解锁Tessent ATPG高阶Fault Model：突破芯片良率瓶颈的实战指南
在28nm以下工艺节点，传统Stuck-at模型对桥接缺陷和单元内部故障的覆盖率已降至60%以下。某汽车芯片厂商采用Cell-aware模型后，DPPM从412降至27。本文将揭示如何组合运用Bridge、Transition、Cell-aware等七种Fault Model构建防御体系，特别分享三个关键策略：通过Embedded Multi-Detect在零pattern增长条件下提升桥接覆盖率15%、利用Cell-aware模型捕获90%的单元内部缺陷，以及 Automotive-Grade ATPG的三层防御架构实战配置。
1. 超越Stuck-at：七种Fault Model的黄金组合
当测试覆盖率卡在92%难以突破时，资深DFT工程师会像调音师一样混合多种Fault Model。Bridge模型通过逻辑相邻信号分析可提前发现75%的潜在桥接点，而无需等待物理版图。某7nm GPU案例显示，结合N-Detect技术能使桥接覆盖率从68%跃升至89%。
Transition模型对时钟域交叉场景尤为敏感，其双周期Launch-Capture机制能捕捉到：
- 晶体管级慢翻转缺陷（Slow-to-Rise/Fall）
- 时钟网络偏斜导致的时序违例
- 电压降引起的路径延迟异常
# Transition模型基础配置示例 set_fault_type transition set_atpg -capture_cycles 2 create_patterns -mode full_scanCell-aware模型则需要Foundry提供SPICE级缺陷参数。一个典型的反相器单元可能包含：
- 栅氧击穿（Vth偏移）
- 源漏寄生电阻异常
- 接触孔未完全刻蚀
提示：Cell-aware模型生成需要20-40小时/单元，建议优先针对时钟缓冲器、高驱动强度单元等关键模块实施。
2. Automotive-Grade ATPG的三层防御体系
符合ISO 26262 ASIL-D要求的测试策略需要构建金字塔式检测架构：
| 层级 | 检测目标 | 适用模型 | 覆盖率贡献 |
|---|---|---|---|
| L1 | 制造缺陷 | Stuck-at+Bridge | 65-75% |
| L2 | 时序相关缺陷 | Transition+Path | 15-20% |
| L3 | 单元内部/相邻缺陷 | Cell-aware+IDDQ | 10-15% |
物理感知测试生成流程需严格遵循：
- 版图数据库准备（LEF/DEF）
- 临界区域分析（Critical Area）
- 缺陷注入与仿真
- 测试立方生成与优化
# Automotive-Grade全流程配置 create_layout chip_db -def top.def -lef tech.lef extract_fault_sites -defect_types all -output automotive.udfm set_fault_type udfm -delay_fault set_critical_area_options -reporting on create_patterns -compression on某MCU厂商采用该流程后，测试逃逸率降低83%。关键步骤是临界面积权重计算，需特别关注：
- 金属层间距≤3×最小设计规则的区域
- 单元密集排列的时钟网络
- 高宽长比的互连线段
3. 模型组合实战：从90%到99%的跨越
在5nm FinFET工艺中，单一模型覆盖率天花板现象显著。通过模型组合策略可实现突破：
案例：高速SerDes PHY测试优化
- 初始状态：Stuck-at 92% + Transition 85%
- 引入Bridge模型：新增7%覆盖率（主要来自差分对间潜在桥接）
- 加载Cell-aware模型：再提升3%（重点检测电流镜匹配异常）
- 最终叠加IDDQ检测：捕获静态电流泄漏缺陷，总覆盖率达99.2%
# 多模型并行执行方案 set_fault_type -add stuck_at set_fault_type -add transition set_multiple_detection -desired 5 read_fault_sites cell_aware.udfm create_patterns -parallel_mode on模型交互会产生协同效应：
- Transition测试可能意外激活Cell-aware缺陷
- N-Detect模式下的多次激励能暴露Bridge潜在故障
- IDDQ静态测试可验证动态测试未覆盖的亚稳态缺陷
注意：建议先运行各模型独立分析，再实施组合验证，避免模型间干扰导致误报。
4. 效率优化：Pattern数量与测试成本的平衡术
测试成本与质量存在天然矛盾，通过以下技术实现帕累托最优：
**Embedded Multi-Detect（EMD）**相比传统N-Detect可减少38%的Pattern数量：
- 智能Test Cube复用技术
- 动态Care Bit分配算法
- 增量式故障标记机制
关键配置参数对比：
| 参数 | N-Detect | EMD |
|---|---|---|
| 保证检测次数 | set -guaranteed 3 | set -desired 5 |
| Pattern增长率 | 120-150% | 5-15% |
| 桥接覆盖率增益 | +12% | +9% |
| 运行时间增幅 | 1.8× | 2.5× |
对于量产测试，推荐分层压缩策略：
- 首批Pattern（<1K）：全模型组合检测
- 量产Pattern（1K-5K）：EMD+Stuck-at核心集
- 工程验证Pattern：保留完整Cell-aware检测集
在Tessent 2023.1版本中，新增的AI-Driven Pattern Selection功能可自动识别最优Pattern组合，某客户实测减少测试时间19%而不影响DPPM指标。
