當今的消費者和原始設備制造商（OEM）都要求將高質量和高可靠性作為車載產品的基本要求。據估計，車載電子元器件正以8.1%復合年均增長率的速度增長（CAAGR），這種發展態勢將推動對零缺陷產品投放需求的持續增長。半導體供應商面臨的挑戰是在推出低成本產品的同時還要能夠滿足這一要求。本文中，我們將重點討論半導體產品小批量試生產到正式生產階段實現零缺陷的最佳實踐。在產品壽命周期的早期階段，由于是最新產品，因此推出那些具有早期故障潛在風險的部件的概率最高。

圖1“浴盆”形曲線顯示了半導體故障率隨時間變化的情況

圖1顯示了典型的“浴盆”形曲線，該曲線表明在沒有實施任何最佳實踐而開始生產的情況下，新產品可靠性隨時間變化的情況。早期故障被看作是時間零點/低里程數故障。在進行一系列校正和可靠性改進后，隨著時間的推移，這種故障率可降至人們一般認為的隨機故障率（如果所有系統問題都得到了解決）。隨著故障率降至隨機水平以及產品運行老化，車載電子產品開始達到其預期的使用壽命，從而出現元件老化帶來的故障率增高。一般而言，一個階段中占有主導地位的故障機理未必與產品壽命周期其他階段中占主導地位的機理相同。

利用一些眾所周知的最佳實踐，這種零缺陷方法重點針對曲線的“早期使用壽命”部分。產品零缺陷投放所使用的一些主要方法包括足夠的質量檢測（TFQ）范圍、專用構建流程因素（例如：新技術的超負載試驗（burn-in））以及實施異常值控制。通過實時數據和器件分析并利用分層方法成功實施各種方案可實現早期故障探測、加快情況了解，同時還可在不影響用戶的情況下及時采取故障校正措施。

實現產品投放期間零缺陷的第一種方法是運用TFQ最佳實踐。這些最佳實踐包括根據器件溫度特性和極端工藝條件承受能力（角隅點評估（cornerlotevaluation））來測定VMIN和VMAX;針對器件設計的特別功能測試;以及關斷泄漏測試等其他最佳實踐。TFQ的一個關鍵方面是根據統計數據設定正確的測試限值。另外，您還要確保所有無法在最終封裝中測試的器件設計結構都完成晶圓測試。大電容器結構的氧化物完整性應力測試便是一個很好的例子——如果測試和設計布局允許直接訪問電容器本身。其他較好的測試實施實踐還包括那些側重于確保95%以上高測試覆蓋范圍、高柵極數目器件的掃描實施、過壓應力測試以及統計靜態電流測試的方法。綜上所述，這些方法均可保證從大批產品中篩選出異常值部件的同時滿足產品說明書規范。

篩選早期故障所運用的第二種方法是根據技術風險建立專門的構建流程。此類特別流程的一個例子是在逐步量產期間實施超負載試驗。一般而言，應對新技術和存在漏過未知缺陷潛在風險的用戶定制設計實施超負載試驗。為了正確使用這種方法，您需要了解關鍵組件訪問和超負載試驗選定條件（電壓、溫度和應力持續時間）相關的工藝技術和設計。正確實施后，超負載試驗可加快對早期故障進行更優的內嵌探測和缺陷篩選，從而促進較早地了解產品壽命周期中出現的故障，并采取一系列的故障校正措施，且不會給用戶帶來不利影響。

為了最大化超負載試驗值：1）應提交超負載試驗中出現故障的所有組件，以進行全面的電子及物理故障分析;2）找出每一種故障特征的根本原因;3）實施正確的校正措施。校正措施通常包括：從晶圓制造工藝技術本身減少缺陷，改進自動測試設備應力測試以提高故障檢測機制效率，在工藝上游實施改進的異常值控制以將超負載試驗的結果提高至100%良率。圖2顯示了根據逐步量產階段了解到的情況實施測試增強以后得到的改進的超負載測試良率。

圖2超負載試驗后良率隨時間變化的情況，以及實施測試改進后良率的提高情況

需要注意的是，進行超負載試驗需要工具、設備以及人力，因此從投資的角度來看這是一種昂貴的篩選方法。如果故障根本原因和校正方法都已明確，并且對于所得結果可達到目標水平具有較大把握，那么也可以不使用或者少使用超負載試驗。

最后，要想達到產品上市期間零缺陷的目標，需要廣泛實施異常值控制最佳實踐。隨著自動化程度、數據采集和數據傳輸水平的不斷提高，在增強異常值控制過程中，增強控制和實時反饋的機會也隨之增多。異常值控制包括統計箱限制（SBL）、統計良率限制（SYA）、動態參數異常值控制（DPO）或部件平均測試（PAT）。在晶圓測試層面，降低缺陷的方法還包括一些測測后異常值控制技術，例如：復合晶圓圖表、單裸片篩選以及復合晶圓圖表和封邊條。

圖3描述了在晶圓級測試中剔除異常值部件的圖案異常值篩選方法的一些示例，這一工作可使用自動測試設備和圖像識別軟件完成。圖3a中，標有問號的裸片在晶圓測試中被視為不合格，因為其周圍的八顆芯片已在晶圓測試中被識別為不合格，從而牽連了它。圖3b中，標有問號的裸片也是受了一列故障芯片的牽連。這些檢測異常值的技術也常常被稱為“單裸片”方法。

圖3a描述了八晶圓圍繞測試“單裸片”的測試篩選方法;圖3b描述了另一種形式的“單裸片”位置測試篩選方法。

圖4顯示了統計異常值篩選方法的一個例子。以橘黃色圓圈標注的色塊表示最終測試中未能達到統計良率限值。這時，應將該點標注出來，利用工程分析找出異常良率下降的原因。進行故障分析和根本原因調查后發現，該點的部署情況最有可能會導致出現不合格品。作為逐步量產的起始點，應根據相同或類似設計或技術來設置初期限值，直到可以收集到更多的數據來設置基于統計數據的限值為止。隨著產品的逐步量產，如果已經對充足的統計測試數據進行了收集和分析，那么就可以根據特定測試器件來設置SYL和SBL限值。此后，隨著時間的推移，可對SYL和SBL限值進行定期調節，以確保該限值在篩選異常值過程中始終有效。

圖4最終測試良率（超負載試驗前）和標出不符合統計良率限值的點的示例圖。該點是一個異常值，是要求進一步篩選和分析的風險點，也可能會出現不合格品。

人們對汽車行業的期望是零缺陷。利用上述最佳實踐，可實現零缺陷產品投放和保護消費者的愿望，同時通過必要的學習過程讓我們更快地掌握了降低缺陷的方法。達到零缺陷目標過程中存在的許多挑戰讓人望而生畏，而且也并非一定會成功。這就是為什么要使用質量檢測最佳實踐、特別流程（例如：超負載試驗等）的原因，同時異常值控制最佳實踐將使半導體供應商能夠史無前例地滿足人們對于真正安全產品投放的需求。

責任編輯：gt