新闻动态

改进汽车半导体的策略。



SE:随着汽车变得越来越电气化,并且随着汽车中收集的更多数据被数字化,需要更先进的电子设备。没有在这种极端环境中使用 7nm 或 5nm 芯片的历史。你预计会发生什么?

范德盖恩:我去过许多汽车站点,从测试的角度来看,我们看到更多来自铸造厂的信息正在传递到装配和测试站点。在那里我们必须合并数据以确保我们做正确的事情并确保部件正常工作。但我们也看到这些客户开始以不同的方式工作。过去,您的电机或发动机控制单元中只有一个微控制器。现在有不止一个微控制器。如果一个失败,特别是对于那些关键系统,另一个将接管。尽管您可以进行各种测试和各种可靠性方面的工作,但 FMEA(故障模式和影响分析)显示了涵盖这些内容的唯一方法是在您的微控制器中为那些关键项目提供冗余。

Rathert:几年前,我曾与一家大型汽车制造商的电子研发组负责人会面。他说,除非你们为试图将零件的成本降到五分之一而争论不休,否则你还不算造出汽车。我来自航空背景,冗余是我们通常处理可靠性问题的方式——三台飞行计算机投票选出谁是对的。但是我们在汽车上没有那么奢侈,我们正在努力节省五分钱。我们在整个供应链中感受到很大的压力,要让每个单独的设备都可靠。冗余似乎是显而易见的途径,对于高端部件来说当然如此,其中一个裸片的价格可能为 15 美元、20 美元或更多。但如果没有必要,汽车公司不愿意在那里放置多个单元。他们宁愿寻找其他解决方案。

菲利普斯:自治将会发生。这是不可避免的。但实现这一目标的途径将归结为两个关键问题。一个是,'可靠是什么意思?另一个是,“安全是什么意思?” 如果期望安全可靠意味着零事故发生,那是不会发生的。我们将在街头看到测试过程。我们将看到失败的发生。另一方面,如果我们将其与人类驾驶员进行比较,我们已经看到技术对安全和减少事故的影响。这只是一个问题,我们是否会随着消费者从将技术与我们自己进行比较而转向追求完美。但是要让所有地方的每辆车都完全自动驾驶还需要很长时间。

奇普利卡斯:转向先进技术是令人难以置信的兴奋,如果有点可怕的话。相信汽车能做我能做的事,以及真正模仿它所需的所有计算,并不容易。但与此同时,它开辟的可能性是惊人的。7nm 等先进技术肯定存在一些问题。我们已经看到了 7nm 裸片中发生的事情类型——不同类型的变化,你可以在生产线中间遇到的缺陷,以及工艺模块之间的所有交互。了解您测试的方式、您使用的故障模型、诊断和发现缺陷,以及构建包含这些因素的功能安全,是一个巨大的挑战。我们将走向自治,我们最终会到达那里。我个人认为它会比人类现在能做的更好,这将推动转变。但考虑到先进技术的行为方式,实现这一目标所需的创新是一个巨大的挑战,也是一个巨大的机遇。

巴鲁克:过去几年我走遍了很多生产线,这些生产线突然发生了变化。这几乎就像在你的车里装了一部 iPhone,因为生产每个零件的复杂性都非常大。有很多失败的机会。达到可以以受控方式重复该过程并在这些 [生产线] 内部或工厂或不同供应商之间找到根本原因问题的地步,对可靠性提出了重大挑战。无论您生产什么,都需要可重复,并且您需要能够信任它。这导致这些公司的运营方式发生重大转变。

Carmel:一旦系统控制,将性能范围提高到 L2+ 以上需要对车辆有一定的信任。这些系统的一个好处是它们 100% 专注,而不是司机因数据推送和蜂窝技术等事情而分心。我们的工作最终是提高这些系统的可用性。因此,原始设备制造商正在寻找可扩展的方法来支持高级软件技术不断增长的性能范围,同时保持高级节点中的电子可靠性。但他们需要的是数据,以了解何时以及如何优雅地失败,并在其故障安全机制中平衡可用性与安全性。这是一种权衡,今天不存在完美,但我们正在努力通过获得对这些系统健康状况的准确可见性来改变这种等式。

SE:过去通常在稳定的环境中记录潜在缺陷,但在汽车中这变得更加困难,因为汽车在非常不同的、通常是恶劣的环境中运行。解决方案是冗余的,汽车制造商似乎不想为此付费,还是需要一些其他方法?

Rathert:我们认为解决方案是一种多方面的方法。没有一种方法可以解决所有问题。设计精良、制造精良、缺陷率低且使用严密工艺精心制造的设备是构建的基础。但我们认为这不是唯一的答案。我们也不认为测试本身是唯一的答案。这些的合并,以及实时诊断和查看整个供应链并找到从设计到最终系统的弱点的能力——所有这些结合在一起是业界创建零缺陷解决方案的最大希望。这不仅仅是我们中的一员。

Phillips:鉴于自动驾驶汽车中技术和通信标准的广度和深度,不会有一两家公司联合起来为汽车提供全面的端到端测试解决方案。生态系统中的不同人员将一起工作,就如何互操作和集成我们的解决方案进行协作。使用云和基础设施处理,制造和测试分析将有优势应用于雷达、激光雷达和 I/O。但也有许多不同的技术载体必须结合在一起。

SE:从车辆所有传感器收集的数据是否足以了解未来是否会出现问题?如果是这样,您能否尽早做出预测以避免出现问题?

巴鲁克: 有很多数据来自不同的角度和不同的供应商。我们最近与德国的一个高端汽车品牌一起完成了一场本质上是黑客马拉松的活动,将汽车数据与制造数据相结合,看看我们是否可以预测传感器的故障,并建立一个预测模型来发现故障。有几个重要的发现。首先,数据存在,但必须以关联的方式加以利用。今天,一些数据来源的区域是孤立的。如果它来自同一制造商,那就太好了。然而,事实并非如此。您会看到来自许多供应商和次级供应商的组件。所以数据就在那里,但不清楚他们是否愿意分享它来解决另一家公司或客户遇到的特定问题。然而,我们确实看到原始设备制造商越来越需要获得整个链条的可见性。他们迫使他们的供应商,一直到半导体公司,连同他们生产的产品一起提供数据。这是他们生产的组件的一种数字签名。这是释放连接所有这些数据点的潜力的开始。

奇普利卡斯: 我同意。在制造、测试和组装过程的每一步都收集了数据。每毫秒或微秒,工厂内部都会产生大量数据,一直到有芯片内传感器的现场。诀窍是将它们放在一个单一的分析框架中。实际共享这些数据存在巨大挑战。该数据的每个所有者都将其用于自己的目的,但将其放在一起也有很多好处,可以缩短找到根本原因的时间并改进质量筛选。以安全或保密的方式在世界范围内移动它存在一些实际问题。然后是隐私问题。打破它会很棘手,但在产量、质量、安全和保障方面的好处是值得的。我们在工厂和装配线上发现,使用我们的表征车辆测试芯片,您越接近系统的实际物理特性,您就越有可能建立预测模型。例如,这可以是工具上的传感器,它显示为什么某个电压会发生变化、故障、移动或斜坡不同,然后导致这种效果,从而导致这种缺陷。标准计量学可能不会向您展示这一点,但测量物理的传感器可以。因此,建立对事物行为的原因的理解至关重要,而基于物理学的理解是获得预测模型的关键。这可以是工具上的传感器,它显示为什么某个电压会发生变化、故障、移动或斜坡不同,然后导致这种效果,从而导致这种缺陷。标准计量学可能不会向您展示这一点,但测量物理的传感器可以。因此,建立对事物行为的原因的理解至关重要,而基于物理学的理解是获得预测模型的关键。这可以是工具上的传感器,它显示为什么某个电压会发生变化、故障、移动或斜坡不同,然后导致这种效果,从而导致这种缺陷。标准计量学可能不会向您展示这一点,但测量物理的传感器可以。因此,建立对事物行为的原因的理解至关重要,而基于物理学的理解是获得预测模型的关键。

Rathert:即使在相邻的孤岛中,有时也很难清理或对齐数据。所以梦想和愿景就在那里,但实际情况是我们需要采取一些措施才能实现所有目标。

卡梅尔:从汽车流向云端的数据量正在快速增长,这很好。这些数据对于设计更好的系统至关重要。GDPR(欧盟通用数据保护条例)明确规定了您可以移动哪些数据以及如何移动这些数据。原始设备制造商确保被移动的数据不会泄露任何私人信息或增加安全风险。在其他市场,我们没有这些规定,所以自动驾驶汽车保护这些信息是件好事。但问题是在所有这些中找到独特的数据。如果我们不能建立一个最终帮助我们建立更好系统的模型,那么这些数据就没有多大价值。我们需要从一组特定的失败中创建学习曲线,并了解哪些数据与哪个实体相关,以便他们构建更好的模型。

van de Geijn:在某种程度上,我同意。但您也想自己测试自治系统并确保它们正常工作。您可以收集大量数据,但它必须与您要解决的问题相关。在某些领域收集大量数据是有道理的。尽管如此,汽车产品还是会发生很多事情。您不能仅通过使用来自传感器或其他系统的数据就完全预测单个晶体管上的单个粒子会扰乱产品的功能。您仍然需要在产品中内置冗余,以防出现意外故障。它与收集所有数据一样重要。这是另一个领域,我看到很多公司都在努力,他们正在使用这些东西来防止产品失败。