数字孪生，芯片行业的下一个秘密武器

数字孪生技术正引起整个芯片行业的极大关注，尽管目前尚不清楚谁将拥有或管理它们，最佳抽象层级是什么，以及它们将如何连接。

尽管如此，对数字孪生的投资仍在不断增加。早期版本已开始推出，芯片行业的各个细分领域都在对其进行试验，部分是为了探索其用途，部分是为了避免被新的或现有竞争对手打得措手不及。如果数字孪生能兑现其承诺，它们将：

· 将可测试性设计(DFT)、良率设计(DFY)和可制造性设计(DFM)在从设计到制造的流程中进一步向早期“左移”，并将其进一步向后“右移”扩展；

• 建立一种在晶圆厂中向前和向后反馈特定类型数据的方法；
• 整合本质上属于AI(或代理式AI)的中间件，以融合来自不同工艺的数据；并且
• 提供芯片、晶圆、封装或工艺的更大、更详细的黄金镜像，通过比对该镜像可以更容易地发现异常并进行调整。

这仅仅是个开始。芯片行业内外众多公司的长期愿景是，提供从初始架构到制造零时刻的硅前洞察，以及从现场回到晶圆厂或封装厂的硅后洞察。这涉及海量数据，反过来又需要大量的计算周期和存储空间。

数字孪生可大可小。它可以代表整辆汽车或一座城市，也可以代表一个子系统、芯片，甚至是在多种工作负载或条件组合下的单个工艺，而所有这些都可以在芯片或系统投入生产之前完成。

Teradyne智能制造产品经理Eli Roth表示：“数字孪生就像一个系统之上的系统，你可以将各个部分拼接在一起。它在很大程度上是从孤立的仿真和模拟环境中演变而来的，现在数字孪生正被一路拼接起来，从设计一直贯穿到封装和测试。它们就像是注入了兴奋剂的SOLIDWORKS模型，可以适配NVIDIA Omniverse3D模型。这在芯粒和异构集成领域变得非常酷，因为在这些领域中，裸片、基板、材料和热量之间的耦合越来越紧密，任何微小的翘曲都会导致代价高昂的故障。因此，如果你能在它们进入那些昂贵且紧密耦合的系统之前弄清楚发生了什么，那将非常有帮助。”

其他人也表示赞同。Advantest云解决方案高级咨询经理Vincent Chu表示：“这些都是改变游戏规则的想法。人们谈论晶圆厂工艺的数字孪生，但往往仅限于前端工艺。如果你将其与后端结合——因为ATE拥有器件的黄金标准——那么你就可以使前端工艺的仿真更加准确。通过在这个数字孪生环境中跨环节前馈数据，我们可以开发模型并进行多种假设场景分析，从而提高后端测试流程的效率。”

这可能包括提高吞吐量和质量的多变量筛选，这在多裸片组装中尤为重要。Chu说：“我们正在制造AI芯片，这些芯片通常包含异构集成。面临的挑战是我们如何确保裸片在组装前的质量。这些都是非常大的封装，结合了几个到许多个裸片。如果你不能筛除那个有问题的裸片，就会导致整个封装报废。”

虽然在制造前投资较高，但由于可靠性提高以及更多针对特定领域和工作负载的设计，在良率和减少RMA(退货授权)方面节省的成本可能是巨大的。不过，协调所有环节绝非易事。

PDF Solutions首席执行官John Kibarian表示：“当晶圆在晶圆厂进行测试时，他们并不知道这些芯片将被送到哪里进行封装、组装和测试，所以他们必须知道将材料送到哪里。这在过去是没有发生过的。这就像是一种连接主要应用程序的低代码或无代码方式。你需要PLM系统、ERP系统、MES系统、工程数据、制造良率数据，以及最终的设计自动化信息。你需要能够获取这些信息，以便将人类排除在循环之外，让AI做出适当的决策。这才是你真正想做的。”

融合多学科

数字孪生今天的水平距离未来的愿景还有很长的路要走。实现这一目标需要多个步骤，首先从减少制造工艺变异性的初始目标开始。反过来，这将有助于提高芯片从零时刻到整个预期寿命期间的可靠性。

Siemens Digital Industries Software汽车IC解决方案总监Lee Harrison表示：“在测试方面，我们多年来一直看到这种左移趋势，但现在已经到了极致。成为一名DFT工程师，你也同时成为了一名功能架构师。我们使用PCIe，我们有控制测试的进程，我们有安全飞地。因此，作为一名DFT工程师，你必须进行包含功能总线、嵌入式软件的完整子系统架构设计，并了解如何训练PCI和UCIe。我们内部正在推动的一件事就是让DFT工程师成为功能设计师，因为当你进入这些更大的设计(例如包含芯粒的设计)时，测试基础设施的控制、监控和整体设置现在是通过一种小型功能域来完成的，而不是由器件外部的随机引脚来控制。”

数字孪生也可用于测试DFT基础设施和结构。Harrison说：“我们首次在DVCon(设计和验证会议)上看到了DFT工程师。我们可以在ATE上空运行整个测试基础设施，并在流片前证明它是有效的。”

这大致相当于从Google地球视角开始，然后深入研究特定工作负载的热梯度对2nm晶体管的影响。这需要连接许多过去从未结合在一起的部件，并操作这些部件以在不同应力下获得最佳或至少可行的解决方案。这已经在大型仿真中有限地实现过，但操纵各种工艺并换入换出不同组件(例如在不同工艺节点开发的芯粒或不同的互连或内存)的能力则是全新的。

Synopsys杰出架构师Adam Cron表示：“我们可以模拟从原子到飞机的任何事物。许多数字孪生是在不实际构建的情况下进行仿真和执行操作。我们已经在流片前对功能模式进行了仿真。这都是数字孪生。如果东西不起作用，那么要么不要构建它，要么至少你知道你正在构建的东西是坏的并且知道原因。制造是一项昂贵且耗时的任务。在决定制造之前建立数字孪生要快得多。”

迈向更好的结果

充分实现数字孪生的承诺需要跨不同行业的重大协调，在某些情况下，还需要这些行业内众多细分领域的协调。

Cron说：“我们目前正处于一种点解决方案区域。今天我们拥有了知识助手。这已经基本普及了。我们也处于生成式阶段，脚本也会被自动生成。如果你需要特定的附属材料，我们现在已经开始将这些功能放入工具中，这样你就可以在屏幕上提出要求，让它为你创建并将其放入你的流程中。我们正开始进入代理领域，可以识别出DRC违规，然后工具可以为你修复它。很快，代理之间将能够互相交流。这在封闭环境中已经实现了。”

数字孪生还可用于改进各个制造工艺。Onto Innovation企业软件业务部产品经理Sean King表示：“它们可以帮助我们从测量的事物(无论是传入还是传出)中获取更大价值，并帮助我们的工具发挥更好的性能。通过我们自己的检测和量测工具，我们正在收集更多数据，将其集中到一个地方，发现不一致之处，并使所有内容在中央平台上协调一致，这样你就可以了解它们的性能以及它们之间的匹配情况。因此，你可以考虑使用数字孪生进行预测性维护并确保我们的工具正常运行。在同一问题的客户方面，我们的工具是他们用于质量测量和了解其正在生产的实际材料的孪生和模型的输入。如果他们不能信任我们工具的输出，他们又怎么能信任他们的模型呢？”

这里的巨大挑战包括集成和组织，以便能够有效且高效地使用它来识别、预防或解决问题。King说：“得出结果的时间必须是其中的一部分。归根结底，我们要解决的问题是什么？它附带了多少价值？是在内部吗？是在其他地方的大型昂贵服务器上还是在云端？你是否试图构建一个太大且对问题过度拟合的东西？那么甚至可能很难确定问题出在哪里。更容易的是找出问题所在，比如是否发生了漂移，以及采取什么行动最好。但是在多供应商生态系统中会发生什么？如果我们不以相同的方式进行交流和共享怎么办？”

消除这些差异将是一个挑战。Siemens的Harrison说：“欧洲有一个名为CHASSIS(软件定义汽车的基于芯粒的硬件架构)的大型汽车项目，该项目的一个重要部分是构建整个平台的数字孪生，以便向系统提供芯粒的所有不同供应商都可以虚拟地插入他们的芯粒并查看其是否工作。所有的测试基础设施都连接上并工作了吗？一旦将DFT基础设施插入整个系统，我们能运行它吗？你最不希望看到的是拥有一大堆在功能上可能运行良好的芯粒，但却发现在DFT上出了问题。它没有正确连接，所以我只能测试它的一半。所以你有了这个很棒的产品，但它是彻头彻尾的垃圾。你不能把它放进那辆车里，因为它只有一半是可测试的。”

连接不同类型的数据也是一个问题，这正是AI发挥作用的地方。PDF Solutions全球晶圆厂应用解决方案经理Jon Holt表示：“我们发现人们正在采用代理式方法。所以你那里有传统系统和孤立系统，每一个都通过PLC或EDA控制器进行通信，而另一个则通过MES系统。你可能只有随产品提供的数据表这么简单的东西，你将其加载到系统中并将其数字化。我们开始将每一个都视为一个代理，这样你就不必传达IP的所有信息。你只需要从这些位于你需要信息的使用点位置上的代理进行通信。”

Holt说，目标是将所有这些代理的数据汇集在一起，并在代理工作流中使它们自动化。他说：“这是一种能力，可以建立在我们部署的所有这些传统基础设施之上，然后开始利用GenAI或LLM现在能带来的功能加以利用。关键之一是保护该数据管道。无论采取何种形式，你都必须安装传感器，以支持你的结果或结论所需的粒度来代表物理世界。所以这可能是每小时对你的环境进行一次采样，也可能是在射频脉冲沉积工具上每毫秒进行一次采样。”

标准将有所帮助。SEMI在过去六年中一直在分享有关数字孪生的信息，举办有关其在制造和供应链弹性中作用的研讨会。与最初的概念相比，发生变化的是云端几乎无限的计算资源的可用性，以及AI的加入将不同数据类型粘合在一起。这使得数字孪生能够大规模部署，或者在微小但极深的规模上部署，并且能够向下或向外钻取。

Advantest的Chu说：“数字孪生可以在多个层面上进行仿真。测试单元本身可以有一个虚拟身份。例如，我们可以有测试机和测试的虚拟表示。虚拟测试机可以离线运行测试程序，并且可以在仿真中操作历史数据日志。如果你改变条件，结果会是什么？另一个层面是器件本身。例如，我们可以有这种虚拟硅片，这样你就可以在硅片出来之前运行初始测试计划。如果你在测试车间有其他测试机的孪生，你可以让模型基于当前采用自适应测试的测试条件预测良率或吞吐量。所以你可以建立另一个模型来仿真测试机组的运行情况，并确定其与生产计划相比如何。硅片出来后，真正的测试开始，但存在一种调整器件的趋势。你可以使用Verilog模型来仿真器件，然后运行测试程序来仿真生产情况。数据可以是合成的，基于你对同一系列器件的了解，那里有一些历史生产数据，但不是来自这个新器件。”

相同的概念也可扩展到理解和跟踪电路如何老化，这在安全和任务关键型应用中必不可少。如果特定工作负载增加了芯片或芯片某些部分的利用率，那么与同一芯片用于不同工作负载相比，在更短的时间跨度内发生电迁移的发生率可能会更高。

Synopsys的Cron说：“你可能有一个可纠正的模型，显示汽车中某种程度的退化。一个模型会说你的性能或漏电流将在某些特定水平上退化，而这就是芯片本身知道的模型。然后，以一种整体方式使用SLM和DFT技术，你可以在每次启动或关闭汽车时，或者在现场的每一微秒内验证该模型，然后抢先找出该芯片的寿命是否能达到预期，或者它的寿命是否不如其他芯片。这把数字孪生推向了现场，使其变得非常切合实际。”

拥有良好的数据和定义明确的数字孪生模型，这类预测可能会变得更加精确。proteanTecs业务开发高级总监Nir Sever表示：“如果你能测量，你就能预测。如果你能预测，你就能预防。随时间推移的测量让你能够了解退化率，因此你可以推断出故障发生的时间点。一旦你这样做了，你就可以提前预测并发送警报，因为你不想等到最后一刻。”

借助正确的模型和数据，这可以实时发生。Sever说：“如果你有一个测试覆盖率为100%的工作负载，并且在此绝对最大工作负载下对你的器件进行可靠性测试，那么假设你的模型是正确的，你就不应该遇到一个完好的器件提前出现故障的情况。但是假设太多了。在现实中，你可以测试你的模型是否尽可能准确，因此你应该在测试上花更多钱。但你无法避免通过寿命监控来在故障引发问题之前检测到正在发展或新出现的错误。”

Harrison说，数字孪生也可用于确定片上监控器是否确实检测到了异常的性能退化。“如果我在芯片上添加了所有这些监控器，它是否真的为我提供了有用的信息？你可以用数字孪生做的一件事是对你试图检测的一些影响进行建模。你可以对某种形式的退化和过电压进行建模。在安全方面，我们也在研究使用我们的数字孪生来了解我们可以对哪种侧信道攻击进行建模。在实际致力于流片之前能够尝试一大堆东西真是太好了。”

回顾与展望

数字孪生的使用方式几乎具有无限的可能性，这就是为什么近十年来它们一直在行业的视野中。这种数据的合并也有助于解释为什么去年PDF Solutions收购了secureWise，而Synopsys收购了Ansys。各公司正在为这项技术的下一阶段进行定位，并为此投入巨资。

发生改变的是，足够的技术部分已经到位——充足的计算资源、数据管理和数据挖掘工具，以及AI/ML基础设施——数字孪生终于可以开始以有意义的方式使用了。

Teradyne的Roth说：“想象一下你收到了一份RMA。这是一批有缺陷的器件。发生了什么？它们三个月前在生产中是怎样的情况。你可以去查看所有的生产数据、描述它的测试结果，以及流程中实际发生的事情。我的流程非常复杂。我进行了哪些老化测试，没有进行哪些？我是如何得出这些决定的？而且处理那个RMA的人并不是构建测试的测试工程师。他正试图辨别测试中发生了什么。这些测试程序庞大而复杂。可能有20到30人在处理它们，对他们来说了解到底发生了什么就像个谜。但如果我能拿着那个器件、SKU和我需要的特性，我就可以回到虚拟环境中重新运行它并进行调试。那将是非常棒的。”

更快地筛选数据并将其以独特的方式应用于从设计到制造流程的任何步骤的能力是一个巨大的飞跃。Advantest的Chu说：“你希望从晶圆厂制造工艺的前端向后端进行前馈，因为如果你想微调前端的处理，你会希望参考后端的性能。这取决于你的模型有多全面。你可以在前端拥有非常全面的孪生，也可以在后端拥有孪生。然后让数据在所有阶段(从前端到后端)流动，并进行仿真。”

如今这一切的大部分仍处于早期阶段，许多挑战仍有待解决。但是在多个层面上改进工艺、提高系统可靠性和降低成本的可能性是非常真实且意义重大的。