车载应用中基本半导体组件的可靠性
当今的消费者和原始设备制造商(OEM)都要求将高质量和高可靠性作为车载产品的基本要求。据估计，车载电子元器件正以8.1%复合年均增长率的速度增长(CAAGR)，这种发展态势将推动对零缺陷产品投放需求的持续增长。半导体供应商面临的挑战是在推出低成本产品的同时还要能够满足这一要求。本文中，我们将重点讨论半导体产品小批量试生产到正式生产阶段实现零缺陷的最佳实践。在产品寿命周期的早期阶段，由于是最新产品，因此推出那些具有早期故障潜在风险的部件的概率最高。图1“浴盆”形曲线显示了半导体故障率随时间变化的情况
图1显示了典型的“浴盆”形曲线，该曲线表明在没有实施任何最佳实践而开始生产的情况下，新产品可靠性随时间变化的情况。早期故障被看作是时间零点/低里程数故障。在进行一系列校正和可靠性改进后，随着时间的推移，这种故障率可降至人们一般认为的随机故障率（如果所有系统问题都得到了解决）。随着故障率降至随机水平以及产品运行老化，车载电子产品开始达到其预期的使用寿命，从而出现元件老化带来的故障率增高。一般而言，一个阶段中占有主导地位的故障机理未必与产品寿命周期其他阶段中占主导地位的机理相同。
利用一些众所周知的最佳实践，这种零缺陷方法重点针对曲线的“早期使用寿命”部分。产品零缺陷投放所使用的一些主要方法包括足够的质量检测(TFQ)范围、专用构建流程因素（例如：新技术的超负载试验(burn-in)）以及实施异常值控制。通过实时数据和器件分析并利用分层方法成功实施各种方案可实现早期故障探测、加快情况了解，同时还可在不影响用户的情况下及时采取故障校正措施。
实现产品投放期间零缺陷的第一种方法是运用TFQ最佳实践。这些最佳实践包括根据器件温度特性和极端工艺条件承受能力（角隅点评估(cornerlotevaluation)）来测定VMIN和VMAX；针对器件设计的特别功能测试；以及关断泄漏测试等其他最佳实践。TFQ的一个关键方面是根据统计数据设定正确的测试限值。另外，您还要确保所有无法在最终封装中测试的器件设计结构都完成晶圆测试。大电容器结构的氧化物完整性应力测试便是一个很好的例子——如果测试和设计布局允许直接访问电容器本身。其他较好的测试实施实践还包括那些侧重于确保95%以上高测试覆盖范围、高栅极数目器件的扫描实施、过压应力测试以及统计静态电流测试的方法。综上所述，这些方法均可保证从大批产品中筛选出异常值部件的同时满足产品说明书规范。
筛选早期故障所运用的第二种方法是根据技术风险建立专门的构建流程。此类特别流程的一个例子是在逐步量产期间实施超负载试验。一般而言，应对新技术和存在漏过未知缺陷潜在风险的用户定制设计实施超负载试验。为了正确使用这种方法，您需要了解关键组件访问和超负载试验选定条件（电压、温度和应力持续时间）相关的工艺技术和设计。正确实施后，超负载试验可加快对早期故障进行更优的内嵌探测和缺陷筛选，从而促进较早地了解产品寿命周期中出现的故障，并采取一系列的故障校正措施，且不会给用户带来不利影响。
为了最大化超负载试验值：1）应提交超负载试验中出现故障的所有组件，以进行全面的电子及物理故障分析；2）找出每一种故障特征的根本原因；3）实施正确的校正措施。校正措施通常包括：从晶圆制造工艺技术本身减少缺陷，改进自动测试设备应力测试以提高故障检测机制效率，在工艺上游实施改进的异常值控制以将超负载试验的结果提高至100%良率。图2显示了根据逐步量产阶段了解到的情况实施测试增强以后得到的改进的超负载测试良率。
图2超负载试验后良率随时间变化的情况，以及实施测试改进后良率的提高情况
需要注意的是，进行超负载试验需要工具、设备以及人力，因此从投资的角度来看这是一种昂贵的筛选方法。如果故障根本原因和校正方法都已明确，并且对于所得结果可达到目标水平具有较大把握，那么也可以不使用或者少使用超负载试验。
最后，要想达到产品上市期间零缺陷的目标，需要广泛实施异常值控制最佳实践。随着自动化程度、数据采集和数据传输水平的不断提高，在增强异常值控制过程中，增强控制和实时反馈的机会也随之增多。异常值控制包括统计箱限制(SBL)、统计良率限制(SYA)、动态参数异常值控制(DPO)或部件平均测试(PAT)。在晶圆测试层面，降低缺陷的方法还包括一些测测后异常值控制技术，例如：复合晶圆图表、单裸片筛选以及复合晶圆图表和封边条。
图3描述了在晶圆级测试中剔除异常值部件的图案异常值筛选方法的一些示例，这一工作可使用自动测试设备和图像识别软件完成。图3a中，标有问号的裸片在晶圆测试中被视为不合格，因为其周围的八颗芯片已在晶圆测试中被识别为不合格，从而牵连了它。图3b中，标有问号的裸片也是受了一列故障芯片的牵连。这些检测异常值的技术也常常被称为“单裸片”方法。
图3a描述了八晶圆围绕测试“单裸片”的测试筛选方法；图3b描述了另一种形式的“单裸片”位置测试筛选方法。
图4显示了统计异常值筛选方法的一个例子。以橘黄色圆圈标注的色块表示最终测试中未能达到统计良率限值。这时，应将该点标注出来，利用工程分析找出异常良率下降的原因。进行故障分析和根本原因调查后发现，该点的部署情况最有可能会导致出现不合格品。作为逐步量产的起始点，应根据相同或类似设计或技术来设置初期限值，直到可以收集到更多的数据来设置基于统计数据的限值为止。随着产品的逐步量产，如果已经对充足的统计测试数据进行了收集和分析，那么就可以根据特定测试器件来设置SYL和SBL限值。此后，随着时间的推移，可对SYL和SBL限值进行定期调节，以确保该限值在筛选异常值过程中始终有效。
图4最终测试良率（超负载试验前）和标出不符合统计良率限值的点的示例图。该点是一个异常值，是要求进一步筛选和分析的风险点，也可能会出现不合格品。
人们对汽车行业的期望是零缺陷。利用上述最佳实践，可实现零缺陷产品投放和保护消费者的愿望，同时通过必要的学习过程让我们更快地掌握了降低缺陷的方法。达到零缺陷目标过程中存在的许多挑战让人望而生畏，而且也并非一定会成功。这就是为什么要使用质量检测最佳实践、特别流程（例如：超负载试验等）的原因，同时异常值控制最佳实践将使半导体供应商能够史无前例地满足人们对于真正安全产品投放的需求。
参考文献：
该数据摘自StrategyAnalytics公司的《2005年—2014年车载半导体需求》2007年10月版，作者：ChrisWebber
（编辑：chiying）
页:
[1]