“芯片竞争,关键在良率。”看似简单的一句话,当我们深度推敲它,却别有一番天地。有业内行业分析指出,当前影响3nm工艺量产的Zui大因素是良率只有50%左右,然而大家只在先进工艺节点上才关注芯片的良率问题吗?非也,可以说芯片行业对良率的关注度覆盖所有工艺节点,包括特色工艺,因为它是关联企业成本Zui直接、Zui重要的因素。
良率提升,是芯片企业获利能力的关键
我们以国内芯片大厂为例,紫光展锐执行副总裁周晨表示:“产品良率对紫光展锐的获利能力和产品质量管控至关重要,因此紫光展锐的研发部门和Foundry合作伙伴有非常紧密的合作,对先进工艺中缺陷模型、产品可测试性设计、良率改善和爬坡有相当深厚的技术积累。此外,EDA在帮助产品提升良率方面有非常大的价值。产品良率提升非常依赖完善的工作流程,从DFT、诊断、失效分析、大数据分析以及物理设计等环节都要依赖EDA工具来完成缺陷模型的建立、学习和改善的工作。”
换言之,当前行业中改善良率主要从两个方向切入:一个方向是芯片设计企业对先进工艺的理解,特别是和Foundry厂的互动如何更好、更快地调整工艺参数,减小缺陷发生的概率和减低对产品良率的影响;另外一个方向是在设计中采取一些创新性的技术,使芯片的物理设计的可制造性得到大幅度提升,这需要设计、工艺和EDA三方的有效协作才能够达成。
携手西门子EDA,
为紫光展锐在DFM改善奠定良好技术基础
EDA作为芯片产业的基石,在良率提升层面的重要性不言而喻。EDA工具对于良率的把控几乎覆盖芯片设计和制造的整个流程,除了芯片前端设计和静态时序验证等功能外,还涉及到后端验证、可测试性设计、光学临近修正等。西门子EDA提供的良率解决方案涵盖硅前、硅中和后硅三个阶段,可实现“端到端”的良率保障。
具体来讲,在硅前和硅中阶段,西门子EDA的Calibre物理验证平台涵盖了Signoff级验证的Design、Mask以及芯片制造过程中所有验证步骤,在提升良率方面的表现得到了业界广泛的认可。以CalibreSONR为例,这是一款基于特征向量的机器学习平台,通过将Calibre机器学习模型与核心Calibre架构集成,来实现全芯片的热点预测和分析、模式减少,以及覆盖率检查等,可大大提高晶圆厂缺陷检测和诊断的生产力和准确性。其中,由于CalibreSONR工具自带一个机器学习数据库,可以以低内存和运行时间要求高效地处理大型数据集,因此OPC(光学邻近效应检测)受益Zui多,此前OPC需要海量的数据建模,并需要上万颗CPU作为硬件基础进行计算,而通过人工智能和机器学习,OPC的计算量实现大幅降低。
在后硅阶段,我们看到全球大半导体厂商中至少有7家正在采用诊断驱动良率分析技术(DDYA)来提升良率,并大大缩短PFA循环时间。而西门子EDA的Tessent工具平台可帮助客户实现zuijia的可测试性设计(DFT)解决方案,通过TessentDiagnosis提供的版图感知和标准单元感知技术,以及TessentYieldInsight提供的无监督机器学习技术相结合,找到Zui可能的缺陷分布并移除低概率怀疑点,提升分辨率和准确性,从而提高芯片良率并实现更优的功耗、性能和面积(PPA)。值得一提的是,近期西门子EDA还推出了Tessent™RTL Pro解决方案,进一步扩展了Tessent 产品组合的设计编辑功能,让客户能够在设计流程早期自动完成测试点、封装器单元和X-bounding逻辑的分析和插入,从而缩短设计周期,改进设计的可测试性,更好地实现芯片面市“左移”(Shift-left)工作。
周晨透露:“紫光展锐研发团队和西门子EDA在很多领域都有合作,在良率提升方面更是合作紧密。西门子EDA工具SONR的机器学习能力非常强大,在缺陷模型在物理版图中的匹配起到至关重要的作用。”
周晨表示,紫光展锐在去年一颗量产芯片中使用了西门子EDA的SONR技术。得益于SONR强大和创新的机器学习能力,在版图上执行了几百处的改动。根据回片测试结果显示,良率确实有实质性的改善,为紫光展锐以后的先进工艺DFM(可制造型设计)改善奠定了良好的技术基础。而紫光展锐也和西门子EDA研发部门进行了有效的互动,对SONR的产品技术改进提出了自己的意见,并被采纳,在DFM提高领域取得了开创性的成果。
对此,周晨表示:“紫光展锐和西门子EDA的协作完全是业界的强强联合,通过取长补短,开创了互利共赢的合作模式。”