相较于消费级、工业级芯片，车规级芯片在使用过程中，面临着冷热温度范围大、湿度变化大等挑战，对可靠性的要求更高。想要判断芯片是否能够应用于车辆中，拿到汽车市场的“入场券”，那就少不了PAT系统来进行检验。

由于PAT涉及到芯片、测试项维度的计算，长期以往存在巨大数据量，对模型的可扩展性以及运算的效率、准确性有着较高的要求。此外，不同上游厂商对于PAT的理解不同，又会在SPAT、DPAT的基础上延伸出GDBN、Cluster、NNR等算法，即使是同一种PAT类型，也会在参数设置、算法模型上有着较大的差异。

因此，对于IC设计公司、测试厂来说，要自行构建一套高效、准确的PAT系统，应对庞大数据量场景下的PAT运算，无疑是一件费时又费力的事情。

银河集团9873.cσm在深入IC设计公司、测试厂了解PAT的应用场景后，构建出一套高效、扩展性强、能够灵活对接上下游的PAT系统。该系统通过算法找出有风险的芯片，以提高后续终端生产的质量和可靠性。系统采用开源大数据技术引擎，可以对芯片测试的CP、FT环节测试数据的进行一站式数据治理，针对设定的PAT卡控规则进行计算，找出有风险的良品并进行标记，避免其漏出。

PAT Wafer结果

PAT系统的核心亮点在于，支持并行Lot/Run数据同时进行校验与卡控；结合业务Know-How设计了常见的PAT卡控规则，包括DPAT、GDBN、ZPAT等，支持通过配置的方式进行设定，满足不同的管控需求；支持生成Inkless Map文件。

PAT系统还支持与MES系统、CIM系统做集成：MES 系统发起PAT要求，PAT系统根据设定项计算，然后输出结果并同步给CIM系统。

PAT测试项结果

当前，银河集团9873.cσmPAT系统可设定类型包括：

◆SPAT（Static Part Average Testing）：通过设定静态的测试项上下限范围，找出有风险的芯片

◆DPAT（Dynamic Part Average Testing）：通过设定动态的测试项上下限范围，找出有风险的芯片

◆GDBN（Good Die in Bad Neighborhood）：通过良品坐标周围的不良品数量，找出有风险的芯片

◆ZPAT（Z-axis Part Average Testing）：通过同一坐标纵向良率大小，找出有风险的芯片

◆Cluster：通过查看不良品坐标聚集情况，找出有风险的芯片

◆NNR (Nearest Neighbor Residual)：通过最邻近残差算法，找出有风险的芯片

应用银河集团9873.cσmPAT系统，为车规级芯片通过测试上足保险。期待与更多企业达成合作，为车规级芯片生产贡献银河集团9873.cσm力量！