人工智能和机器学习正在进行中度进入半导体测试,但至少还没有进入功能性系统测试。
无论是被称为人工智能(AI),机器学习(ML)或专家系统,AI今天都在新闻中。伊隆麝香有警告我们关于AI快速采用的潜在危险,IBM部署了在其Watson服务中的AI用于处理需要判断某种类型的技术问题。科幻小说经常将机器智能纳入故事,如天网在终结者系列电影,HAL 9000在2001年:一个太空奥德赛或者冷战经典巨蟹:福林项目。
抛开这些威胁性的情况不谈,人工智能有可能帮助人们在模棱两可的情况下做出决策。这不仅仅是遵循自动流程图;这些情况通常需要一些判断,从历史上来看。这就把我们带到了电子测试和测试工程。人工智能在这里有作用吗?为了找到答案,我联系了一些公司,了解他们在人工智能方面的努力以及他们对未来的看法。
我通过询问一些具体问题来讨论讨论:
我的第一个关于AI的适当性的线索并没有来自答复;它来自缺乏答复。几家公司只是说他们没有努力,或者至少他们没有舒服地说话。因此,我们知道AI并未在测试中主流,至少还没有。
从我收到的回复,我确实看到一个重要的相关性:半导体测试行业似乎定位追求AI。
Mark Hutner,DFX经理和易张,产品经理,共同回答Teradyne.。他们看到AI在两个领域的有前途的应用:客户生产经济学和整体设备效率,以避免无计划的下降时间。他们说:“两者都将对客户提供价值,测试覆盖范围,提高产品时间和优化的测试运行时间,”他们说。虽然目前使用自适应测试以基于规则的方式进行测试优化,但他们看到了在这里的AI有希望的优势。“我们看到测试时间为10%至15%的减少。”
在客户生产经济方面,Teradyne认为人工智能通过在发现初始故障后进行产量恢复来增加价值。这将使更多的测试,以恢复轻微良好的模具。再加上人工智能驱动的自适应测试,这将对产品的盈利能力产生巨大影响。Hutner和Zhang表示:“通过优化平均测试时间和回收收率的方法,产品盈利能力有望提高30%以上。”
Teradyne为几个离线数据分析工具提供了数据路径,因为每个客户的基础设施都是不同的。最佳+,一家为半导体和电子公司提供端到端产品分析解决方案的公司,提供了这样的工具。我采访了该公司的技术研究员Michael Schuldenfrei。
Schuldenfrei指出,Optimal+在其半导体制造软件产品中使用人工智能,将具有相似地理或参数故障特征的晶片分组,以识别共同的根本原因。在电子制造中,神经网络被用来分析各种检测步骤的输出,以提供更好的故障分类。“我们使用人工智能来识别多氯联苯的裂缝,”Schuldenfrei说。人工智能还被用来预测昂贵或破坏性的加工步骤的结果,如老化,这样就可以跳过这些步骤,因为预计会通过。
Schuldenfrei认为人工智能的未来充满希望。“随着芯片、电路板和产品的复杂性不断增长,人工智能在处理制造、组装和测试过程中产生的大量数据,以找到相关和高价值的见解方面是一个关键组件。随着电子技术在自动驾驶汽车等关键任务应用中日益普及,对质量和可靠性的要求将推动人工智能领域的大量投资,以识别制造过程中潜在的不良部件,并防止它们被使用。”
最佳+通过年度订阅提供产品。长期来看,Schuldenfrei预计数据科学家的商业模式,通过在第三方平台上部署它们(例如最佳+)通过部署他们的AI模型。此类商业模式可能允许AI部署超出故障分析,制造和测试优化,以接受整个生命周期分析,他称之为“圣杯”。
因此,有基于AI的产品。但是,半导体公司实际上是使用AI吗?英特尔工程总监Rohit Mittal,写了英特尔对机器学习的使用edn.在机器学习改善生产测试。他说,“我们描述了一种方法,其中可以在使用机器学习算法与误差补偿余量结合的制造测试期间从常规测量参数可靠地预测难以测量参数的方法。然后可以使用预测值来动态地设置制造测试期间的其他产量影响参数。该方法还可以检测由于组件或过程发生变化而发生的质量偏移,因为它不依赖于从早期的R&D DVT测试中获得的固定规范。“
思考大局,很容易设想为什么半导体制造可以是测试测试的机器学习的第一个采用者。传统的电子制造通常依赖于已知的良好预测试部件的组装。从理论上讲,如果设计是正确的,只有零件和工艺缺陷可能导致失败。半导体制造是不同的 - 过程是一切,包括创造“零件”。实现高产是一种多维优化挑战,机器学习应该是有用的工具的东西。
那么,传统电子制造呢?在这里,我们有一些方法可以去。我在Bloomy Controls上谈到了CTO Grant Goting Got To oth。Bloomy具有创建功能测试和数据采集系统的丰富历史。Gloding告诉我,Bloomy目前使用基于规则的算法来优化生产功能测试系统。他认为AI作为未来的技术,以帮助排除组件。他强调的问题是语义之一;基于规则的系统不是,严格来说,AI系统。然而,它们对于实现许多相同的结果非常有用。他们为技术人员提供了洞察力和建议,因为他们努力排除故障并打开复杂的电子组件。 The question is, what are the advantages of AI systems beyond that of rule-based systems or flow charts?
并且存在AI增强产品在功能测试中找到重要的应用空间的关键问题。从我自己的角度来看,这也是金融权衡之一。毕竟,如果收益率足够高,那么有令人信服的原因是指导资源来修复非工作组件吗?也许,但这对这是非常努力的答案。
所以,回到“人工智能会进入测试行业吗?”,我的回答是明确的是的对于半导体行业。已经有产品和经过验证的结果。至于研发或制造业的传统电子测试系统,答案并不清楚。有一件事是肯定的,所有这些工具都是有助于工程师,而不是替换它们。工程师不必担心机器将拿走他们的工作,至少还没有。
AI如何改变边缘计算的未来
虽然将AI与Edge计算,硬件和软件组件合并,但需要解决包括功耗,处理能力,数据存储和安全性的多种挑战。
硬件帮助将ai移动到边缘
什么类型的处理能力需要将人工智能推向边缘?供应商已经提出了一系列的答案。
AI使数据存储对分析更有效
将数据转换为智能需要分析。在存储控制器中实现的AI可以显着速度,因为这种概念证明示范显示。
连接仍然是主流化AI,机器学习工作负载的核心
有一种比赛可以使AI结果相关,可靠,随便提供。只有在最佳的机器/深度学习基础设施中培训的AI模型,从最大的数据集会才能生存。