半導体産業は重大な転換点に立っている。2030年までにAI関連デバイスが半導体総収益の71％を占めると予測される中、業界は革新的な解決策を必要とする前例のない課題に直面している。先ごろ開催されたIMAPS CHIPconカンファレンスにおいて、PDFソリューションズのキモン・マイケルズ上級副社長は、AI搭載テストプラットフォームがこれらの課題にどう正面から取り組んでいるかを説明した。
完璧な嵐：半導体産業を揺るがす三つの変革の交錯
半導体業界は現在、チップの設計・製造・試験の方法を変革する三つの大きな変革を同時に進めている：
-
3D建築における革新
チップレットと複雑なパッケージングシステムへの移行は、半導体業界の構造を根本的に変えた。従来の単一ダイ方式は、4～6個のダイと2～20個以上の高帯域メモリ（HBM）コンポーネントを含む高度なマルチダイ構成へと移行しつつあり、各コンポーネントは製造工程全体で10～20回以上のテスト挿入を必要とする。
-
複雑なグローバルサプライチェーン
今日の半導体製造は複数の国と専門企業にまたがり、前例のない調整を必要とするグローバルに分散したエコシステムを形成している。課題は複雑性を管理することだけではない——多様な製造環境全体で品質、トレーサビリティ、効率性を維持しながらそれを成し遂げることにある。
-
AIのためのAI
おそらく最も興味深いのは、業界が次世代AIアプリケーションを駆動するチップそのものの製造に人工知能を活用している点だ。これにより設計最適化から製造工程管理に至るまで、あらゆるレベルで効率向上の機会が生まれている。
テストの課題：複雑性と現実が交わる場所テストの課題：複雑性と現実の交差点
これら三つの変革は、テスト段階で最も劇的に収束する。現代の半導体テストでは以下を処理しなければならない：
- 高度なパッケージングデータ構造 複数のダイと複雑な相互接続にまたがる
- ダイのトレーサビリティSEMI E142準拠を必要とするグローバルに分散したサプライチェーン全体でのトレーサビリティSEMI E142準拠が求められるグローバルに分散したサプライチェーンにおけるダイのトレーサビリティ
- 膨大なデータ量 異なる製造段階における複数の試験挿入から
- リアルタイム意思決定 適応型テスト戦略のための
各製造段階での孤立したテストという従来のアプローチはもはや不十分である。必要なのは、サプライチェーン全体にわたるテストを調整できる統合プラットフォームである。
半導体産業におけるAI駆動型テストオーケストレーションの4つの柱半導体産業におけるAI駆動テストオーケストレーションの四本柱
これらの課題に対処するため、PDF Solutionsは包括的なソリューションが提供すべき4つの重要な機能を特定しました：
-
統合
プラットフォームは、複数工場の製造実行システム（MES）、製品ライフサイクル管理（PLM）システム、および基幹業務システム（ERP）アプリケーションをシームレスに接続しなければならない。この統合により、製造エコシステム全体にわたるリアルタイムの可視性と調整が可能となる。
-
運用化
単純なデータ収集を超えて、プラットフォームはテストプロセス制御、ルール開発と展開、適応型テスト、エッジ実行を可能にしなければならない。これは、AIモデルが上流データに基づいて、どのテストを実行し、どのテストをスキップするかについてリアルタイムの判断を下せることを意味する。
-
オーケストレーション
AIモデル自体にはライフサイクル管理が必要である：作成、トレーニング、デプロイ、監視、再トレーニング。プラットフォームは複数の施設やテスト段階にわたってこれらのプロセスを調整し、製造条件が変化してもモデルの精度と有効性が維持されることを保証しなければならない。
-
セキュアな接続性
半導体製造のグローバルな性質と関連データの機密性を考慮すると、プラットフォームは工場設備および試験装置の安全な遠隔アクセス制御と監視を提供すると同時に、知的財産を保護しなければならない。
実世界の影響：予測的検査の実践
この手法の威力は、実世界の応用例を検証することで明らかになる。ある事例研究では、PDF Solutions社が、ウェーハ選別パラメトリックデータで訓練した機械学習モデルが、最終テストの不良を驚くべき精度で予測できることを実証した。
結果は説得力のあるものだった：
- 7つのテストのうち5つは、不良部品百万個当たり数（DPPM）に全く影響を与えずに完全に省略可能である7つのテストのうち5つを完全に省略でき、不良部品百万個当たり（DPPM）に全く影響を与えない
- 残りの2つのテストでは、DPPMへの影響がほぼゼロであった
- 全テストでスキップ率が88%を超え、大多数のユニットが不要なテストをバイパスできることを意味するスキップ率は全テストで88%を超え、大多数のユニットが不要なテストを回避できたことを示している
これは単にテスト時間を短縮するだけでなく、製造フローにおけるテストの位置付けを根本的に再構築することです。データフィードフォワード（DFF）技術を活用することで、前工程の製造段階からの情報を後工程のテスト判断に反映させ、より知能的で効率的なプロセスを実現します。
知性の背後にある基盤
AIを活用したテストの実施には、現代の半導体製造の規模と複雑さに対応できる高度なインフラストラクチャが必要です。主要な構成要素には以下が含まれます：
エッジコンピューティング: AIモデルは製造現場のエッジでリアルタイムに動作し、生産ラインを移動する個々の部品について判断を下さなければならない。
セキュアなデータインフラストラクチャ: プラットフォームは、セキュリティと知的財産保護を維持しながら、大量の機密製造データを処理できなければならない。
モデル管理: 開発からデプロイ、監視、再トレーニングに至るまで、AIモデルには複数の施設にわたる包括的なライフサイクル管理が必要である。
自律運転: システムは最小限の人為的介入で動作し、変化する状況に自動的に適応し、継続的に性能を向上させなければならない。
展望：連続体としてのAI
PDF Solutionsのプレゼンテーションから得られた重要な知見は、半導体テスト向けAIが単一の技術やソリューションではなく、製品ライフサイクル全体にわたって連携するデータ、モデル、インフラストラクチャの連続体であるという点である。
このアプローチは、半導体製造が本質的にデータ豊富な環境であり、ある段階での決定が後続の全段階に影響を与えることを認識している。世界中に分散したサプライチェーンの統合された視点を構築することで、製造業者は個々のプロセスだけでなくシステム全体を最適化できる。
結論
半導体産業が進化を続ける中、成功を収める企業は、AIを効果的に活用して複雑性を管理し、効率性を向上させ、高度化する製造プロセス全体で品質を維持できる企業となるでしょう。AIを活用したテストプラットフォームは、この未来に向けた重要な一歩です。製造プロセス全体に知能が組み込まれ、より強靭で効率的、かつ応答性の高いサプライチェーンを創出する未来へ向けた一歩です。
変革はすでに始まっている。問題は、AIが半導体テストに革命をもたらすかどうかではなく、業界がこれらの新たな能力を活用するためにどれだけ迅速に適応できるかである。この変化を受け入れる準備が整ったメーカーにとって、潜在的な利益は計り知れない：コスト削減、品質向上、市場投入までの時間短縮、そしてますます複雑化するグローバルサプライチェーンを自信を持って乗り切る能力である。
本ブログ記事は、IMAPS CHIPcon 2025においてキモン・マイケルズ博士が発表した「半導体製造におけるAI駆動テスト：新たなサプライチェーン・オーケストレーション・プラットフォーム」に基づくものです。