中文 英语

加上薯片的汽车者:数据在哪里?

随着更先进的电子产品被添加到车辆中,不同的观点和需求产生摩擦。

受欢迎程度

随着营销文献表明,电子产品将电子设备集成到越来越自主车辆中并未进入。事实上,在一些这些差异得到解决之前可能需要数年。

全神贯注的推动肯定并没有放缓,但制品和电子行业正在从非常不同的有利点接近这个目标。汽车制造商及其第一和2个供应商要求硬数据和物理检查和测试。与此同时,领先的芯片公司和铸造件争论模拟和统计分析足够。在这两个观点之间是一种差距,包括如何证明和预测电子降级和失败的可靠性,老化和其他原因,以及有必要资格获得IP和汽车中使用的各种电子元件的必要条件。

在问题中:

  • 汽车制造商正在寻找关于苛刻的驾驶条件下性能的真实数据,以及在延长的时间段内的这些组件的可靠性,但在许多情况下,电子元件的现实世界数据不存在,因为自动转移是全新的。即使它是可用的,它也被Chipmakers和Rigumeries不完整或密切保护。
  • 如果辅助和自治车辆发生故障,汽车公司面临巨大的责任问题,并且随着自治程度升高的情况,风险成比例地增加。绘制如何模拟电子技术在机械或热应力下工作,考虑到过度振动或环境温度宽的摇摆等因素。但这仍然需要对汽车公司的信仰的飞跃,这些公司多年来依赖物理观察和记录机械故障。
  • 当今汽车市场上的许多电子公司很少或根本没有汽车可靠性要求方面的经验,许多一直在汽车领域工作的公司也没有先进节点半导体方面的经验。用于汽车应用的180nm芯片与7nm的AI芯片有很大的不同。

在使用现有的半导体工具和设备可以解决防止故障时,汽车制造商正在寻找允许它们预测失败的数据。在AI系统中,特别是,今天这些设备部分是黑色魔法和完全的黑盒。

“福特一直在使用可靠性物理分析,但是今天我们没有正面时部分接近80%的生命,”基思·霍奇森说,福特汽车(f.n:行情)高级可靠性工程师。“这意味着退化模型,你在失败的边缘,而实际上他们并不需要一个失败。”

这种数据对许多行业段都很有价值,因为它允许所有类型的系统供应商平衡风险和成本。但它在安全关键市场中特别有价值,风险可能涉及严重的伤害和预测性,在各种各样的零件中都需要进行预测维护。

Dfr Solutions公司的高级技术人员Jim McLeish说:“通常需要5到6年才能知道是否有问题。”“但对于5nm或7nm,没有人有这样的经验。我们不知道变异会如何影响可靠性。SAE有故障安全标准提供用于计算失败率的方程。我们正试图将其适应SAE标准(J3168),并给AEC一个愿望清单。但我们需要这些数据来运行模型,做出大致的预测。”

该数据包括如模具尺寸和厚度,模具材料,Z轴翘曲,堆叠内的模具偏移,以及球直径和高度。这不是大多数芯片制造商在汽车行业外面工作的数据。

“汽车制造公司和芯片制造公司在不同的地方考察可靠性,”凯尔文·洛(Kelvin Low)说手臂实体设计组。“我们需要更多关于芯片和IP方面的知识,汽车oem需要弄清楚硅和IP世界正在发生什么。供应链中的每个人都会受到影响。现在,所有零件的铸造数据还没有出来,最终产品你只能做这么多模拟。结果是,他们将获得更多利润,因为他们还没有真正看到这些数据。”


图1:福特的自治车辆骑行分担。来源:福特

设计和制造班次
领先的芯片制造商通常将制造数据留给铸造和EDA供应商来工作,以便可以以足够的产量制造所设计的。自从引入Finfets以来,铸造厂三星,globalfoundries台积电一直在提供有关流程变化和其他可能影响其顶级客户和EDA和知识产权公司的可靠性的其他效果的详细数据。但为汽车应用程序开发7nm AI芯片增加了一系列新的问题。

该公司蚀刻产品战略副总裁Uday Mitra表示:“问题在每个节点都会升级,增加了过程中出现错误的可能性。应用材料。“现在它不再是一个简单的缩小。具有较少宽容的EPE(边缘放置误差)边距,EPE在较小的节点和LITHO对准误差下增加,并且处理变化误差堆叠。最大允许EPE是四分音间距,并且较小的间距变得更糟。除非放松音调,否则呼吸(新的磁带)不会修复。“

汽车在这些问题上增加了严格的资格和可靠性。今天,生产中没有7nm AI芯片,以便尚未提供数据。它不明显,在制造后会出现什么样的问题。

“导致汽车IC可靠性失效的潜在缺陷与随机缺陷直接相关,”通用电气高级总监罗布•卡佩尔(Rob Cappel)表示KLA-Tencor。“如果使用适当的检测工具,采样策略和方法,则使用捕获这些可靠性问题的概率显着提高了这些可靠性问题,采用采样策略和方法来查找和降低随机缺陷。”

这是通过将先进电子设备集成到汽车的大型班次之一。在线监测将是必不可少的,因为电子产品预计最多可持续18年,没有缺陷。这种配方可能会有所不同,这取决于为Robo-Taxis推动的里程,但这些无人驾驶车辆将在失败之前需要某种方式更换零件或模块。

“汽车家伙希望能够看到可靠性证明,”奥利弗·王先生,CTO说Moortec.。“预测分析和模拟是很棒的,但他们希望在现场看到它。我们知道finFETs是如何老化的吗?不是真的。我们有模型,但它们和平面芯片不一样。这是我们第一次认真对待电迁移汽车问题。当您在那里放置复杂的SoC时,您开始查看通常与复杂SoC相关的问题。“

这可能包括从完全失败到更微妙的时机问题的所有内容。

“预测的维护已经发生,”rupert贝恩斯(CEO)表示Ultrsoc.。“芯片公司喜欢恩智浦,英石、英飞凌、英特尔在芯片上编写复杂的代码,博世(Bosch)和德尔福(Delphi)等公司正在开发更多的软件。他们需要验证、验证和分析,这样你就可以进行预防性维护,而这是芯片公司本身无法提供的。如果您有一个bug,您希望捕获它并确保它不会造成问题。如果系统被黑了,你想知道它。但你需要在芯片运行时检测漏洞、黑客攻击和安全问题。”

通常情况下,这类问题需要数年时间才能解决,手机或服务器的软件升级也需要数年时间,全自动驾驶汽车的情况也可能如此。但整个汽车行业都在全力以赴地追赶或超过特斯拉,唯一的办法就是利用电子产品。

“可靠性的古典学习周期为每年两年,”新产品和解决方案副总裁Klaus Schuegraf说PDF的解决方案。“首先你得开发产品,这需要两到四个月的时间。然后你得把它打包。现在你得把它烧了。这又花了四分之一。所以要花半年的时间来建造和烧掉它。你每年大约有两个学习周期。这是将一些高性能、高可靠性技术推向高性能计算市场所面临的挑战之一。你会遇到一两个损害你的ppm级别的问题,然后你就不能像之前的节点那样提供相同的质量。还有更多的步骤,这延长了处理时间。 You’re also dealing with the resolution speed of finding these harder problems and identifying them.”

生产中的多样性可以添加到可能出错的事情列表中,它还为混合添加了另一个变量。

“你肯定可以保证质量,但它很难实现,”营销总监John Chen说:联华电子。“12英寸的晶片将在中心提供更好的均匀性,但在边缘周围保持良好的是保持这种均匀性。因此,您可以从300毫米到200毫米移动到降低故障率并最大限度地减少产品变化。问题是您不一定知道如何为汽车提供资格,有时您必须落后一步而不是移动到最先进的过程。“

所有的目光都在艾
在辅助和自动驾驶汽车领域,最大的关注领域之一是如何让汽车通过迷宫一样的预期和意外障碍、不断变化的路况和不同的法规。由于AI的设计周期较长,汽车制造商正在研究7nm的AI实现,以避免淘汰。他们也在考虑各种封装方法,如多芯片模块,以及22、18和12纳米的FD-SOI。他们正在权衡有多少逻辑需要集中,以及有多少处理需要在离传感器更近的地方完成,以最大限度地减少数据移动。

许多变量和移动部件使得从任何特定方法收集足够的数据变得更加困难。

“你假设机舱中的AI将是相当温度的控制,”三星铸造厂高级总监BOB STEAR说。“但更多的智力必须被推到终点。我们现在正在制作汽车。我们有28nm,18fds(FD-SOI)和14nm'年级1合格。“我们预计到年底才有7nm。”

这只是一个拼图。另一块涉及记忆,并且根据这些芯片的一些包装方式,这可能成为一个单独的问题。

“我们已经看到,当您在MCU上堆叠NVM时,包装的接口在高温下失败,”GlobalFoundries产品线管理高级总监Jamie Schaeffer说。“这里的关键要求之一是内存,嵌入式MRAM能够承受150°C的结温。这是有资格的汽车级别1.“(自动级别0需要在175°C中获得认证。)

目前的问题是,对于自动驾驶汽车中的人工智能芯片,目前还没有最佳的架构或制造方法,也没有公认的最佳方法来将传感器封装在一起,或决定在哪里处理哪些数据。汽车边缘的整个概念在不同的架构、不同的制造商之间有很大的不同。

什么是失踪
那么这两个世界汽车OEM和半导体制造商如何充分弥合?一个解决方案是跨教育,无论长期发生什么,都需要需要。

“我们已经经历了一点的进化,其中30年左右的时间不一定是这种无晶圆厂的铸造局面,”David Fried,CTO科森特。“每个人都在设计和制作自己的产品。然后我们打破了这个行业并走了掩模和铸造厂,一切都走向了不同的方向。Fabless人们表示,他们甚至不想知道工厂发生了什么。‘You’re going to give me design rules, I’m going to design it, it had better yield, and if it doesn’t it’s your fault.’ Now things have gotten really complicated and that wall has started to get pretty thin. The fabless guys do really need to understand a lot of what’s going on in the fab and they have accepted and want that. In some ways the industry is coming back together in that way. I don’t necessarily see these companies going out buying fabs or building fabs, but the fabless and the foundry have started to come together. There are people who do really good silicon integration work at companies that don’t make silicon because they need to understand what is happening in the fabs for their products to work.”

在看到这一趋势时,炒并不孤单。事实上,从设计的前端到制造就会识别一切。

汽车战略副总裁Burkhard Huhnke说:“这是一个知识的鸿沟。synopsys.。“汽车仍然是一个机械导向型的行业。现在,突然之间所有的东西都带电了,你需要像逆变器和igbt这样的高压元件,你需要模拟所有东西的瞬态特性。这可能是汽车公司未来的核心竞争力,但现在才刚刚开始改变。有很多来自智能手机行业和其他类似车型的新来者进入汽车行业。”

但这也需要以不同的方式看待汽车供应链,从设计一直到制造。

“如果你看看这是如何工作的,那是一种瀑布模式,”设计方法系主任罗兰·朱克说弗劳恩霍夫自适应系统工程分部。“所以OEM将向第一层提供规范,这可能是博世或地狱,其是生产诸如气囊或电动机控制系统的汽车系统。他们将决定哪一级2涉及哪一级,其中一个是提供最佳芯片等。每个级别都会向下一个规范提供规范,决定如何分区系统,并为子系统提供给下一个更深入的级别的我们规范。该模型不再运行,因为它太慢,并且真的没有足够的信息沿线给出。这是一个相当长的线,一个值链,并且有一些信息不会交给整个链条。因此,汽车制造商在他们的汽车中涉及某些技术时,他们没有完整的图片。“

在翻盖方面,汽车公司需要了解数据如何用于开发模拟,并依赖于允许半导体行业蓬勃发展的数据类型。

“当现实世界数据可用时,并非所有的数据都被模拟,”首席技术专家JoãoGeada说ansys.。“还有一些来自强制老化的数据,其中测试芯片/设计被放置在极端条件下,以最大化老化效果 - 读取高温,高压,快速过程角度的延长时段。这些提供了一些数据,用于验证模拟数据。我们(EDA)在模拟时已经漂亮,非常准确。一旦有一些数据点建立模拟是匹配的观察,人们就会相信模拟。“

但这对汽车行业来说是全新的,在某些领域,与所有这些电子内容相关的标准并不存在。

“有标准的标准如JEDEC标准,ISA规范,IEEE标准,”弗劳恩霍夫的Jancke说。“但其中一些是30年前定义的。在功能安全域中,它设置在这些标准中,您需要为您的组件提供故障率。但这些供应商给予的失败率来自大约30年前已经成立的表格,所以它们不再有效或不再有意义。需要改进这些标准并适应我们今天的技术。“

结论
这太早了,告诉所有这些碎片最终将适合在一起。它足以在车辆中电动更多功能,更不用说让它们在定义行为的已接受参数中表现。数据将是一个钥匙的向前移动,但是方向尚未完全清楚的快速或从中。

“汽车行业几十年来一直在IC上获得可靠性数据,”沃利·莱茵河(CEO)导师,西门子的业务。“但是,球和颠簸的数据量和其他类型的制造数据是有限的,因为单位卷和包括先进包装的设计仍然很小。工业和制造需要足够的数据点以质量和可靠性,但它们可能不需要与过去相同的水平。我们仍然在整理这一切的阶段。“

当该阶段完成时,这些非常不同的世界的整合最终看起来是任何人的猜测。

相关案例
变异的长,扭曲尾部在7 / 5nm时恶化
从人工智能芯片到汽车可靠性,再到上市时间,多种来源的可变性正在造成意想不到的问题。
从内部确保芯片可靠性
片内监测技术正在为汽车,工业和数据中心应用增长。
人工智能在芯片制造中的应用
Coventor的CTO将钻取预测性维护,变化的影响,以及这是屈服和未来技术的方法。
提高产量,数据的可靠性
异常值检测作为改进测试和制造方法的一种方法越来越受到重视。



发表评论


(注意:此名称将被公开显示)