一种基于机器学习的集成电路ATE自动复测系统及方法技术方案

本发明专利技术公开了一种基于机器学习的集成电路ATE自动复测系统及方法，包括测试程序控制器、复测监控程序控制器、预测模型训练控制器，首先根据复测信息对被测器件集进行测试，然后根据测试结果数据，调用预测模型训练控制器生成的预测模型判断被测器件集是否需要复测，若需复测，则将复测信息发送给测试程序控制器；所述预测模型训练控制器用于根据复测数据建立训练数据队列，同时用于根据机器学习方法，生成预测模型，供复测监控程序控制器调用。本发明专利技术不仅能够避免芯片损伤，而且提高了芯片良率。率。率。

【技术实现步骤摘要】
一种基于机器学习的集成电路ATE自动复测系统及方法


[0001]本专利技术涉及一种基于机器学习的集成电路ATE自动复测系统及方法，属于半导体测试


技术介绍

[0002]集成电路测试过程中，经常出现复测的情况。导致复测的原因可能有：圆片测试(Chip Prober Test,简称CP）过程中探针扎的太轻，或扎偏。
[0003]芯片的Wafer（晶片）上存在灰尘、油污导致芯片与探针接触不良。
[0004]集成电路自动测试设备(Auto Test Equipment，简称ATE)本身测试稳定性不足，存在误测。
[0005]ATE受周围环境干扰（温湿度、电磁等），存在误测。
[0006]成品测试(Final Test，简称FT)过程中，电路管脚歪斜、油污等。
[0007]对于非芯片自身原因导致的测试失效，需要通过复测，将部分实际为合格的芯片过滤出来，确保良率损失控制在最低限度。
[0008]传统测试方法，只能通过在整片Wafer（或整个Lot Wafer)，或整批次成品电路测试完毕后，根据设定的良率下限，当低于下限，将所有测试失效(Fail)的电路进行一次或多次复测，从中将误测的芯片或电路过滤出来，以此降低误测率，提高良率。
[0009]该方法存在测试成本高（失效电路的重复测试时间成本，加上人工判断所花费时间成本，转运等时间成本，人工成本等），多次复测导致芯片Pad或电路管脚损伤，电路内部出现损伤等问题。多次复测也存在生产管理系统管理复杂，容易出现混料等管理错误。
[0010]实际测试过程中影响被测电路失效的因素较多，导致传统的失效电路分析过程无法由单纯的ATE测试结果进行界定失效是否完全为芯片自身原因导致。而通过传统的测试程序编程，又无法高效的识别出失效的非芯片自身原因（识别过程不能占用太多测试时间）。同时，此类识别过程因为牵涉的影响因素较多，所需的编程知识与能力也有很高的要求，一般的测试工程师无法胜任。

技术实现思路

[0011]专利技术目的：为了克服现有技术中存在的不足，需要在正常测试程序运行的同时，有一个并行运行的复测监控程序实时对测试程序的测试结果进行分析，并在正常测试程序测试结束时告诉ATE是否需要立刻复测，本专利技术提供一种能够自动复测、且复测精度高的基于机器学习的集成电路ATE自动复测系统及方法。复测监控程序需要通过机器学习的方法，对一定数量在正常测试过程中失效的电路，在复测后如果又被判断为良品，则提取相关的失效特征,建立分类失效模型，每一类失效模型对应一种或几种失效机制。对于非DUT（Device Under Test,被测器件，简称DUT)本身原因导致的失效，即可判断为需要复测，通知ATE（Auto Test Equipment, 自动测试设备，简称ATE）的测试程序控制器立刻进行复测。
[0012]技术方案：为实现上述目的，本专利技术采用的技术方案为：
一种基于机器学习的集成电路ATE自动复测系统，包括测试程序控制器、复测监控程序控制器、预测模型训练控制器，其中：所述测试程序控制器用于根据复测信息对被测器件集进行测试，将测试后的测试结果数据发送给复测监控程序控制器。
[0013]所述复测监控程序控制器用于根据测试结果数据，调用预测模型训练控制器生成的预测模型判断被测器件集是否需要复测，若需复测，则将复测信息发送给测试程序控制器。
[0014]所述预测模型训练控制器用于根据复测数据建立训练数据队列，同时用于根据机器学习方法，生成预测模型，供复测监控程序控制器调用。
[0015]优选的：所述预测模型训练控制器包括训练数据管理器、全局数据池管理器、预测模型生成器。
[0016]所述训练数据管理器包括训练数据集队列及训练数据发生器，所述训练数据管理器用于接收全局数据池管理器的测试数据，或复测监控程序控制器的复测数据，建立训练数据集，并输出训练数据集供预测模型生成器进行模型训练。
[0017]所述全局数据池管理器负责保存管理集成电路ATE及被测器件集的测试数据。
[0018]所述预测模型生成器负责从全局数据池管理器获取训练数据集，完成预测模型的训练。同时负责将预测模型给复测监控程序控制器调用，或对复测监控程序控制器进行初始化。
[0019]优选的：所述预测模型生成器包括逻辑回归函数模型：其中，为对应采样数据的预测复测概率值，为采样数据的线性累加值，为逻辑回归参数。
[0020]优选的：所述预测模型生成器包括损失函数模型：其中，为损失函数，用于说明预测结果与真实结果差异的程度。差异越大，则该值越大。为样本数量；为第i个样本的真实标签，即0或者1；为第i个样本对应的预测复测概率值；为第i个样本的特征值。
[0021]优选的：所述预测模型生成器采用梯度下降法不断更新，最终逼近的极小值。更新的公式为：
其中，为第个参数的权重值，为参数下标，代表第几个参数，为学习率，用于控制在重复计算上式，直到损失函数收敛不变（最小值）所需花费的时间。
[0022]优选的：所述训练数据管理器根据训练数据集中数据队列的更新情况或触发情况，自动通知预测模型生成器启动新预测模型训练。
[0023]一种基于机器学习的集成电路ATE自动复测方法，包括以下步骤：步骤30，根据测试程序控制器的测试结果输入，复测监控程序控制器判断该被测器件集的测试结果是否为复测数据。对复测的测试结果，输出给预测模型训练控制器。
[0024]步骤31，预测模型训练控制器对正常的测试结果，复测监控程序控制器调用预测模型训练控制器生成的预测模型计算该数据对应的被测器件集需要复测的概率。对于概率值大于阈值的测试结果，给出是否需要复测的指令，若需要复测的指令输出给测试程序控制器。
[0025]步骤32，预测模型训练控制器接收复测的测试结果建立训练数据集，并输出训练数据集供预测模型生成器进行模型训练。所述预测模型生成器获取训练数据集，采用梯度下降法不断更新，判断是否小于设定阈值，或者循环次数是否大于设置次数阈值，若是小于设定阈值，或者循环次数是大于设置次数阈值，则输出预测模型。
[0026]步骤33，机器学习算法控制器，用于接收步骤32中得到的预测模型，更新预测模型。同时根据测试程序控制器的测试数据输入，通过更新的预测模型计算需复测概率，输出给复测监控程序控制器。
[0027]本专利技术相比现有技术，具有以下有益效果：1.避免芯片被二次扎针或socket压接，降低了芯片pad损伤或成品的管脚损伤。
[0028]2.降低了芯片wafer或成品批次的复测机率，提高了wafer或成品批次的良率，提高了设备单位时间有效产出(hourly rate),从而降低了测试成本。
[0029]3.降低了生产管理系统的难度，降低了测试过程中的失效品混料等问题，提高了测试质量。
附图说明
[0030]图1为ATE测试程序控制器示意图。
[0031]图2为预测模型训练控制器示意图。...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的集成电路ATE自动复测系统，其特征在于：包括测试程序控制器（2）、复测监控程序控制器（4）、预测模型训练控制器（6），其中：所述测试程序控制器（2）用于根据复测信息对被测器件集进行测试，将测试后的测试结果数据发送给复测监控程序控制器（4）；所述复测监控程序控制器（4）用于根据测试结果数据，调用预测模型训练控制器（6）生成的预测模型判断被测器件集是否需要复测，若需复测，则将复测信息发送给测试程序控制器（2）；所述预测模型训练控制器（6）用于根据复测数据建立训练数据队列，同时用于根据机器学习方法，生成预测模型，供复测监控程序控制器（4）调用。2.根据权利要求1所述基于机器学习的集成电路ATE自动复测系统，其特征在于：所述预测模型训练控制器（6）包括训练数据管理器（20）、全局数据池管理器（21）、预测模型生成器（22）；所述训练数据管理器（20）包括训练数据集队列及训练数据发生器，所述训练数据管理器（20）用于接收全局数据池管理器（21）的测试数据，或复测监控程序控制器（4）的复测数据，建立训练数据集，并输出训练数据集供预测模型生成器进行模型训练；所述全局数据池管理器（21）负责保存管理集成电路ATE及被测器件集的测试数据；所述预测模型生成器（22）负责从全局数据池管理器（21）获取训练数据集，完成预测模型的训练；同时负责将预测模型给复测监控程序控制器（4）调用，或对复测监控程序控制器（4）进行初始化。3.根据权利要求2所述基于机器学习的集成电路ATE自动复测系统，其特征在于：所述预测模型生成器（22）包括逻辑回归函数模型：其中，为对应采样数据的预测复测概率值，为采样数据的线性累加值，为逻辑回归参数。4.根据权利要求3所述基于机器学习的集成电路ATE自动复测系统，其特征在于：所述预测模型生成器（22）包括损失函数模型：...

【专利技术属性】
技术研发人员：毛国梁，李全任，包智杰，
申请(专利权)人：南京宏泰半导体科技有限公司，
类型：发明
国别省市：