如何设置自动测试向量生成 (ATPG) 的目标指标

DFT 工程师长期面临的挑战：

• 如何设置自动测试向量生成 (ATPG) 的目标指标

• 如何针对不同的故障选择最佳向量集，以获得最佳结果

DFT 团队可能花费数年时间建立 ATPG 目标——可能包括覆盖率目标、向量大小或其他一些指标——但仅适用于定值型和转态型故障模型。当引入新的重要故障模型时，需要针对新的工艺节点调整目标。公司如何决定为其设定什么目标？如果您想应用针对新故障模型的向量样本，有哪些是可以尝试的最佳向量？使用更新的模型会使故障模型目标指标的设置变得越发复杂。这些都是当今面临的现实和普遍问题。ATPG 工具用户需要一种简单的方法来确定针对特定故障的最佳向量组合以及需要试验哪些向量样本。

近年来，业内引入了具有独特的生产缺陷检测功能的新型扫描测试方法。幸运的是，有一种度量向量值的方法可以基于物理缺陷发生的可能性对检测缺陷的向量进行一致、对等的评估。该方法使用与向量检测到的故障相关的总关键区域 (TCA)。

TCA 提供了一个通用指标来评估向量对 DPM 的影响，可用于对向量进行分类或排序，从而针对给定数量的向量实现最低的 DPM。通过使用 TCA，即便向量数量和原始向量集相同，仍可搭配针对新故障模型的向量，得到更有效的向量集。您可以基于向量检测物理缺陷的能力，从整个向量集中选择或分类出最有效的向量。与传统方法相比，根据检测物理缺陷的可能性进行衡量，基于 TCA 的向量选择和排序可提供更快的覆盖率爬升，如图 1 所示。

图 1. 与传统方法（红色实线）相比，TCA 加权向量排序（绿色虚线）加快了覆盖率爬升。

编辑：黄飞