CN115616374A - 一种基于机器学习的半导体芯片的测试系统 - Google Patents
一种基于机器学习的半导体芯片的测试系统 Download PDFInfo
- Publication number
- CN115616374A CN115616374A CN202211148547.7A CN202211148547A CN115616374A CN 115616374 A CN115616374 A CN 115616374A CN 202211148547 A CN202211148547 A CN 202211148547A CN 115616374 A CN115616374 A CN 115616374A
- Authority
- CN
- China
- Prior art keywords
- chip
- data
- test
- testing
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2851—Testing of integrated circuits [IC]
- G01R31/2855—Environmental, reliability or burn-in testing
- G01R31/2872—Environmental, reliability or burn-in testing related to electrical or environmental aspects, e.g. temperature, humidity, vibration, nuclear radiation
- G01R31/2874—Environmental, reliability or burn-in testing related to electrical or environmental aspects, e.g. temperature, humidity, vibration, nuclear radiation related to temperature
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2851—Testing of integrated circuits [IC]
- G01R31/2894—Aspects of quality control [QC]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
- G06F11/2236—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested to test CPU or processors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Environmental & Geological Engineering (AREA)
- Toxicology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本发明涉及半导体芯片测试技术领域,具体地说,涉及一种基于机器学习的半导体芯片的测试系统。其包括芯片测试单元,芯片测试单元用于对芯片进行逐一测试,并生成芯片测试数据,芯片测试单元的输出端连接有数据分析单元,数据分析单元用于判断芯片测试数据是否合格并生成判断信息,且根据判断信息生成芯片测试的波动频率报告,数据分析单元的输出端连接有芯片数据预测单元,芯片数据预测单元用于依据波动频率报告预测后续测试芯片是否合格。本发明通过摒弃现有中随机抽取待测试芯片进行检测,依据测试芯片的数据异常波动情况锁定抽取待检测芯片的范围阈值,达到更精确的抽检测试与检验芯片数据预测单元预测的情况。
Description
技术领域
本发明涉及半导体芯片测试技术领域,具体地说,涉及一种基于机器学习的半导体芯 片的测试系统。
背景技术
半导体芯片在生产后需要进行测试,观察半导体芯片的电数据情况,以利于半导体芯 片在后续正常使用。
其中,在对半导体芯片测试时,需要通过三点温度(三点温度是指高温、常温和低温) 测试了解半导体芯片的具体情况,目前对半导体芯片三点温度测试采用的测试方式是逐一 测试或抽检测试的,通过逐一测试对本批次的芯片进行单个的测试分析,又或者通过随机 抽取本批次其中的一个(待检测)半导体芯片进行测试的,当本批次的半导体芯片在逐一 测试中,出现了一些数据异常波动半导体芯片时,后续进行半导体芯片的抽检测试也不受 影响,依旧是随机进行抽取的,这就导致了抽检测试中所抽取的半导体芯片并没有一定的 依据,通过随机抽查对半导体芯片做不到较为精确的抽查测试;
其次,当测试后的半导体芯片数据都为合格或不合格时,目前就可便捷的预测后续待 测试的半导体芯片,但对于直接预测后续的半导体芯片来说,并无法判定本次预测的半导 体芯片的结构是否正确,目前也会通过随机抽取本次预测的半导体芯片其中的一个来进行 验证,但是在此种预测范围中随机抽取的方式,做不到对预测情况是否正确进行精确的验 证。
发明内容
本发明的目的在于提供一种基于机器学习的半导体芯片的测试系统,以解决上述背景 技术中提出的问题。
为实现上述目的,本发明目的在于提供了一种基于机器学习的半导体芯片的测试系 统,包括芯片测试单元,所述芯片测试单元用于对芯片进行逐一测试,并生成芯片测试数 据,所述芯片测试单元的输出端连接有数据分析单元,所述数据分析单元用于接收芯片测 试数据并将芯片测试数据做出比对分析,判断芯片测试数据是否合格并生成判断信息,且 根据判断信息生成芯片测试的波动频率报告,所述数据分析单元的输出端连接有芯片数据 预测单元,所述芯片数据预测单元用于依据波动频率报告预测后续测试芯片是否合格,并 根据波动频率报告中出现的异常数据波动,芯片测试单元依据异常的数据波动情况抽取芯 片数据预测单元中所对应范围下的测试芯片进行校验。
作为本技术方案的进一步改进,所述芯片测试单元包括逐一测试模块和数据传输模 块,所述逐一测试模块用于测试芯片在不同温度下的电数据,并生成芯片测试数据,所述 数据传输模块用于将逐一测试模块生成的芯片测试数据传输至数据分析单元内。
作为本技术方案的进一步改进,所述数据分析单元包括芯片数据对比模块、合格状态 判定模块和波动频率分析模块;所述芯片数据对比模块用于接收逐一测试模块传输的芯片 测试数据,并将芯片测试数据与额定芯片数据进行比对,且生成比对信息,所述合格状态 判定模块用于根据比对信息判定芯片测试数据是否合格,且生成判断信息,所述波动频率 分析模块用于根据合格状态判定模块判断信息建立芯片测试数据的波动频率变化,并生成 波动频率报告。
作为本技术方案的进一步改进,所述芯片测试单元还包括抽检测试模块,所述抽检测 试模块用于依据波动频率分析模块的波动频率报告中出现持续合格的平衡趋势或持续不 合格的不平衡趋势时,所述抽检测试模块用于替换逐一测试模块的测试模式对后续的芯片 进行抽查测试。
作为本技术方案的进一步改进,所述芯片数据预测单元包括芯片数据预测模块,所述 芯片数据预测模块用于根据波动频率分析模块生成的波动频率报告预测后续测试芯片是 否合格。
作为本技术方案的进一步改进,所述芯片数据预测模块采用逻辑回归算法,其算法公 式如下:
式中:P为不合格概率,1-P为合格概率,x1,x2,x3....xm为波动频率报告中造成不合格的影响因子,β0,β1,...βm时逻辑回归算法的回归系数。
作为本技术方案的进一步改进,所述抽检测试模块用于依据波动频率报告中数据的异 常波动情况,抽取芯片数据预测模块中与波动频率报告中数据的异常波动情况对应范围下 的测试芯片,并根据波动频率报告中的测试芯片量控制抽取该数据异常波动情况对应范围 下的测试芯片量。
作为本技术方案的进一步改进,所述波动频率报告中的测试芯片量呈递增趋势时,根 据波动频率报告中数据的异常波动情况,减少抽取该数据异常波动情况对应范围下的测试 芯片量;所述波动频率报告中的测试芯片量呈递减趋势时,波动频率报告中数据的异常波 动情况,增加抽取该数据异常波动情况对应范围下的测试芯片量
作为本技术方案的进一步改进,所述抽取异常波动情况对应范围下的测试芯片量采用 分量获取算法,其算法公式如下:
①:设置数据芯片总量G;
其中,N为获取的测试芯片量范围,Ac为G中异常波动范围下的芯片,当 G呈逐次增多的数据芯片总量且满足G∈[GZ、GZ+1、GZ+2...Gz+n]为递增时,N获取的测 试芯片量范围逐渐缩小,当 G呈逐次减小的数据芯片总量且满足G∈[Gz、GZ-1、GZ-2...Gz-n]为递减时,N获取的测 试芯片量范围逐渐增大。
与现有技术相比,本发明的有益效果:
该一种基于机器学习的半导体芯片的测试系统中,通过数据分析单元将本批次的芯片 测试数据与额定芯片数据比对,得出本批次测试芯片的合格状态,并实时生成测试芯片的 数据波动频率报告,芯片数据预测单元依据数据波动频率报告预测后续待测试的芯片数据 情况,对测试芯片快速的合格状态预测,并根据数据波动频率报告中数据的异常波动情况, 使抽检测试模块抽取芯片数据预测单元预测的测试芯片中与数据异常波动情况范围下对 应的测试芯片,就快速的锁定了抽检测试模块抽取测试芯片的范围阈值,不仅利于抽检测 试模块抽检测试芯片,也对芯片数据预测单元中预测的测试芯片抽取时限制了范围,达到 更精确的抽检测试与检验芯片数据预测单元预测的情况。
附图说明
图1为本发明的整体流程图;
图2为本发明的合格状态判定模块与波动频率分析模块框图。
图中各个标号意义为:
1、芯片测试单元;11、逐一测试模块;12、抽检测试模块;13、数据传输模块;
2、数据分析单元;21、芯片数据对比模块;22、合格状态判定模块;23、波动频率 分析模块;
3、芯片数据预测单元;31、芯片数据预测模块;32、预测统计模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地 描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本 发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实 施例,都属于本发明保护的范围。
请参阅图1和图2所示,本实施例提供了一种基于机器学习的半导体芯片的测试系统, 包括芯片测试单元1,芯片测试单元1用于对芯片进行逐一测试,并生成芯片测试数据,芯片测试单元1的输出端连接有数据分析单元2,数据分析单元2用于接收芯片测试数据 并将芯片测试数据做出比对分析,判断芯片测试数据是否合格并生成判断信息,且根据判 断信息生成芯片测试的波动频率报告,数据分析单元2的输出端连接有芯片数据预测单元 3,芯片数据预测单元3用于依据波动频率报告预测后续测试芯片是否合格,通过芯片测 试单元1测试不同温度下芯片的电数据,就得到了本批次生产的芯片具体数据,且将电数 据生成芯片测试数据,并使芯片测试数据发送至数据分析单元2内进行芯片的数据分析, 并与额定芯片数据进比对,额定芯片数据指的是在该设定温度下,芯片运行时的正常电数 据,通过这两方数据的比对,就对芯片测试数据是否合格做出判定,利于人员了解本批次 芯片的合格状态,并根据生成的判断信息对应生成芯片测试的波动频率报告,波动频率报 告用于详细的显示此次芯片测试数据的具体情况,并根据芯片测试数据的合格与不合格, 人员可直观的看出芯片是否存在问题,利于人员进行检修芯片的安装引脚是否有开路、短 路或芯片本体及电数据问题,然后通过芯片数据预测单元3就可直接根据波动频率报告来 预测后续测试芯片是否合格,就做到了测试芯片的快捷预测,提升目前的对测试芯片合格 状态判定的效率,并根据波动频率报告中出现的异常数据波动,芯片测试单元1依据异常 的数据波动情况抽取芯片数据预测单元3中所对应范围下的测试芯片进行校验,对本方案 中的芯片数据预测单元3进行预测后续测试芯片的正确情况做出到了精确的判定处理,进 一步提升了本方案实用性。
紧接着,芯片测试单元1包括逐一测试模块11和数据传输模块13,逐一测试模块11用于测试芯片在不同温度下的电数据,并生成芯片测试数据,数据传输模块13用于将逐 一测试模块11生成的芯片测试数据传输至数据分析单元2内,因此就对大量的芯片进行 了逐一测试,并通过数据传输模块13传输至数据分析单元2内进行分析;
其中,逐一测试模块11测试芯片在不同温度下电数据的情况如下:
一、温度控制:
①:高温点位温度可设定为60°-80°;
②:常温点位温度可设定为20°-59°;
③:低温点位温度可设定为19°-0°;
二、芯片测量数据项目;
①:直流电流和电压参数;
②:交流规格,包括交流输出信号的质量和信号时序参数;
③:内嵌flash的功能及性能,包含读写擦除动作及功耗和速度参数;
④:DUT数模混合电路的功能及性能参数;
⑤:RF模块的功能及性能参数,RF模块指的是无线通信模块,进而,通过如上根据温度控制的设置,就可将逐一测试模块11测试芯片的温度进行相应点位的设定,且根据 待测试芯片的种类对应设置,就达到了精准的温度设置测试,进而,再通过将芯片进行上 述多种的电数据情况测试,并与额定数据进行比对,就对芯片做到了完善的温度电数据测 试(检查以上数据所采用的设备型号为:ATE芯片测试机)。
具体的,数据分析单元2包括芯片数据对比模块21、合格状态判定模块22和波动频率分析模块23;芯片数据对比模块21用于接收逐一测试模块11传输的芯片测试数据,并 将芯片测试数据与额定芯片数据进行比对,且生成比对信息,合格状态判定模块22用于 根据芯片数据对比模块21生成的比对信息判定芯片测试数据是否合格,且生成判断信息, 波动频率分析模块23用于根据合格状态判定模块22判断信息建立芯片测试数据的波动频 率变化,并生成波动频率报告。
芯片数据对比模块21就在接收芯片测试数据后,并根据芯片测量数据项目与额定芯 片数据进行多项比对,通过合格状态判定模块22对芯片测试数据的合格状态判定,来分析芯片的合格状态,利于人员了解芯片的状态及后续修复芯片(额定芯片数据是指在该温度下芯片正常的电数据显示量)。
其中,合格状态判定模块22采用比对算法,其算法公式如下:
创建输入测试温度数值A1、A2、A3......An;
创建芯片测试数据数值B1、B2、B3......Bn;
创建芯片额定数据数值C1、C2、C3......Cn;
根据公式:当输入测试温度数值A1时,其中P 为芯片测试数据数值与芯片额定数据数值之间的差值,根据如上公式,就可得出在对应温 度下,芯片测试数据数值与芯片额定数据数值比对的差值情况,利于后续生成芯片数据的 波动频率报告。
其中,波动频率分析模块23生成的波动频率报告情况如下:
①:芯片测试数据为合格,电数据的波动频率报告呈平衡趋势,由此可得,芯片测试 数据是合格且平稳的,说明本批次的芯片是良品,利于被后续的商业使用;
②:芯片测试数据为合格,电数据的波动频率报告呈不平衡趋势,由此可得,芯片测 试数据是合格的,但数据会出现小幅度或大幅度波动,当出现幅度波动时,且观测芯片测 量数据项目的某一项出现波动,且当幅度波动大时,说明多量芯片之间的电数据存在差异, 本批次生产的芯片还有可持续优化的空间,利于人员对后续芯片进行优化更新;
③:芯片测试数据为不合格,电数据的波动频率报告呈平衡趋势;
④:芯片测试数据为不合格,电数据的波动频率报告呈不平衡趋势,③与④两种情况 中,芯片测试数据是不合格的,但数据会出现小幅度或大幅度波动,对于不合格的芯片测 量数据出现幅度波动时,人员就需对芯片进行检修,且当幅度波动大时,说明本批次生产 的芯片出现了较大的异常问题,例如:芯片生产时的某一程度有误或人工操作出现误差情 况,这就利于人员快速对芯片问题进行溯源,利于企业快速修复后续的问题。
为了加快对测试芯片的合格性判断效率,芯片测试单元1还包括抽检测试模块12,抽 检测试模块12用于依据波动频率分析模块23的波动频率报告中出现持续合格的平衡趋势 或持续不合格的不平衡趋势时,抽检测试模块12用于替换逐一测试模块11的测试模式对 后续的芯片进行抽查测试,当芯片测试数据出现持续合格的平衡趋势或持续不合格的不平 衡趋势时,就可通过抽检测试模块12对后续的测试芯片进行抽查测试,以提高对测试芯 片是否合格的判定效率,进而提高测试效率。
进一步的,芯片数据预测单元3包括芯片数据预测模块31,芯片数据预测模块31用于根据波动频率分析模块23生成的波动频率报告预测后续测试芯片是否合格。
其中,芯片数据预测模块31采用逻辑回归算法,其算法公式如下:
式中:P为不合格概率,1-P为合格概率,x1,x2,x3....xm为波动频率报告中造成不合格的影响因子,β0,β1,....βm时逻辑回归算法的回归系数,根据以上公式,代入计算, 就可根据之前芯片测试数据的合格与不合格情况做出判断预测,加快对后续测试芯片合格的判定,其中x1,x2,x3....xm就位上述波动频率报告中造成不合格的影响因子(芯片测量数据项目)。
为了使上述抽检测试模块12抽取的测试芯片具有针对性以及对芯片数据预测模块31 预测测试芯片是否正确的情况做出判定,摒弃了目前采用随机抽取的方式,抽检测试模块 12依据波动频率报告中数据的异常波动情况,抽取芯片数据预测模块31中与波动频率报 告中数据的异常波动情况对应范围下的测试芯片(对应范围下并不仅是说一个测试芯片, 如本批次的测试芯片为10个,当位于第二或第七个的测试芯片出现异常波动时,抽取测 试的芯片就为第二个的前两个、后两个和处于第二个的测试芯片或第七个的前两个、后两 个和处于第七个的测试芯片),并根据波动频率报告中的测试芯片量对应控制抽取该数据 异常波动情况对应范围下的测试芯片量(当本批次的测试芯片数量增大或减少时,如10 个一批次改为20个一批次时,并实时的修改抽取测试芯片的量度,如:依旧是位于第二或第七个的测试芯片出现异常波动时,抽取测试的芯片就为第二个的前、后各一个和处于第二个的测试芯片或第七个的前、后各一个和处于第七个的测试芯片)就根据本批次测试芯片的量度相对应的修改抽取的测试芯片量度,以做到对测试芯片的精确抽检测试,对抽检测试模块12做出了合理的抽取测试芯片,并对芯片数据预测模块31后续预测测试芯片的正确情况做出了较为精确的验证处理;
其中,上述抽取异常波动情况对应范围下的测试芯片量采用分量获取算法,其算法公 式如下:
①:设置数据芯片总量G;
其中,N为获取的测试芯片量范围,Ac为G中异常波动范围下的芯片,当G呈逐次增多的数据芯片总量且满足G∈[GZ、GZ+1、GZ+2...Gz+n]为递增时,N获取的测 试芯片量范围逐渐缩小,当 G呈逐次减小的数据芯片总量且满足G∈[GZ、GZ-1、GZ-2...GZ-n]为递减时,N获取的测 试芯片量范围逐渐增大,以完成上述精确抽取测试芯片的过程。
其中,芯片数据预测单元3还包括预测统计模块32,通过预测统计模块32就对芯片数据预测模块31预测测试芯片的情况做出记录,利于后续人员统计测试芯片的测试情况。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员 应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优 选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变 化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附 的权利要求书及其等效物界定。
Claims (9)
1.一种基于机器学习的半导体芯片的测试系统,包括芯片测试单元(1),所述芯片测试单元(1)用于对芯片进行逐一测试,并生成芯片测试数据,其特征在于:所述芯片测试单元(1)的输出端连接有数据分析单元(2),所述数据分析单元(2)用于接收芯片测试数据并将芯片测试数据做出比对分析,判断芯片测试数据是否合格并生成判断信息,且根据判断信息生成芯片测试的波动频率报告,所述数据分析单元(2)的输出端连接有芯片数据预测单元(3),所述芯片数据预测单元(3)用于依据波动频率报告预测后续测试芯片是否合格,并根据波动频率报告中出现的异常数据波动,芯片测试单元(1)依据异常的数据波动情况抽取芯片数据预测单元(3)中所对应范围下的测试芯片进行校验。
2.根据权利要求1所述的基于机器学习的半导体芯片的测试系统,其特征在于:所述芯片测试单元(1)包括逐一测试模块(11)和数据传输模块(13),所述逐一测试模块(11)用于测试芯片在不同温度下的电数据,并生成芯片测试数据,所述数据传输模块(13)用于将逐一测试模块(11)生成的芯片测试数据传输至数据分析单元(2)内。
3.根据权利要求1所述的基于机器学习的半导体芯片的测试系统,其特征在于:所述数据分析单元(2)包括芯片数据对比模块(21)、合格状态判定模块(22)和波动频率分析模块(23);所述芯片数据对比模块(21)用于接收逐一测试模块(11)传输的芯片测试数据,并将芯片测试数据与额定芯片数据进行比对,且生成比对信息,所述合格状态判定模块(22)用于根据芯片数据对比模块(21)生成的比对信息判定芯片测试数据是否合格,且生成判断信息,所述波动频率分析模块(23)用于根据合格状态判定模块(22)判断信息建立芯片测试数据的波动频率变化,并生成波动频率报告。
4.根据权利要求3所述的基于机器学习的半导体芯片的测试系统,其特征在于:所述芯片测试单元(1)还包括抽检测试模块(12),所述抽检测试模块(12)用于依据波动频率分析模块(23)的波动频率报告中出现持续合格的平衡趋势或持续不合格的不平衡趋势时,所述抽检测试模块(12)用于替换逐一测试模块(11)的测试模式对后续的芯片进行抽查测试。
5.根据权利要求4所述的基于机器学习的半导体芯片的测试系统,其特征在于:所述芯片数据预测单元(3)包括芯片数据预测模块(31),所述芯片数据预测模块(31)用于根据波动频率分析模块(23)生成的波动频率报告预测后续测试芯片是否合格。
7.根据权利要求5所述的基于机器学习的半导体芯片的测试系统,其特征在于:所述抽检测试模块(12)用于依据波动频率报告中数据的异常波动情况,抽取芯片数据预测模块(31)中与波动频率报告中数据的异常波动情况对应范围下的测试芯片。
8.根据权利要求7所述的基于机器学习的半导体芯片的测试系统,其特征在于:所述波动频率报告中的测试芯片量呈递增趋势时,根据波动频率报告中数据的异常波动情况,减少抽取该数据异常波动情况对应范围下的测试芯片量;所述波动频率报告中的测试芯片量呈递减趋势时,波动频率报告中数据的异常波动情况,增加抽取该数据异常波动情况对应范围下的测试芯片量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211148547.7A CN115616374B (zh) | 2022-09-20 | 2022-09-20 | 一种基于机器学习的半导体芯片的测试系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211148547.7A CN115616374B (zh) | 2022-09-20 | 2022-09-20 | 一种基于机器学习的半导体芯片的测试系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115616374A true CN115616374A (zh) | 2023-01-17 |
CN115616374B CN115616374B (zh) | 2023-05-23 |
Family
ID=84859516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211148547.7A Active CN115616374B (zh) | 2022-09-20 | 2022-09-20 | 一种基于机器学习的半导体芯片的测试系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115616374B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116481585A (zh) * | 2023-06-26 | 2023-07-25 | 广州晨安网络科技有限公司 | 基于机器视觉的产品全检系统及检测方法 |
CN117765374A (zh) * | 2023-11-15 | 2024-03-26 | 知码芯(无锡)通讯技术有限公司 | 一种基于人工智能的数据分析系统及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549001A (zh) * | 2018-02-02 | 2018-09-18 | 上海大学 | 一种电力电子模块劳损状态的检测系统及方法 |
CN112147490A (zh) * | 2020-11-26 | 2020-12-29 | 上海菲莱测试技术有限公司 | 一种用于激光器芯片集成测试的方法及系统 |
CN112202493A (zh) * | 2020-09-27 | 2021-01-08 | 国家电网有限公司 | 通信线路的故障检测方法、装置及系统 |
CN113075527A (zh) * | 2021-02-23 | 2021-07-06 | 普赛微科技(杭州)有限公司 | 基于Shmoo测试的集成电路芯片测试方法、系统及介质 |
CN113900869A (zh) * | 2021-09-28 | 2022-01-07 | 普赛微科技(杭州)有限公司 | 一种芯片测试数据判断方法、装置、存储介质及测试方法 |
WO2022012147A1 (zh) * | 2020-07-17 | 2022-01-20 | 长鑫存储技术有限公司 | 封装芯片的测试方法、系统、计算机设备和存储介质 |
CN114472226A (zh) * | 2022-01-20 | 2022-05-13 | 深圳市时时发控股有限公司 | 一种用于集成电路的半导体芯片测试方法 |
CN114676632A (zh) * | 2022-03-29 | 2022-06-28 | 贵州电网有限责任公司 | 一种电力专用芯片能耗预测方法、装置和计算机设备 |
CN114692499A (zh) * | 2022-03-30 | 2022-07-01 | 北京时代民芯科技有限公司 | 一种基于机器学习的集成电路芯片寿命的评估方法与系统 |
CN115015286A (zh) * | 2022-06-13 | 2022-09-06 | 中大智能科技股份有限公司 | 基于机器视觉的芯片检测方法及系统 |
-
2022
- 2022-09-20 CN CN202211148547.7A patent/CN115616374B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549001A (zh) * | 2018-02-02 | 2018-09-18 | 上海大学 | 一种电力电子模块劳损状态的检测系统及方法 |
WO2022012147A1 (zh) * | 2020-07-17 | 2022-01-20 | 长鑫存储技术有限公司 | 封装芯片的测试方法、系统、计算机设备和存储介质 |
CN112202493A (zh) * | 2020-09-27 | 2021-01-08 | 国家电网有限公司 | 通信线路的故障检测方法、装置及系统 |
CN112147490A (zh) * | 2020-11-26 | 2020-12-29 | 上海菲莱测试技术有限公司 | 一种用于激光器芯片集成测试的方法及系统 |
CN113075527A (zh) * | 2021-02-23 | 2021-07-06 | 普赛微科技(杭州)有限公司 | 基于Shmoo测试的集成电路芯片测试方法、系统及介质 |
CN113900869A (zh) * | 2021-09-28 | 2022-01-07 | 普赛微科技(杭州)有限公司 | 一种芯片测试数据判断方法、装置、存储介质及测试方法 |
CN114472226A (zh) * | 2022-01-20 | 2022-05-13 | 深圳市时时发控股有限公司 | 一种用于集成电路的半导体芯片测试方法 |
CN114676632A (zh) * | 2022-03-29 | 2022-06-28 | 贵州电网有限责任公司 | 一种电力专用芯片能耗预测方法、装置和计算机设备 |
CN114692499A (zh) * | 2022-03-30 | 2022-07-01 | 北京时代民芯科技有限公司 | 一种基于机器学习的集成电路芯片寿命的评估方法与系统 |
CN115015286A (zh) * | 2022-06-13 | 2022-09-06 | 中大智能科技股份有限公司 | 基于机器视觉的芯片检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
周珊;杨雅雯;王金波;: "航天高可靠FPGA测试技术研究" * |
惠国娟;吴从焰;徐雷;江晨;: "测试数据的判读比对和统计分析方法研究" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116481585A (zh) * | 2023-06-26 | 2023-07-25 | 广州晨安网络科技有限公司 | 基于机器视觉的产品全检系统及检测方法 |
CN116481585B (zh) * | 2023-06-26 | 2023-09-12 | 广州晨安网络科技有限公司 | 基于机器视觉的产品全检系统及检测方法 |
CN117765374A (zh) * | 2023-11-15 | 2024-03-26 | 知码芯(无锡)通讯技术有限公司 | 一种基于人工智能的数据分析系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115616374B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115616374A (zh) | 一种基于机器学习的半导体芯片的测试系统 | |
CN108985279B (zh) | 多功能车辆总线mvb波形的故障诊断方法及装置 | |
CN116008790B (zh) | 一种芯片老化测试系统及方法 | |
CN105702595B (zh) | 晶圆的良率判断方法以及晶圆合格测试的多变量检测方法 | |
CN116245256B (zh) | 一种结合多因素的电容器质量预测方法、系统及存储介质 | |
CN113900869A (zh) | 一种芯片测试数据判断方法、装置、存储介质及测试方法 | |
CN114660443A (zh) | 一种基于机器学习的集成电路ate自动复测系统及方法 | |
CN114472226A (zh) | 一种用于集成电路的半导体芯片测试方法 | |
GB2622979A (en) | Screening method and apparatus for cascade utilization of battery | |
CN113406502B (zh) | 基于机器学习的缺陷电池筛选方法、设备及介质 | |
CN116295948A (zh) | 大温差环境下工业温度传感器的异常检测方法、系统及存储介质 | |
CN114460439A (zh) | 一种数字集成电路测试系统 | |
CN116008787A (zh) | 待测器件dut异常识别方法、装置及设备 | |
US20230081224A1 (en) | Method and system for evaluating test data, wafer test system, and storage medium | |
CN115792583A (zh) | 一种车规级芯片的测试方法、装置、设备及介质 | |
CN115267557A (zh) | 一种锂电池电解液泄露故障诊断方法、装置和电子设备 | |
CN114002574A (zh) | 半导体结构的测试方法 | |
Yang et al. | Performing Machine Learning Based Outlier Detection for Automotive Grade Products | |
CN111562503B (zh) | 一种锂离子电池充放电设备未做故障的分析处理方法 | |
CN116453437B (zh) | 显示屏模组的测试方法、装置、设备及存储介质 | |
CN117406048B (zh) | 一种变压器放电故障诊断方法及装置 | |
CN114838454B (zh) | 一种空气调节设备的测试方法、装置、设备及存储介质 | |
Lvao et al. | Eliminating the Ouija/sup (R)/board: automatic thresholds and probabilistic I/sub DDQ/diagnosis | |
CN116381469B (zh) | 芯片功耗测信道信息交叉验证测试方法和装置 | |
CN116821834B (zh) | 基于内嵌传感器的真空断路器检修管理系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |