动驾驶将进一步推动对更多检测技术的需求。Optimal＋+的Schuldenfrey表示：“随着汽车自主程度的提高，芯片缺陷检测将变得越来越重要。”此外，这些检测技术还将增加人工智能和机器学习。“随着机器学习和人工智能带来新的计算能力和功能，我们相信它们也将更多地参与异常检测。”舒尔登弗雷说。最后，将所有数据集成在一起可能是最大的挑战。他说：“想象一下，从芯片中获取数据，并将其与几家不同公司的电路板数据联系起来。”。“您需要共享数据以实现更好的异常检测。”

标签：北京

汽车资讯热门资讯