CN109447108A - 一种集成电路测试数据融合分析方法 - Google Patents

Abstract

本发明公开了一种集成电路测试数据融合分析方法，是从测试机台获取测试信息进行自动分析，为实现待测产品的良率判断分析评估、预测及提升的信息处理过程；本发明提供的集成电路测试数据融合分析方法，解决集成电路电路测试过程中避免单独信息的缺点、发挥全局信息的优势、利用多源异构数据之间互补性的自动化信息处理技术，对多源信息进行采集、过滤、互联、关联(相关)、态势描述、态势(或威胁)评估、目标识别和态势预测等，是一个从多级别、多方面、多维度对传感器数据进行处理的过程，其目的在于较低层次获得状态的精确信息与评估，实现测试海量信息分析结果更加可靠和准确。

Description

一种集成电路测试数据融合分析方法

技术领域

本发明涉及集成电路测试技术领域，尤其涉及一种集成电路测试数据融合分析方法。

背景技术

最近几年，大数据一直是个非常热门的话题。当人们津津乐道于互联网时代海量数据带来的机会和价值时，集成电路产业中却忽略了随时可见的芯片大数据的价值，如芯片的量产测试数据。集成电路产业主要有四个环节，即集成电路设计、集成电路制造、集成电路封装测试以及支撑辅助上述三个环节的设备和材料等产业。但每个环节由于自身规模、技术等限制，不可能负担高额的信息系统成本，所以未来对于集成电路测试信息融合分析这种成本较低创新服务的需求会出现爆发，围绕多源信息进行采集、过滤、互联、关联(相关)、态势描述、态势(或威胁)评估、目标识别和态势预测等创新服务及解决方案，满足集成电路产业链各环节企业按需自助服务的创新模式将会成为集成电路设计、制造、封装测试等生态系统良性互动发展的支柱。

集成电路产业中，一颗芯片在进入市场前都要经过测试验证，通常会有几十甚至上百项的测试项目，除了纯数字电路的测试只返回Pass/Fail外，其它项目结果都包含了具体的测试数据,且反映了芯片至少某一方面的特性，如果是量产的芯片,少则一年出货近百万，多则每个月都到几千万颗，可以看到这些测试结果将是一个庞大的数据宝库，如果这些数据能够被充分地加以统计和分析，对于芯片整体的特性，以及设计、工艺、封装等方面的问题非常具有价值。未来，若建立一套体系和流程，对每一批芯片每一环节的测试结果进行监督和分析，甚至能够通过一些数据的变化趋势预测问题的所在，在良率问题爆发出来以前就采取必要的措施，从而减少甚至避免产品质量的事故，降低芯片生产运营的成本，这也是未来集成电路产业发展中海量测试数据所体现的价值。

现有技术中，通过处理由测试过程所产生的测试数据和分析测试BIN结果控制测试过程，包括测试IC器件的电特性的多个测试仪，处理由多个测试仪传输的数据和产生数据库的主计算机，只是单一的根据BIN临界值执行批判定，显示批判定结果，根据批判定结果请求下一步检查，执行Q/A监控。现有技术没有从测试环境(包括机台状态、温度/湿度等信息)、测试信息(包括site、HBin、SBin、RetestYield、RecoverYield等)多维度制定规则并进行分析，不能达到实现指导生产、促进工艺、降低失效率、降低芯片生产运营的成本等多功效叠加效应。

发明内容

本发明为解决上述技术问题而采用的技术方案是提供一种集成电路测试数据融合分析方法，在集成电路产业化测试中，对多传感器的多源异构数据进行采集，并根据某种准则对冗余或互补的信息进行过滤、分析、综合、评估与预测，管理人员则根据处理结果采取相应的操作；

为实现上述效果，采取的具体技术方案为：

集成电路测试信息融合分析，是从测试机台获取测试信息进行自动分析，为实现待测产品的良率判断分析评估、预测及提升的信息处理过程。

测试机台包括但不限于测试机ATE、测试探针系统Prober；

1)数据的获取。

自动采集被测对象的相关信息，包括测试环境、测试信息，并进行转换。

测试环境包括但不限于机台状态、温度、湿度信息，测试信息包括但不限于site、HBin、SBin、RetestYield、RecoverYield；

2)数据预处理。

去除数据中不需要的数据，再将数据进行整合、转换或者规约处理。

3)算法处理。

对海量信息进行定量分析并将有关联的信息分到同一个类别中。

4)融合计算。

对多源异构信息进行验证、分析、互补、综合、估计，生成综合信息与态势预测。

5)建立知识库。

通过融合计算，生成知识库，建立各个信息项之间的链接关系。

集成电路测试信息融合分析方法由原始数据级、特征数据级和高层数据分析级组成。

数据级融合分析的原理，是对多台测试机自动获取的未预处理的多源异构信息进行处理、综合与分析，将获得的特征向量组合并传输到处理中心进行综合分析，通过基于神经网络、聚类算法、分类算法及模板法算法规则，压缩海量信息，提高数据分析效率，减小了对通信带宽的依赖；

特征数据级是计划消除冗余数据，扩大观测数据时间和空间的范围，应用关联规则算法，提高被测数据精度，提取数据间相关规则，为高层数据融合做准备，所采用的技术手段如下：

1)将采集到的原始大数据与集成电路测试要求的的阈值进行比较，转化数据；

2)采用hash函数对Map函数进行改进，使预处理后的大数据合理的分配到不同的节点上进行分析；

3)并将每个节点处理后的结果以树进行存储，便于后续的查找，同时减少了存储空间；

4)最后将每个节点的信息进行合并，确定异常事件，并生成规则库。

高级数据分析级是对各局部融合结果不确定性的融合与传播，首先，扫描待测数据库规则，生成待测结构，根据数据级提供的信息和规则库，建立多人零和随机博弈模型，并对其进行了详细的形式化描述，该模型用来分析网络中攻防双方的成本、收益冲突和行为选择，通过策略贡献率对策略选择进行调整，并将信息熵理论引入到博弈论中，减少策略选择的不确定性，从而快速准确的选择最优主动防御行为，计算每个状态的稳定性，最后，利用Petri网对该模型进行验证，并对测试态势进行评估与预测，同时采用策略贡献作用于策略的选择，并引入信息熵理论，使得策略选择更加准确。

本发明相对于现有技术具有如下有益效果：

本发明提出的技术方案，目的在于解决集成电路电路测试过程中避免单独信息的缺点，发挥全局信息的优势，利用多源异构数据之间互补性的自动化信息处理技术对多源信息进行采集、过滤、互联、关联(相关)、态势描述、态势(或威胁)评估、目标识别和态势预测等，本发明提出的技术方案是一个从多级别、多方面、多维度对传感器数据进行处理的过程，其目的在于较低层次获得状态的精确信息与评估，实现测试海量信息分析结果更加可靠和准确。

附图说明

图1为集成电路测试信息融合分析大框架示意图。

图2为原始数据处理结构示意图。

图3为特征数据级处理结构的示意图。

图4为高级数据分析方法设计的示意图。

图5为测试数据分析系统的示意图。

具体实施方式

如附图1所示，集成电路测试信息融合分析，主要是从测试机台(包括测试机ATE、测试探针系统Prober等)获取测试信息进行自动分析，为实现待测产品的良率判断分析评估、预测及提升的信息处理过程。测试信息融合的关键是其分析模型、算法、规则及决策过程，测试机台和待测集成电路产品是采集信息的基石，核心是对获得多维度测试的信息进行分析处理。

1)数据的获取。通过自动采集被测对象的相关信息，包括测试环境(包括机台状态、温度/湿度等信息)、测试信息(包括site、HBin、SBin、RetestYield、RecoverYield等)，并进行转换。

2)数据预处理。由于采集的原始数据一般都是不完整、不一致、有冗余数据等，因此，需要最大限度的去除冗余数据，提高数据的质量，降低数据融合分析的时间。一般的处理方法是去除数据中不需要的数据，再将数据进行整合、转换或者规约处理。

3)算法处理。根据某种原则对海量信息进行定量分析，并将有关联的信息分到同一个类别中。

4)融合计算。数据融合的核心步骤，对多源异构信息进行验证、分析、互补、综合、估计，最终生成综合信息与态势预测。

5)建立知识库。通过融合计算，生成知识库，建立各个信息项(属性)之间的链接关系。

集成电路测试信息融合分析方法主要从原始数据级、特征数据级和高层数据分析级组成。

如附图2所示，数据级融合分析的原理是对多台测试机自动获取的未预处理的多源异构信息进行处理、综合与分析，其最大的特点为保留了数据的原始特征，能够获得更为精确的信息，处理结果精度更高。但海量的原始信息也意味着处理不够及时，分析效率低、代价大。本申请方案中采取的方法是将获得的特征向量组合并传输到处理中心进行综合分析，通过基于神经网络、聚类算法、分类算法及模板法等算法规则能够有效的压缩海量信息，提高数据分析效率，减小了对通信带宽的依赖，有利于实时处理。

如附图3所示，特征数据级是计划消除冗余数据，扩大观测数据时间和空间的范围，应用关联规则算法，提高被测数据精度，提取数据间相关规则，为高层数据融合做准备。

采用的主要的技术手段如下：

1)将采集到的原始大数据与集成电路测试要求的的阈值进行比较，转化数据。

2)采用hash函数对Map函数进行改进，使预处理后的大数据合理的分配到不同的节点上进行分析。

3)并将每个节点处理后的结果以树进行存储，便于后续的查找，同时减少了存储空间。

4)最后将每个节点的信息进行合并，确定异常事件，并生成规则库。

采用关联规则算法能够高效的对大数据进行处理，降低了数据库的访问次数，减少了产生候选项集，提升了处理速率和处理结果的准确性。

如附图4所示，高级数据分析级主要是对各局部融合结果不确定性的融合与传播。首先，扫描待测数据库规则，生成待测结构。根据数据级提供的信息和规则库，建立多人零和随机博弈模型，并对其进行了详细的形式化描述，该模型用来分析网络中攻防双方的成本、收益冲突和行为选择。通过策略贡献率对策略选择进行调整，并将信息熵理论引入到博弈论中，减少策略选择的不确定性，从而快速准确的选择最优主动防御行为，计算每个状态的稳定性。最后，利用Petri网对该模型进行验证，并对测试态势进行评估与预测，同时采用策略贡献作用于策略的选择，并引入信息熵理论，使得策略选择更加准确。

虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。

Claims (6)

1.一种集成电路测试数据融合分析方法，集成电路测试信息融合分析，是从测试机台获取测试信息进行自动分析，为实现待测产品的良率判断分析评估、预测及提升的信息处理过程，包括如下步骤：

1)数据的获取

自动采集被测对象的相关信息，包括测试环境、测试信息，并进行转换；

2)数据预处理

去除数据中不需要的数据，再将数据进行整合、转换或者规约处理；

3)算法处理

对海量信息进行定量分析并将有关联的信息分到同一个类别中；

4)融合计算

对多源异构信息进行验证、分析、互补、综合、估计，生成综合信息与态势预测；

5)建立知识库

通过融合计算，生成知识库，建立各个信息项之间的链接关系；

其特征在于，在融合技术中：

集成电路测试信息融合分析方法由原始数据级、特征数据级和高层数据分析级组成。

2.如权利要求1所述的一种集成电路测试数据融合分析方法，其特征在于：

数据级融合分析的原理，是对多台测试机自动获取的未预处理的多源异构信息进行处理、综合与分析，将获得的特征向量组合并传输到处理中心进行综合分析，通过基于神经网络、聚类算法、分类算法及模板法算法规则，压缩海量信息，提高数据分析效率，减小了对通信带宽的依赖。

3.如权利要求1所述的一种集成电路测试数据融合分析方法，其特征在于：

特征数据级是计划消除冗余数据，扩大观测数据时间和空间的范围，应用关联规则算法，提高被测数据精度，提取数据间相关规则，为高层数据融合做准备，技术手段如下：

1)将采集到的原始大数据与集成电路测试要求的的阈值进行比较，转化数据；

2)采用hash函数对Map函数进行改进，使预处理后的大数据合理的分配到不同的节点上进行分析；

3)并将每个节点处理后的结果以树进行存储，便于后续的查找，同时减少了存储空间；

4)最后将每个节点的信息进行合并，确定异常事件，并生成规则库。

4.如权利要求1所述的一种集成电路测试数据融合分析方法，其特征在于：

高级数据分析级是对各局部融合结果不确定性的融合与传播，首先，扫描待测数据库规则，生成待测结构，根据数据级提供的信息和规则库，建立多人零和随机博弈模型，并对其进行了详细的形式化描述，该模型用来分析网络中攻防双方的成本、收益冲突和行为选择，通过策略贡献率对策略选择进行调整，并将信息熵理论引入到博弈论中，减少策略选择的不确定性，从而快速准确的选择最优主动防御行为，计算每个状态的稳定性，最后，利用Petri网对该模型进行验证，并对测试态势进行评估与预测，同时采用策略贡献作用于策略的选择，并引入信息熵理论，使得策略选择更加准确。

5.如权利要求4所述的一种集成电路测试数据融合分析方法，其特征在于：测试机台包括但不限于测试机ATE、测试探针系统Prober。

6.如权利要求5所述的一种集成电路测试数据融合分析方法，其特征在于：测试环境包括但不限于机台状态、温度、湿度信息，测试信息包括但不限于site、HBin、SBin、RetestYield、RecoverYield。