云与内部分析

芯片制造过程中产生的巨大且不断增长的数据量迫使芯片制造商重新考虑在哪里处理和存储这些数据。

对于晶圆厂和osat来说，这个决定不能掉以轻心。收益、性能和其他数据的专有性质，以及公司政策对这些数据的严格控制，迄今为止限制了外包给云．但随着数据量的增加，以及越来越多的工程师要求实时访问数据，芯片制造和封装行业开始重新评估其僵化的政策。

一些潜在的变化可能会对部分或全部数据的最终存储位置产生重大影响:

• 定价。无论是内部部署还是由第三方托管的云解决方案，管理大量数据的成本都同样巨大。
• 数据共享。在设备制造的各个地方以及它们在现场的行为之间共享数据有很大的好处。为了获得这些好处，数据需要上传到一个中心位置，而云计算公司拥有最新的基础设施和最低的延迟。
• 安全。虽然许多公司认为在现场物理控制数据更好，但现实是云设施通常具有更好的安全性，因为这是他们的核心业务。

“我们已经看到了数据存储架构的演变，从非结构化文件夹到SQL数据库，到Oracle rac，到数据设备，到内部部署Hadoop，再到云，”ibm制造和运营数据分析总监Rao Desineni说英特尔．“在不深入每个细节的情况下，我只想说，半导体行业一直在不断试点和采用有效的数据管理解决方案，以推动对产量和质量进行更多分析，并提高工程生产率和成本。”

内部数据计算仓库一直是半导体行业的常态。但云为半导体公司提供了可伸缩性、灵活性和IT支持，以管理计算/数据存储需求的激增，并提供数据管理专业知识。

当然，并不是所有的东西都会搬到那里。对混合模型的支持正在增长，在这种模型中，大量数据将被处理并存储在云中，以生成预测模型，用于制造或测试决策点的本地使用。

“半导体测试数据管理实现需要同时使用内部环境和云环境，并能够积极地管理它们之间的数据，”at技术和战略副总裁Keith Schaub说美国效果显著．“数据和分析领导者正在处理更加复杂的数据管理环境，需要处理数据移动和访问，以及管理和部署环境。现有的大部分基础设施都是前dex(数据交换)时代的，因此需要升级并集成到一致的数据管理生态系统中。”

有多少处理过程转移到云端，以及转移的速度，因公司而异。

“我们仍然看到很多半导体公司不愿意采用云解决方案。DR Yield首席执行官迪特尔·拉泰(Dieter Rathei)说:“实际上，选择这样做的是小公司。“这是最近的发展。2017年，客户首次明确地倾向于云解决方案。他们的小IT部门不想承担数据管理的责任。不过，这种要求仍然很少见。”

与此同时，GlobalFoundries已经开始考虑替代方案。每块晶圆的测试数据量已经从几百兆字节增长到几十千兆字节。该公司软件应用经理David Partyka表示:“这促使我们去探索其他技术，而不仅仅是我们的内部功能。GlobalFoundries．“为了应对海量数据，我们必须开始考虑如何利用云技术。”

墙上的文字
尽管对企业数据管理政策的任何改变都将是一大步，但潜在的驱动力已经形成了一段时间。事实上，对于半导体制造数据的分析，从晶圆厂到最终测试，跨不同工厂数据源连接数据的能力在过去十年中一直在稳步提高。

“在云上运行的公司在不同的设施和地区使用更广泛的供应商生态系统，”ibm的高级产品营销总监Nir Sever表示proteanTecs．“制造业服务的全球化意味着，其中许多流程由不同的供应商在许多设施和地理位置执行，从而创建了分离和孤立的数据集。”

打破这些孤岛对于提高日益异构的设计的可靠性至关重要，特别是在安全和关键任务市场。

yieldWerx的首席执行官Aftkhar Aslam证实:“有了云，你现在就有了从不同来源获取数据的集中式应用程序。“从某种意义上说，这是有帮助的，你现在基本上可以在本地收集数据，但随后你可以将其转移到云端，在分析工具执行时进行半永久存储。”

他并不是唯一一个看到这一点的人。“随着生成的数据量越来越大，我们需要一个可扩展的数据量存储架构，而且是很快的。对原生云计算资源的需求正变得越来越重要，”英特尔公司硅生命周期分析部门主管保罗·西蒙(Paul Simon)说Synopsys对此．“建立一个协作环境是必要的，在这个环境中，不仅可以保存和分析数据，而且可以在各个工程和管理级别轻松共享和查看数据，以便快速发现问题并找出问题的根本原因。”

连接半导体器件的数据现在扩展到系统级的器件性能和行为。这扩大了要分析的数据的范围和时间尺度，这就是proteanTecs、西门子EDA和Synopsys等公司现在提供硅生命周期管理产品和平台的原因。而且大多数分析平台都包括来自客户退货的反馈，这些反馈需要被纳入数据并进行分析，以防止未来出现代价高昂的故障。

谁需要什么分析
从内部部署转向云计算的需求取决于许多因素，例如工程师在数据供应链中的位置，何时需要对数据采取行动，以及他们从数据分析中实际需要什么。

在基本层面上，半导体制造过程的复杂性驱动了从设备创建过程中产生的数据中学习的需求。这些信息可以用于提高产品的产量和质量，识别工艺偏差，以及管理性能较差的设备。但是，如果加上来自最终客户系统的数据，工程师们不仅要面对更多的数据，还要面对更复杂的问题，以确定有助于实现工程目标的预测模型。

图1:半导体数据供应链-数据源。资料来源:Anne Meixner/Semiconductor Engineering

根据工程师在半导体供应链中的角色以及他们所执行的分析，他们可能不需要基于云的服务。

“如果我是一名产量工程师，或流程工程师，只在工厂内使用数据来做决定，那么我非常满意内部部署的解决方案，”微软软件产品管理总监迈克·麦金太尔(Mike McIntyre)说上的创新．“但如果我是一家公司的产品工程师multi-chip模块我想了解产量和质量问题。我有来自四个不同工厂的模具，在两个不同的地方组装，最终进入一个系统。我唯一可能有效地获得它的地方是聚合数据存储的形式。云为这种数据存储提供了一种技术选择。”

这也是预算紧张的公司提高能力的一种方式，通常只有财力雄厚的大公司才有这种能力。

DR Yield的Rathei表示:“云解决方案最适合小型和无晶圆厂公司。“原因既有经济上的，也有技术上的。作为一家无晶圆厂公司，您的数据是在其他地方生成的——晶圆厂代工厂、外部测试室——并且需要通过网络传输。因此，将所有东西都安装在云中是有意义的。此外，由于规模较小的公司在IT基础设施和IT安全方面的资源往往较少，所有这些都可以外包。”

管理大量数据也不是每个公司都擅长的事情。“并不是所有的客户都有IT专业知识来管理整个供应链上连接的巨大数据量，”阿里巴巴营销副总裁David Park说PDF的解决方案．“通过基于云的解决方案，他们可以将数据管理和计算的所有方面都外包出去。他们可以专注于使用分析。”

通过供应链连接数据为使用基于云的技术进行分析提供了强有力的理由。这种相互关联的数据的巨大规模，以及应用更加复杂的分析工具的明显需求，加强了这种情况。

“随着半导体制造工艺的日益复杂，仅靠简单的统计或启发式算法是不够的。在此过程中收集的数据量正在增加，数据类型不像电压/功率/频率那么简单。需要一个更灵活的数据模型。为了回答这个问题，我们看到了由机器学习驱动的深度数据分析的明显转变，”proteanTecs的Sever说。“为了解决孤立的数据，该行业正在转向云计算，云计算允许运行复杂且不断发展的算法，并支持可扩展的数据模型，可以增长并允许数据类型的通用性。其中包括片上测量，作为通用数据语言通用芯片遥测(UCT)的基础。”

新功能
跨竖井和整个半导体生命周期组合数据是非常复杂的，这就是为什么人们如此关注使用AI/机器学习算法来帮助理解所有这些数据并识别关系和模式。但它也在培育历史上各自为政的公司之间的新关系。

最近，Advantest对PDF Solutions的投资就是一个很好的例子。PDF solutions人工智能解决方案副总裁Jeff David表示:“PDF Exensio平台可以在整个供应链中实现更好的协作。“作为一个主要的ATE供应商，优势带来了他们的云技术、客户关系和巨大的全球足迹。我们把所有这些不同来源的数据汇集在一起。然后，通过与Advantest合作，我们可以部署需要不同时域约束的机器学习模型和各种用例。对于测试设施来说，这些时间限制可以是实时、接近实时或后期处理。”

Synopsys收购Moortec, Siemens收购UltraSoC, National Instruments收购OptimalPlus, Ansys收购Gear Design Solutions都是类似趋势的结果，都是更有效地利用数据。

采用慢
然而，尽管云计算解决方案提供了所有潜在的好处，人们仍然不情愿。分析公司指出，客户的数据安全和数据传输问题是主要原因。

“这主要与数据安全和隐私有关，这是完全有道理的，”Sever说。“在这些过程中收集的制造数据以及质量和可靠性信息，对公司的直接成本、担保和负债等业务方面有直接影响，是他们的关键敏感因素之一。平台供应商需要理解和尊重这一点，但同时建立数据安全和访问控制来减轻这些风险。”

其他人也同意。“这些数据是高度专有和加密的，那么如何连接它们呢?我喜欢把它比作高速公路。”“大数据高速公路目前还没有连接，正在建设中。我们正在建造高速公路连接点。我们不需要看到实际的流量(数据)。我们需要知道所需的交通容量——需要多少交通流量，需要多快的速度，以及它将如何随着时间的推移而演变和增长。”

在这些高速公路建设良好之前，工程师和工程经理对在全球传输大量数据有合理的担忧。这不仅仅是一个安全问题。宽带连接的可靠性和速度也很重要。

并不是所有的工厂都连接得很好，可以将数据从地球的一端传输到另一端。考虑到亚洲和南太平洋的众多测试/组装设施。一个基于TeleGeography的2019年区域间带宽分析报告称，来自南太平洋地区(又名大洋洲)的连接明显比来自亚洲的连接慢。

即使对于非常高带宽的连接，由于数据传输中的最后一英里和第一英里链路，仍然存在对数据可靠性的有效关注。

“当在站点之间传输数据时，要考虑网络连接由多少个网络交换机组成，”Onto的McIntyre说。“总的来说，在大部分转移过程中可能没问题。但是最后一英里和第一英里都是受限的。因此，当涉及到关键任务数据时，这些数据几乎每天都在瞬间运行你的工厂，我真的不认为这些数据会离开工厂。”

其他人分享了关于数据传输可靠性和影响工程师使用数据分析平台可视化的用户体验的看似小的延迟的类似观察。欧洲的产品/质量工程师从亚洲测试设施加载晶圆图时延迟0.5秒似乎很重要。

基于云的解决方案的数据连接缓慢确实促使半导体公司从云转向本地解决方案。Rathei举了一个例子:“客户有来自替代供应商的基于云的解决方案。由于该客户的增长，带宽问题导致该解决方案变得越来越慢，以至于它实际上不再工作。我们通过本地解决方案将他们转移到我们的平台上，现在他们又可以快速访问数据了。”

其他实际考虑
当然情况并非总是如此。拥有高速连接的用户可以受益于超大规模数据中心近乎无限的处理能力。但延迟是某些操作的关键因素。管理IT基础设施成本也是如此。哪个更好取决于特定的应用程序、公司的基础设施、位置以及他们试图解决的特定任务。

“在半导体领域，每一毫秒，甚至微秒都被计算在内，”Advantest的Schaub说。“在现场生产测试期间，我们需要实时操作大量数据，这意味着我们还需要极低延迟的解决方案，可以在整个测试供应链中无缝工作。”

但是，无论是内部部署还是云计算，差异都很大。GlobalFoundries的Partyka表示:“对于像晶圆批次配置这样的实时关键系统，延迟是一个致命因素。”“你不能等待远程计算系统上的数据负载平衡，打开，然后分配批量。你需要在现场，以正确的方式做出反应。”

另一方面，云计算解决方案对于利用机器学习预测模型是有意义的，工程师们希望用最新的数据来更新模型。IT数据管理工程师发现，云按需解决方案的灵活性对于支持激增计算需求极具吸引力。

不过，这也有一个警告。行业分析用户和平台提供商指出，如果不严格管理，云技术的成本可能会飙升。

GlobalFoundries应用智能解决方案高级总监Sunil Narayanan表示:“云收费结构有利有弊。“你有能力在短时间内扩大或缩小规模。差不多只有10分钟。它可以根据计算需求自动伸缩。缺点是，如果你没有一个良好的治理模式，月底的法案可能会让你大吃一惊。”

德州仪器公司的高级技术人员Stacy Ajouri也提出了类似的担忧。“我们必须谨慎使用云服务，因为云服务可能会变得过于昂贵。我们可以使用相当多的数据进行分析。如果你没有正确计算数据和分析的使用模型，成本就会迅速增加。”

结论
云计算解决方案在连接供应链上多个来源的数据时最有意义。这并不总是最具成本效益的解决方案，特别是在考虑到数据传输和存储成本时。此外，并非工厂中所有数据驱动的决策都需要云支持的解决方案分析解决方案。

但人们对云计算的兴趣正在增长。未来本地数据计算/存储解决方案与云支持的数据计算/存储解决方案的比例是未知的，可能很难得出一个数字，因为解决方案可能是两者的混合。尽管如此，这仍然代表着芯片行业的一个重大转变，因为它需要打破数据孤岛，更好地利用整个半导体供应链的数据。

苏珊·兰博对本文也有贡献。

有关的故事

基础设施影响数据分析

Fab和测试数据太多，利用率低

芯片制造中的数据问题越来越多