全國政協委員劉強東：電動物流車成本高，求補貼和免費充電樁

“通常情況下，異常檢測技術從晶圓廠獲得電子數據，然后對數據進行分析。KLA-Tencor的新技術將為測試混合提供更多數據。”Optimal＋+的Schuldenfrey說：“我們可以從KLA等公司的機器上收集測試數據。將所有這些數據結合在一起顯然將進一步提高檢測的準確性。”。“PAT是最基本的邊界檢測形式，它應該能夠檢測到超過不合格閾值的芯片。測試閾值可以設置為靜態（SPAT）或動態（DPAT）模式在SPAT中，測試閾值是根據批次數量確定的，而在DPAT中，閾值是在每次晶片測試時計算的。在SPAT和DPAT中，將執行一個算法，測試將通過或失敗。然而，這些算法在某些情況下可能會失敗。一些設備的特性可能與其他設備明顯不同，但也在規范范圍內。一些設備可能是遠離正態分布的極端異常。Optimal＋+的Schuldenfrey說：“這種情況可能會嚴重影響整個特征分布，然后，你可能會錯過特征分布中心附近的異常。”。異常檢測專家增加了一些程序來解決這些問題。然而，多年來，這些芯片變得越來越復雜，因此需要更先進的異常檢測技術。Mentor的Renaud說：“客戶要求越來越復雜的算法來識別真正的異常，而不會造成不必要的生產力損失。”。“需要先進的自動形狀檢測來識別非高斯分布。”有一些基于幾何分布、多變量和其他方案的復雜異常檢測算法，其中許多甚至可以與DPAT和SPAT一起使用。一種先進的幾何分布PAT（GPAT）可以根據其幾何分布的接近程度來檢查芯片質量。GPAT有一個復雜的版本，它被稱為好芯片/壞鄰居（GDBN）。GDBN基于這樣一種觀點，即缺陷總是傾向于集中在晶片上的某些特定位置。簡單地說，在缺陷較多的區域可能會發現一些壞芯片。還有一種技術被稱為最壞鄰居殘差（NNR）。“最近鄰殘差技術是檢查每個芯片每次測試中的所有值。它不僅考慮整個晶片，還考慮相鄰芯片的情況。”Optimal＋+的Schuldenfrey說。還有其他方法，例如多元技術。Mentor的Renaud說：“地理空間算法檢查晶片上的故障模式，以確定掩模版缺陷和故障芯片的集群。同時，多變量算法測量多個測試之間的相關性，而不是一次只考慮一個測試結果。”。所有這些方法都可以組合使用。展望未來，ADAS和自動駕駛將進一步推動對更多檢測技術的需求。Optimal＋+的Schuldenfrey表示：“隨著汽車自主程度的提高，芯片缺陷檢測將變得越來越重要。”此外，這些檢測技術還將增加人工智能和機器學習。“隨著機器學習和人工智能帶來新的計算能力和功能，我們相信它們也將更多地參與異常檢測。”舒爾登弗雷說。最后，將所有數據集成在一起可能是最大的挑戰。他說：“想象一下，從芯片中獲取數據，并將其與幾家不同公司的電路板數據聯系起來。”。“你需要共享數據，以實現更好的異常檢測。”“通常，異常檢測技術從晶圓廠獲得電子數據，然后對數據進行分析。KLA-Tencor的新技術將為測試混合提供更多數據。“我們可以從KLA等公司的機器上收集測試數據，”Optimal＋+的Schuldenfrey說。“將所有這些數據結合在一起顯然會進一步提高檢測的準確性。”PAT是最基本的邊界檢測形式，它應該能夠檢測到超過不合格閾值的芯片。測試閾值可以設置為靜態（SPAT）或動態（DPAT）模式。在SPAT中，測試閾值是根據批次數量確定的，而在DPAT中，閾值是在每次晶片測試時計算的。在SPAT和DPAT中，將執行一個算法，測試將通過或失敗。然而，這些算法在某些情況下可能會失敗。一些設備的特性可能與其他設備明顯不同，但也在規范范圍內。一些設備可能是遠離正態分布的極端異常。“這種情況可能會嚴重影響整個特征分布，然后，你可能會錯過特征中心附近的異常……

分配Optimal＋+的Schuldenfrey說。異常檢測專家已經添加了一些程序來解決這些問題。然而，多年來，這些芯片變得越來越復雜，因此需要更先進的異常檢測技術。Mentor的Renaud說：“客戶要求越來越復雜的算法來識別真正的異常，而不會造成不必要的生產力損失。”。“需要先進的自動形狀檢測來識別非高斯分布。”有一些基于幾何分布、多變量和其他方案的復雜異常檢測算法，其中許多甚至可以與DPAT和SPAT一起使用。一種先進的幾何分布PAT（GPAT）可以根據其幾何分布的接近程度來檢查芯片質量。GPAT有一個復雜的版本，它被稱為好芯片/壞鄰居（GDBN）。GDBN基于這樣一種觀點，即缺陷總是傾向于集中在晶片上的某些特定位置。簡單地說，在缺陷較多的區域可能會發現一些壞芯片。還有一種技術被稱為最壞鄰居殘差（NNR）。“最近鄰殘差技術是檢查每個芯片每次測試中的所有值。它不僅考慮整個晶片，還考慮相鄰芯片的情況。”Optimal＋+的Schuldenfrey說。還有其他方法，例如多元技術。Mentor的Renaud說：“地理空間算法檢查晶片上的故障模式，以確定掩模版缺陷和故障芯片的集群。同時，多變量算法測量多個測試之間的相關性，而不是一次只考慮一個測試結果。”。所有這些方法都可以組合使用。展望未來，ADAS和自動駕駛將進一步推動對更多檢測技術的需求。Optimal＋+的Schuldenfrey表示：“隨著汽車自主程度的提高，芯片缺陷檢測將變得越來越重要。”此外，這些檢測技術還將增加人工智能和機器學習。“隨著機器學習和人工智能帶來新的計算能力和功能，我們相信它們也將更多地參與異常檢測。”舒爾登弗雷說。最后，將所有數據集成在一起可能是最大的挑戰。他說：“想象一下，從芯片中獲取數據，并將其與幾家不同公司的電路板數據聯系起來。”。“您需要共享數據以實現更好的異常檢測。”

標簽：北京

汽車資訊熱門資訊