Il framework ABC di Advantest — Algorithms, Big Data e Computation & Control — definisce l’infrastruttura necessaria a portare l’intelligenza artificiale nel cuore del test di produzione. Un modello che, come spiega l’azienda, accelera qualità, resa e processi decisionali nelle fabbriche dei semiconduttori
L’adozione dell’intelligenza artificiale nella produzione dei semiconduttori sta entrando in una fase più matura. La pressione competitiva e la complessità dei dispositivi spingono le aziende a ripensare i flussi di test con strumenti capaci di raccogliere e interpretare dati in tempo reale, riducendo tempi e variabilità. In questo scenario Advantest propone un approccio strutturato, l’ABC, che mira a trasformare il test in un processo intelligente e adattivo. Come sottolinea Eddy Cheng, vp of ACS RD and PE Group, "per rendere l’AI veramente utile serve una base solida, non solo buoni modelli".
Il framework ABC si presenta quindi come una guida operativa per portare l’AI dal laboratorio alla linea di produzione, affrontando tre dimensioni fondamentali: algoritmi, dati e capacità di calcolo.
A – Algorithms
Il primo pilastro dell’ABC riguarda gli algoritmi. La qualità dell’output AI dipende dalla possibilità di sviluppare modelli robusti, capaci di generare inferenze affidabili in tempi brevissimi. La produzione dei semiconduttori, con la sua altissima variabilità, richiede algoritmi in grado di analizzare pattern complessi e modificare dinamicamente le configurazioni di test. Cheng spiega che "l’implementazione efficace dell’AI in produzione parte dalla costruzione di modelli addestrati su dati reali e aggiornabili nel tempo".
La creazione di questi modelli poggia su piattaforme di AI/ML che consentano addestramento, tuning ed evoluzione continua, oltre a una collaborazione stretta tra data scientist e ingegneri di test. L’obiettivo è generare quella “intelligenza operativa” che consente di anticipare anomalie, regolare le sequenze di misura e ottimizzare le prestazioni dei test.
B – Big Data
Senza dati non esiste AI. Il secondo pilastro del framework – sottolinea perciò Cheng – mette al centro la gestione dei big data di produzione, dalla raccolta alla distribuzione in tempo reale. Nelle fabbriche contemporanee ogni wafer, ogni die, ogni ciclo di test produce una mole di informazioni che deve essere acquisita, filtrata e resa disponibile ai modelli AI. In questo ambito la piattaforma ACS RTDI di Advantest svolge un ruolo chiave garantendo un flusso continuo e coerente.
Ricchi dataset alimentano i modelli, ne permettono il riaddestramento e assicurano un miglioramento progressivo delle prestazioni. «La sinergia tra algoritmi e dati è ciò che rende realmente affidabili le decisioni dell’AI», ricorda Cheng. La qualità del dato diventa quindi un elemento strategico, determinando sia la stabilità dei modelli sia la capacità dell’AI di adattarsi ai cambiamenti del processo produttivo.
C – Computation & Control
Il terzo pilastro riguarda l’infrastruttura di calcolo necessaria a rendere operativa l’AI negli ambienti reali. La produzione richiede una combinazione di risorse cloud — ideali per l’addestramento pesante dei modelli — e capacità di calcolo edge per l’inferenza in tempo reale. È proprio l’edge computing a consentire decisioni immediate, direttamente accanto alle apparecchiature di test.
Per ottenere questo risultato, prosegue Cheng, servono tre elementi: potenza di calcolo distribuita, flussi di dati stabili e integrazione stretta con i sistemi di controllo della produzione. Il risultato è un processo decisionale adattivo, capace di reagire alle condizioni reali del dispositivo e di aggiornare dinamicamente le sequenze di test.
L’AI applicata al test trova i suoi benefici maggiori nei dispositivi più complessi: chip HPC, GPU, ASIC avanzati, SoC di fascia alta. Qui la combinazione di flussi di test articolati, design intricati e requisiti di qualità molto elevati rende la variabilità di processo un fattore critico. I test adattivi consentono di ridurre i tempi di debug, migliorare la resa, ottimizzare la qualità del prodotto e avere un impatto diretto su time-to-market e time-to-value.
Sfide e prospettive
Nonostante i progressi, rimangono sfide importanti. Una delle principali è la fiducia: molte realtà produttive esitano ad affidare decisioni critiche a sistemi di AI. «Costruire fiducia richiede tempo e risultati verificabili», osserva Cheng. La seconda riguarda la collaborazione tra data scientist e ingegneri di test: due mondi con competenze diverse ma complementari, che devono convergere su strumenti e metodologie comuni.
Advantest sta affrontando entrambi i fronti con implementazioni reali, PoC su larga scala e integrazioni avanzate con piattaforme AI/ML. L’obiettivo è semplificare l’accesso ai dati, incorporare competenze verticali nella piattaforma e accelerare lo sviluppo di modelli realmente utili alla produzione.
Secondo Cheng, il futuro è già tracciato: «man mano che maturano dati, calcolo e collaborazione, i test intelligenti diventeranno nativi nelle fabbriche dei semiconduttori». L’AI non sarà più un supporto, ma un elemento intrinseco del flusso produttivo. Un’evoluzione che promette di ridefinire resa, qualità e time-to-market nella prossima generazione di dispositivi avanzati.
L’integrazione ACS RTDI–Nvidia per il test predittivo
Advantest sta introducendo una nuova generazione di test basati sull’intelligenza artificiale, grazie alla combinazione tra l’infrastruttura dati ACS RTDI e il machine learning avanzato di Nvidia. La collaborazione con Nvidia — che ha scelto ACS RTDI per la produzione ad alto volume dei chip Blackwell e dei futuri dispositivi AI — segna un passaggio decisivo dai flussi di test tradizionali a sistemi adattivi e predittivi.
Tradizionalmente, il test dei chip richiedeva settimane tra raccolta dati, analisi dei guasti e nuove implementazioni. ACS RTDI ribalta questo paradigma: porta l’AI direttamente in linea, trasformando il test da semplice convalida a processo continuo e intelligente. Integrata con l’inferenza GPU di Nvidia, la piattaforma acquisisce grandi volumi di dati tramite Data-Feed-Forward e ottimizza in tempo reale il set di test per ogni singolo chip.
La scalabilità dell’architettura Nvidia consente l’addestramento simultaneo di più modelli ML, riducendo latenza e consumi e migliorando resa e copertura. La robustezza di ACS RTDI, già adottata in siti produttivi globali, permette di automatizzare flussi complessi mantenendo separati data preparation, algoritmi e decision making.
