所有這些都是實打實的時間和真金白銀。如果芯片在經過檢測和其它過程之后符合規范，就可以把晶圓從晶圓廠發給封測廠了。
這時候，壓力就轉到封測廠了。為了幫助測試，KLA－Tencor設計了一種技術方案來捕捉晶圓廠中的問題。該技術被稱為在線零件平均測試（I－PAT），它利用了PAT的概念。但是，與在測試部門進行的PAT及其變體不同，I－PAT在晶圓廠中執行。
I－PAT不一定會與傳統的第三方異常檢測供應商競爭。它的目標是提供更多的測試數據，補充既有的測試組合。通常來講，您仍然需要執行傳統的異常檢測。
KLA－Tencor的技術涉及硬件和數據分析軟件包。簡而言之，先把檢驗數據輸入到計算機建模程序中，然后分解數據，并查看晶圓圖上的硅片，然后在晶圓廠的多個檢查步驟中查找異常缺陷。
在一個簡單的例子中，該技術將顯示具有五個層的芯片的晶圓圖，比如有源區、柵極、觸點層、金屬層1和金屬層2。假設金屬層1上可能會有800個缺陷。計算機從晶圓上隨機選擇10個芯片，然后，使用各種I－PAT算法，系統最終確定這10個芯片中有9個存在潛在的可靠性缺陷。
這個過程可以重復好幾遍。“你可以一遍又一遍重復這個步驟，”KLA－Tencor高級營銷總監DavidPrice說。“通過一遍又一遍地重復，你可以看到缺陷的統計性質如何幫助你找到最有可能包含可靠性缺陷的芯片。”
I－PAT可用于挑選有問題的硅片。另外，這些數據可以與其他異常檢測方法結合使用，以改進測試通過／不通過的決策。Price說：“通過在晶圓廠中實施I－PAT技術，你將能夠減少傳統PAT方法所帶來的矯枉過正和不足之處。”
從晶圓廠到測試廠
晶圓從晶圓廠移動到測試部門后，在那里進行晶圓分類、最終測試，有時也會進行系統級測試。
檢查和測試會產生巨大的數據量。但是，在這些數據面前，您如何知道器件是否仍存在潛在的可靠性缺陷或其他問題呢？
這就是為什么汽車OEM廠商希望他們的供應商在測試過程中執行傳統異常檢測的原因。Mentor公司的Renaud說：“
在整個晶圓經過測試之后，在晶圓分類中進行的PAT分揀，是在服務器上作為離線處理完成的。對每個部分進行測試后，最終測試中的PAT分揀是在測試儀上在線執行的，當然，整個流程都是由服務器管理并控制的。”
通常，異常檢測技術從晶圓廠得到電子數據，然后分析數據。KLA－Tencor的新技術將向測試混合提供更多數據。“我們能夠從KLA等公司的機器中收集檢測數據，”Optimal＋的Schuldenfrei說。“將所有這些數據結合在一起使用，顯然會進一步提高檢測的準確度。”
PAT是最基本的邊界檢測形式，應該可以檢測出一個超出不合格閾值的芯片。測試閾值可以設置為靜態（SPAT）或動態（DPAT）模式。
在SPAT中，測試閾值是基于該批次的數量決定的，在DPAT中，則會在每次晶圓測試時計算閾值。在SPAT和DPAT中，都會執行一個算法，最終得出測試通過或失敗的結果。
但是，這些算法可能在某些情況下會失敗。有的器件的特征可能和其它器件明顯不同，但是它也在規范范圍內。有的器件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，你可能會漏掉接近特征分布中心的異常。”Optimal＋的Schuldenfrei說。
異常檢測專家已經加入了一些程序來解決這些問題。但是，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。“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產能損失，”Mentor的Renaud說。“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、多變量和其它方案的復雜異常檢測算法，許多算法甚至可以和DPAT和SPAT結合一起使用。
一種先進類型的幾何分布PAT（GPAT）可以根據它的幾何分布鄰近度來查看芯片質量。
GPAT有一個復雜版本，被稱為好芯片／壞鄰居（GDBN）。GDBN基于這樣一種理念，缺陷總是趨向于集中出現在晶圓的某些特定位置上。簡單來說，缺陷較多的區域可能會找出一些壞芯片。
還有一種被稱為最差鄰居殘差（NNR）的技術。“最近鄰居殘差技術是在每個芯片的每次測試中檢查所有值，它不僅考慮整體晶圓，還考慮臨近芯片的情況。”Optimal＋的Schuldenfrei說。
還有一些其他方法，如多變量技術。“地理空間算法檢查晶圓上的失效模式，以確定掩模版缺陷和失效芯片的集群。同時，多變量算法測量多次測試之間的相關性，而不是一次只考慮一個測試結果，”Mentor的Renaud說。
所有這些方法都可以結合使用。
下一步
展望未來，ADAS和自主駕駛將進一步推動對更多檢測技術的需求。Optimal＋的Schuldenfrei表示：“隨著汽車的自主化程度越來越高，芯片缺陷檢測也將變得越來越重要。”
此外，這些檢測技術也會加入人工智能和機器學習。“隨著機器學習和人工智能帶來新的運算能力和功能，我們相信，它們也會更多地參與到異常檢測中來。”Schuldenfrei說。
最后，把所有的數據集成在一起也許是最大的挑戰。“想象一下，從芯片獲取數據，并將其與多個不同公司的電路板數據關聯起來，”他說。“您需要共享數據才能實現更好的異常檢測。”