人工智能介入芯片制造流程

文︱LAURA PETERS

來源︱Semiconductor Engineering

編譯 | 編輯部

受到芯片短缺影響，晶圓廠和OSAT紛紛加大產(chǎn)能建設，并評估將人工智能和機器學習介入芯片制造，能否帶來更大的效益。

尤為重要的一點是，鑒于市場分析師對市場增長的預期，預計未來五年內，芯片制造業(yè)的市場規(guī)模將翻一番，工廠、人工智能數(shù)據(jù)庫和工具的整體改進對于提高生產(chǎn)率至關重要。

“我們不會在數(shù)字化轉型中失敗，因為別無選擇，”Inficon負責智能制造的總經(jīng)理John Behnke表示?！八芯A廠的產(chǎn)能都將提升20%至40%，但現(xiàn)階段，在18到36個月內，他們都難以獲得新工具。為了充分利用這些潛力，我們將克服人類對變革的歷史恐懼。”

此外，這種變化需要有明確的投資回報率?！皩ξ襾碚f，一切都歸結為成本，”人工智能驅動的APC軟件的初創(chuàng)公司Sentient的首席執(zhí)行官Abeer Singhal指出?！拔覀?yōu)槭裁匆獙?shù)據(jù)遷移到云中？因為我們希望它是可訪問、可計算的。即便有下載、存儲和計算成本，但工程師希望擺脫為所有事情調用IT的現(xiàn)狀。他們希望收集高頻數(shù)據(jù)，同時做出明智的決策?！?/p>

其中一個重大挑戰(zhàn)是高度規(guī)避風險的制造業(yè)，該部門通過大部分漸進式改進取得了顯著收益?！鞍雽w行業(yè)有很多技術類型的進步，但我們通常在進行業(yè)務變革方面非常緩慢，”數(shù)據(jù)庫供應商KX Systems半導體和制造副總裁Bill Pierson認為?！安糠衷蚴且驗槟阍谝粋€已經(jīng)建成的工廠里，它正在運行并獲得高產(chǎn)量，所以為什么要改變它呢？但是，我們看到自上而下的管理策略是試圖打破數(shù)據(jù)孤島，確保所收集的數(shù)據(jù)將提供給所有必要領域的工程師?！?/p>

其他人則指出了類似的趨勢?！叭藗冚p易不會做出改變，”納米生物科學負責人兼紐約州立大學理工學院教授Scott Tenenbaum表示?！靶鹿谝咔槭且粋€很好的契機，人們嘗試了他們永遠不會嘗試的事情，除非他們必須這樣做。我們的很多技術都是這樣的。舊技術消失了，你別無選擇，只能使用新技術。”

在SEMI先進半導體制造大會的小組討論中，與會者指出了涉及AI/ML和全球晶圓廠的10個趨勢或建議：

到2025年，半導體領域的AI/ML將達到1000億美元；

工程師在調度和缺陷分類方面的成果唾手可得；

數(shù)字孿生和分析正在實現(xiàn)預測性維護；

非增值步驟可能會被跳過、縮短或移動；

晶圓廠現(xiàn)在正在招聘數(shù)據(jù)工程師；

大數(shù)據(jù)很好，但正確的數(shù)據(jù)更好；

工具狀態(tài)標準（SEMI E10）有助于透明度；

ML在測試平衡良率、缺陷、測試成本；

投資回報率承諾克服了行業(yè)的不情愿；

必須內置數(shù)據(jù)庫安全性。

SE：麥肯錫最近的一份報告顯示，人工智能和機器學習產(chǎn)生了約50億至80億美元的芯片收入，約占設備總收入的10%。預計到2025年，這一數(shù)字將增長到1000億美元左右。你同意這個估計嗎？

Behnke：顯然，我們可以看到AI、ML等技術在半導體制造中的廣泛應用，為半導體行業(yè)產(chǎn)生了15%以上的價值。這不認為這意味著它會產(chǎn)生另一個行業(yè)，晶圓廠撐起了950億美元的市場份額，但利用先進技術能力，晶圓廠在未來五年內將至少能夠再擴大950億美元。

半導體領域的AI / ML在2021年創(chuàng)造了70億美元的價值，占芯片收入的10%，預計到2025年將上升到設備收入的20%達900億美元（圖源：麥肯錫公司）

Pierson：我們正試圖通過提高這些工程師的勞動力來提高晶圓廠的生產(chǎn)力并降低成本。勞動力是其中的關鍵部分。

SE：關于這一點，在晶圓廠中采用AI/ML將會得到哪些唾手可得的成果？

Singhal：大數(shù)據(jù)和人工智能算法代表了APC工程師的范式轉變。與過去相比，如今可以在幾分鐘內構建復雜的流程模型。例如，AI輔助運行到運行的控制器可以提取內聯(lián)SPC數(shù)據(jù)，將其與100多個FDC和良率指標相結合，以提供對系統(tǒng)運行狀況的洞察并提出改進建議。

另一個 AI 用例是構建自適應工具狀態(tài)模型，以防止計劃中或計劃外的工具事件過多的提前發(fā)送。人工智能的潛力是無窮無盡的。

Behnke: 到目前為止，晶圓廠投資回報率最高的應用是調度。工具必須在六個月或更短的時間內提供價值，包括ROI、周期時間改進或其他KPI。因此，智能制造很大程度上是采用工程師幾十年來一直在工作的環(huán)境以及豐富的歷史數(shù)據(jù)，升級這些環(huán)境來創(chuàng)建一個數(shù)字孿生體，這有點像類固醇上的模擬器，使用計量學和傳感器以及其他數(shù)據(jù)源，使得孿生體的信息實際上具有更高的保真度和對工廠的理解。這種數(shù)字表示會查看當前事件和選項，通過基于ML的歷史學習利用其具有的價值，并快速確定下一步應該做什么。顯而易見的是調度。我應該在什么工具上放什么批次，以什么順序？更重要的是，應該設置工具來做什么？這適用于APC，F(xiàn)DC 2.0（故障缺陷分類）等。如今，芯片制造商擁有在晶圓廠層面實現(xiàn)這一目標的工具，真正令人興奮的是，在五年左右的時間里，公司內的所有工廠都利用這些工具，從晶圓廠到組裝和封裝。

Singhal: 客戶希望從呼叫IT處理所有事情的麻煩中解脫出來。這是將所有內容推送到云的重要驅動因素。但他們也希望能夠以每秒100千兆的速度下載。因此，我們談論的是帶寬，這是有成本的，存儲數(shù)據(jù)并使其可用。對于目前芯片的發(fā)展趨勢，這些芯片專門設計成能夠在芯片上集中處理信息，而不是在一起工作的不同系統(tǒng)中。

高級算法可使用可操作數(shù)據(jù)處理歷史數(shù)據(jù)，以便在決策價值最高的情況下實現(xiàn)實時決策（圖源：Gartner）

SE：半導體短缺對芯片制造有何影響？

Behnke：當今社會與過去完全不同，所以人們現(xiàn)在明白，我們需要開始更聰明地做事。高管與董事會都參與其中，他們承受著巨大的壓力。在新的董事會會議記錄中，他們被問到，“你的智能制造戰(zhàn)略是什么？這在兩年前還沒有爆發(fā)疫情的時候是聞所未聞的?！?/p>

Pierson: 我們正在轉向以數(shù)據(jù)為中心的世界，我看到的變化之一是一級芯片公司都擁有這些所謂的數(shù)據(jù)工程師團隊。他們不是數(shù)據(jù)科學家，也不是主題專家。他們是數(shù)據(jù)工程師，負責整個組織并為整個組織中的人員準備數(shù)據(jù)以供使用。隨著這種數(shù)據(jù)爆炸的發(fā)生，需要認識到，對這個定義的角色有很大的需求，人們需要認識到需要格式化數(shù)據(jù)。大多數(shù)數(shù)據(jù)都有一個時間戳，所以也許我們可以索引時間序列。

SE：特別是對于傳統(tǒng)晶圓廠來說，學習曲線是什么樣的？

Pierson: 這是一個旅程，有些公司比其他公司更先進。一些工程師可能使用鉛筆和紙墊，他們只需要能夠存儲數(shù)據(jù)并想要一個儀表板。這是旅程的早期部分。有些人正在談論做數(shù)字孿生體并在整個工廠擴張。這個旅程將繼續(xù)下去，對我們的工作方式進行評分將需要5到10年的時間。每個晶圓廠都是不同的，你必須在他們所在的地方與他們見面。

工廠運轉的各個方面都可以利用以數(shù)字孿生為基礎的數(shù)據(jù)處理和分析（圖源：Inficon）

Behnke：對于更多可能性的探索是人工智能其中一個很大的優(yōu)勢。人工智能不只是獲取某個參數(shù)，而是會獲取每個參數(shù)和每個組合。人工智能的功能很強大，據(jù)我所知，沒有人能做到這一點?，F(xiàn)階段，智能終端搭載了越來越多的傳感器，因此系統(tǒng)將越來越智能。而AI是我們遇到的最好的技術，可以捕獲任何無法通過肉眼識別的信息。

Tenenbaum：然而相應地，人工智能普遍被過度炒作。人工智能在針對大規(guī)模數(shù)據(jù)集的識別方面極具優(yōu)勢，但它不太擅長識別隨機事件。以用于預測股市的人工智能技術為例，在基于專業(yè)交易者時，這項技術運作良好。但對于業(yè)余交易者和“羅賓漢”，或對于通配符和比特幣，該技術在數(shù)據(jù)分析方面則表現(xiàn)不佳。因此，當你談論如何讓人工智能介入產(chǎn)品制造時，人工智能技術在對可預測事項的預測中很有優(yōu)勢。但是，同樣代價高昂的一次性事件，對于人工智能來說則非常具有挑戰(zhàn)性。

SE：當行業(yè)轉向300mm晶圓時，各公司之間進行了更加密切的合作，并制定了SEMI標準。你看到這里發(fā)生了什么？

Behnke：行業(yè)內制定了E10標準，即SEMI E10設備可靠性、可用性和可維護性規(guī)范。通過這一規(guī)范，可以更好地跟蹤模塊化系統(tǒng)中的工具，以提高利用率?，F(xiàn)階段，該規(guī)范并沒有得到那么廣泛的報道，但業(yè)界已經(jīng)有一些企業(yè)開始采用。隨著這些解決方案的推進，這將是一個很大的幫助。

對晶圓缺陷的高度關注給減少非增值步驟帶來了很大的壓力，特別是晶圓和器件的計量和測試。在半導體測試領域，為了確保檢測可能影響可靠性的潛在缺陷，系統(tǒng)級測試的應用需求越來越旺盛。

“像Nvidia、AMD和Intel這樣的領導者已經(jīng)這樣做了多年，但最近公司一直在更快地進行更多的系統(tǒng)級測試，以對內存和其他測試進行功能測試，”Advantest的Dave Armstrong表示?！八麄儼l(fā)現(xiàn)兩個教學測試是不夠的，所以他們需要做高速測試，以確保一個已知的良好的小芯片?！?/p>

對額外測試的需求很大程度上是由潛在缺陷問題的新知識驅動的，這些信息是通過學習平臺獲得的?！案呒墧?shù)據(jù)分析提供了對異常值檢測的洞察，并指導我們進行測試儀和測試程序設計，”Armstrong稱。

半導體測試也從切割大量測試數(shù)據(jù)的能力中受益匪淺。大型測試設施每天可生成高達4TB的數(shù)據(jù)，這些數(shù)據(jù)用于反饋過程，以提高產(chǎn)量和質量。

Teradyne運營高級副總裁Ken Lanier指出，測試儀上的多個傳感器還可以監(jiān)控芯片的電壓、溫度和其他參數(shù)，這些參數(shù)與機器學習一起可以實時修改測試過程。

“由于測試是發(fā)布到生產(chǎn)環(huán)境之前的最后一步，因此在幾周內調試大量軟件程序和測試模式數(shù)據(jù)的壓力很大，因為編程錯誤可能導致IC生產(chǎn)商丟棄數(shù)百萬美元的好設備，或者更糟糕的是，運送壞設備。在良率、缺陷率和測試成本之間進行權衡，需要對設計仿真、測試程序和機器學習工具進行大量投資，以識別最輕微的異常，標記測試設備上的問題并縮短調試周期，“Lanier表示。

展望未來，數(shù)據(jù)安全是另一個需要解決的問題，因為它是數(shù)據(jù)共享的障礙。“這些數(shù)據(jù)庫需要是非常安全的環(huán)境，因為沒有人愿意出于IP原因共享數(shù)據(jù)，”Inficon的Behnke表示?！皼]有人愿意共享數(shù)據(jù)，因為他們還擔心安全方面的問題?！?/p>

半導體行業(yè)正在努力保護自己的片上數(shù)據(jù)，但它也在擴大這一努力，將電子系統(tǒng)和數(shù)據(jù)庫納入其工廠。這可能需要時間，但它被視為必要的步驟，因為孤島被打破，數(shù)據(jù)跨越傳統(tǒng)的分界線。