关键要点
没有任何一种测试、检测、模型或监测技术能够提供先进芯片的完整视图，每种方法都存在物理、空间、时间或情境上的盲区。
重要的故障证据往往已经存在，但可能分散在检测图像、测试数据、制造历史、仿真结果或现场测量数据中，彼此从未被关联起来。
更好的覆盖率越来越依赖于这些视图之间的关联，让一种测量方式能够缩小另一种测量方式留下的不确定性，而不是试图让每种工具都看到一切。
先进芯片如今拥有大量相关证据。它们在制造前被建模，在晶圆制造过程中被测量，在封装过程中被检测，在晶圆级和封装级进行电气测试，在热负载和功率负载下进行表征，并且在部署后越来越多地从芯片内部进行监测。从某种意义上说，工程师比以往任何时候都能看到更多的器件信息。
问题在于，这些视图都只是局部的。一项测量可能在各方面都很准确，但仍然可能指向系统中错误的部分。
Nordson Test & Inspection测试产品线经理Yipeng Zhou表示："在X射线和测试技术方面，我们专注于芯片之间以及芯片与外部世界之间的互连。空洞、焊料裂纹和枕头效应（head-in-pillow）是几种主要的缺陷类型，由于存在物理接触，它们能够通过电气测试。但这些缺陷通常会导致过早失效，就像拧螺丝却没有拧紧一样。"
这揭示了更广泛的可见性问题。电气测试本身并不一定是错的。存在导电路径，在该测试条件下，器件可能完全按预期工作。更难的问题是，承载电流的物理结构是否足够可靠，能够长期保持这种状态，而这正是可见性缺口日益凸显的地方。
每种工具都有盲区
随着互连尺寸不断缩小，在缺陷扩散之前捕捉到它们变得更加困难。曾经足以引人注意的缺陷，如今可能被埋没在密集堆叠的凸块、导线、通孔及周围材料之中。即使存在合适的检测技术，工程师想要看到的内容与生产中实际能够检查的内容之间通常也存在权衡。
Zhou表示："在测试方面，由于系统对精度的高要求，铜柱拉力测试和RDL完整性测量仍存在缺口。在X射线方面，检测堆叠芯片的导线和焊料凸块重叠情况，以及TSV中极小特征，仍然存在缺口。此外，可重复且可量化的测量对X射线来说也是一项挑战。用户还必须在功率、吞吐量和分辨率之间做出选择。"
其中一些限制纯粹是物理层面的。更高的分辨率需要更多时间，更强的穿透力需要更高的功率，更高的吞吐量则意味着对单个结构的关注度降低。问题很快变得比发现一个坏特征更加复杂，因为工程师首先必须弄清楚哪些地方最值得仔细查看。
ZEISS Microscopy市场战略高级总监兼电子业务部负责人Thomas Rodgers表示："单纯进行蛮力式的高分辨率X射线扫描并不现实，因为高分辨率意味着像素小，意味着速度慢，意味着在某些情况下会产生数GB甚至数TB的数据。你需要一些启发式方法，先知道该看哪里。"
故障分析正在从寻找一个完美工具，转变为逐步缩小不确定性范围。电气测试能够确定大致区域，声学或光学检测可以进一步缩小范围。X射线可以在不立即破坏样品的情况下查看内部的埋藏结构，而通常需要切片的电子显微镜，则可以在工程师确定了值得关注的重点区域后，解析出具体的物理机制。
同样的逻辑也适用于晶圆层面。一次广泛的检测可能无法准确告诉工程师哪里出了问题，但它可以显示出某个区域、晶圆或批次看起来有足够的差异，值得进一步仔细检查。晶圆级宏观检测与更高分辨率的工具一起，发挥着这种筛选作用。
Microtronic市场营销副总裁Mike LaTorraca表示："如果你正在为新基板或更先进制程带来的问题而苦恼，你可能需要X射线、红外或其他技术来找到特定缺陷。但像我们这样的工具仍然可以作为整体的理性检查手段。它就像是你的天眼，从更高的层面看到一切，但你不能止步于此，它需要与这些微观工具共存。"
在生产中，更有意义的问题不是哪种工具能看到最小的特征，而是每种视图能否充分减少不确定性，从而让工程师知道接下来该关注什么。
缺失的信息可能早已存在
并非每个盲区都源于工程师未能进行测量。有时证据早已存在，只是被埋在数据流中，直到后来发生其他事情之前，它看起来并不重要。
Teradyne智能制造产品经理Eli Roth表示："测试漏检并不总是因为我们缺少测量数据，相关信号可能早已存在于晶圆数据中的某个地方。"
这种信号也可能隐藏在设备遥测数据、制造历史、最终测试结果或现场数据中。更困难的是，这些记录通常分散在不同的工具、不同的工程团队，或器件生命周期中完全不同的阶段。在流程早期记录的一个数字，无法预先告知它将在六个工艺步骤之后变得重要，这正是为什么保留历史数据如此重要。
例如，一块晶圆最终在热处理过程中破裂，但在此前的流程中它可能看起来完全正常。但如果工程师保留了检测图像，他们就可以追溯回去，有时会发现最终的裂纹其实是从晶圆边缘一个很小的变形开始的。
Microtronic应用总监Errol Akomer表示："关键之一就是拥有历史图像。你可能在接近生产线末端的热处理工序中发现破损，然后可以借助图像追溯，找到问题的起始点。"
一旦故障被确认，之前看似无关紧要的特征就可能成为记录中最有用的线索。反向证据同样有帮助，通过图像向前回溯，与正向观察缺陷的发展一样具有启发性。
Microtronic总裁Reiner Fenske表示："知道问题不在哪里非常有帮助，因为如果你开始向前回溯，就可以放大某个特定区域并持续观察。在某个时间点，那条小线或标记会消失。如果它出现在某张图像中，而在前一张图像中没有，那么你就知道问题一定是在这两张图像之间开始的。"
测试数据也可能以类似的方式隐藏线索，尤其是当结果看起来像是好消息时。工程师自然更倾向于调查良率下降或测试时间延长的情况，而不是朝相反方向变化的数字。
Advantest测试技术总监Brent Bullock表示："最常见的情况是，由于相关趋势通常是正面影响，而非负面的质量或测试时间影响，异常往往会被忽视。如果异常导致测试时间缩短或良率提高，就更容易被忽略。"
良率提高可能确实意味着工艺得到了改进，测试时间缩短也可能意味着某项优化起到了作用。但如果没有人理解这个数字为何发生变化，这种变化仍然蕴含着尚未被解释的信息。
出于同样的原因，数据量庞大本身并不像听起来那样令人安心。现代测试程序、检测系统、设备日志、嵌入式传感器和制造数据库可以产生大量关于器件运行状况的记录，但更难的问题在于弄清楚这些记录中哪些部分属于同一个故事。
模型无法展示它不知道的内容
模型本应填补一些工程师无法直接看到的空白。基于测试和制造数据构建的统计模型可以在大量器件样本中标记异常，而基于物理的仿真则可以估算无法接触的结构内部温度、计算电源网络上的电压降，并预测复杂材料堆叠中的应力。两者都存在同样的问题：模型只了解它所接触过的那个世界。
Teradyne的Roth表示："模型在统计上可能是正确的，但在实际操作中可能是错误的。问题不在于模型本身失效，而在于模型缺乏相应的背景信息。"
模型被误导的方式还有一种。测量路径本身可能会引入足够多的变化，从而掩盖工程师真正想要发现的问题。
Modus Test应用与产品管理总监Jack Lewis表示："如果插座的变异性产生的随机故障噪声比任何其他信号都更大，你就无法看到真正的问题，它们会被淹没在噪声之下。如果原始数据充满噪声，那么一切都无从谈起。你必须过滤掉噪声，才能看到真实数据并围绕它构建模型。"
良率可能看起来很稳定，控制图可能显示正常，也没有任何异常检测器被触发。但如果模型从未见过某种特定的故障机制，或者相关线索存在于更早的测试环节或制造历史的其他地方，它仍然可能会错过重要信息。
缺失的背景信息可能要到后来，当其他问题最终出现时才会浮现。到那时，工程师可能会回顾之前完全有效的测量数据，才意识到那些数据其实只是反映了同一问题的不同侧面。
有时，缺失的变量甚至更接近测量本身。测试数据通常假设临时互连部件工作正常，但插座电阻可能会随着磨损、污染和反复插拔而变化，这种变化很难与器件本身的行为区分开来。
Lewis表示："插座往往被人遗忘。人们总是假设互连是良好的，但事实并非如此。一旦问题超出开路和短路的范畴，变得更依赖于接触电阻，就更难看清到底发生了什么。"
仿真也面临类似的问题，即物理原理可能是正确的，但模型表征仍然过于粗略。
Synopsys首席产品经理Lang Lin表示："关于仿真精度与测量结果的对比，业界从未停止做这种关联验证来检验工具的准确性。如果某款EDA工具提供热仿真功能，客户一定会质疑你：'你必须提供与我的芯片相关的关联数据，这样我才能信任这个仿真结果。'这项工作已经在做，而且关联质量在不断提升。"
封装级热模型不需要预测每一个逻辑门就能发挥作用。但一旦嵌入式传感器开始在更接近器件层的位置测量行为，比较的难度就会大大增加。将芯片视为一个整体热块的模型，可能只是从太远的角度看待问题。
Lin表示："你不能只做单芯片仿真、单封装仿真或单PCB仿真。你必须将它们整合起来，使其结构和位置与测量设备完全一致，并进行堆叠建模。"
新材料也带来了新的难题，因为在一个模型中适用的数值，可能无法直接套用到另一种封装中。
Lin补充道："先进封装使得一些基础物理特性，比如导热系数或杨氏模量，变得更难以表征。"
这一过程不断自我循环。测量揭示出模型的薄弱之处，模型随之调整，而下一轮测量又会再次检验这些假设。工程师越能看清真实器件的情况，就越能清楚地看到模型仍在猜测的地方。
平均值可能掩盖问题
即使使用了正确的测量方法，工程师测量的位置和方式也会影响观测结果。温度就是一个很好的例子。一个封装的平均温度可能完全在限值范围内，而某个更小的区域可能运行温度过高，从而引发可靠性问题。
西门子EDA 3D-IC可靠性解决方案架构师Andras Vass-Varnai表示："平均温度往往掩盖了导致可靠性问题的真实情况。一个封装可能满足平均温度目标，而其中某些区域的实际运行温度却远高于封装的平均值。"
在2.5D和3D封装中，这个问题变得更加复杂，因为一个高温区域可能会影响相邻芯片，而工作负载还可能使热点发生移动。在一个位置看起来完全合理的温度读数，可能几乎无法反映几毫米之外正在发生的情况。
片上监测器可以更接近这些局部条件，但前提是它们被放置在真正有用信息所在的位置。
proteanTecs业务发展高级总监Nir Sever表示："一些较旧的技术使用传统的热传感器，通常放置在芯片边缘，因为它需要模拟电源且体积庞大。通常你会把它放在边缘，然后猜测芯片中心的温度，但对于如今的芯片来说，这已经远远不够了。你必须开始探测芯片中多个位置可能出现的热点温度。"
即使传感器覆盖密度很高，也无法消除所有盲区。Sever提到SRAM是内部行为仍然难以直接观测的地方之一。"我们可以监测存储器的输入，也可以监测输出，但我们不知道存储器内部到底发生了什么。"
例如，写入过程中发生的错误，可能要到后来读取数据时才会显现出来。进出的信号是可观测的，但两者之间发生的事情可能仍然隐藏不可见。每种技术都在某个地方划定了类似的边界，无论是无法以全分辨率扫描所有内容的检测，无法测试所有条件的测试仪，还是无法放置在每个结构内部的监测器。
连接各个碎片
测量技术数量的不断增加，既是解决方案，也是问题的一部分。工程师如今拥有电气测试、X射线、光学和声学检测、设备数据、仿真、嵌入式传感器、制造历史和现场结果等多种手段。如今缺失的部分越来越不是另一种数据来源，而是了解一个观测结果与另一个观测结果之间的关联。
Roth表示："我不认为现在的答案是我们需要更多数据。更大的挑战在于，我们需要将数据连接起来，赋予其背景信息，并能够迅速采取行动。我们已经产生了海量数据。"
故障不会整齐地局限在单一工程学科之内。一个结构性缺陷可能最初表现为电气问题，或者一次现场故障可能突然让之前的一项测试结果显得更有意义，尽管两条记录单独看起来都并无异常。
Roth表示："我们如何将晶圆分选、最终测试、系统级测试、制造历史和现场表现连接起来？所有这些数据都是模式可能浮现的地方，而如果单独来看，这些模式是无法被发现的。我认为答案不会是构建更大、更智能、更强大的模型。我们现在需要做的，是创建相互连接的数据和生态系统，从而实现闭环反馈。"
更全面的覆盖并不一定意味着让每项测试都变得更长，或者在每个地方都放置监测器。测试和监测之所以有用，正是因为它们能看到问题的不同方面。
proteanTecs的Sever表示："你不能因为有了监测就不做测试，正如你不能说'我有最好的测试，所以不需要监测'一样。它们关注的是不同的东西。测试关乎质量——你的芯片在初始阶段的行为和性能是否符合预期，为此你绝对需要测试。但即使你拥有世界上最好的测试，接下来你需要从质量转向可靠性。可靠性意味着芯片在初始阶段具备的质量，能够在整个使用寿命期间保持不变，为此你需要监测。"
这些不同视角之间的衔接也在不断改善，模型与实测行为之间的关联度也在持续提高。
Synopsys的Lin表示："我们正在缩小这一差距，现在已经比以前好得多了。"
结语
这些盲区或许永远不会完全消失。每种技术都要在测量什么、在哪里测量、以多高的分辨率测量以及测量多长时间之间做出选择。随着芯片变得越来越异构、相互作用越来越难以区分，一些最重要的信息可能仍会出现在工程师最初没有想到要查看的地方。
正在发生变化的是人们的预期：不再期待某一项测量能够讲述完整的故事。一项电气测试结果可以指向某个物理缺陷，一张检测图像可以引导工程师回溯整个工艺历史，一个传感器可以揭示被平均温度掩盖的热点，一次现场故障也可以让几个月前收集的数据具有新的意义。其价值往往在于这些观测结果之间的关联，而非任何单一观测本身。
因此，弥合可见性缺口呈现出不同的面貌。目标并不是找到一种能看到一切的测试、模型、传感器或检测系统，而是更好地识别每种视角看不到的部分，并确保另一种视角能够将调查推进下去。
Q&A
Q1：芯片测试和检测中存在哪些常见的盲区？
A：常见盲区包括电气测试无法发现的物理缺陷（如空洞、焊料裂纹），X射线检测在堆叠芯片和极小TSV结构上的分辨率局限，以及平均温度掩盖局部热点等问题。每种测量技术都存在物理、空间、时间或情境上的局限。
Q2：如何弥补芯片检测中的可见性缺口？
A：关键在于将不同来源的数据关联起来，比如电气测试、X射线检测、历史图像、仿真数据和现场结果等，让一种测量方式缩小另一种测量方式留下的不确定性，而不是依赖单一工具看到所有问题。
Q3：为什么良率提高或测试时间缩短也可能隐藏问题？
A：因为工程师通常更关注负面变化，比如良率下降，而容易忽视正向变化。如果良率提高或测试时间缩短的原因不明，这种变化本身仍然可能蕴含着尚未被发现和解释的信息。
