Machine Learning Analysis of Latent Correlations in RRAM Wafer Screening Tests for Automotive Microcontrollers

Resistive RAM (RRAM) memories are increasingly adopted as the preferred non-volatile memory solution for Infineon's automotive microcontrollers, where strict quality and reliability standards must be met. However, the characterization of RRAM failure mechanisms and the definition of effective screening strategies remain open research challenges. This thesis aims to analyze wafer-level test data using machine learning techniques to uncover latent correlations between different test results. The main objective is to enable a better definition and understanding of existing fail clusters, ultimately supporting the optimization of the RRAM screening process for automotive applications.

Le memorie Resistive RAM (RRAM) stanno emergendo come la soluzione di memoria non volatile preferita nei microcontrollori per applicazioni automobilistiche di Infineon, dove è essenziale rispettare rigorosi standard di qualità e affidabilità. Tuttavia, la caratterizzazione dei meccanismi di guasto delle RRAM e la definizione di strategie di screening efficaci rappresentano ancora una sfida aperta nella ricerca. Questa tesi si propone di analizzare i dati di test a livello wafer mediante tecniche di machine learning, con l’obiettivo di individuare correlazioni latenti tra i diversi risultati di test. L’obiettivo finale è migliorare la definizione e la comprensione dei cluster di guasto esistenti, contribuendo così all’ottimizzazione del processo di screening delle RRAM per applicazioni automotive.