检验、计量和测试中的人工智能

AI/ML正在渗透到晶圆厂和包装车间的多个流程中，尽管不一定是为了最初的目的。芯片行业才刚刚开始了解人工智能在哪里有意义，在哪里没有意义。

一般来说,人工智能在具有深厚领域专业知识的人手中作为工具效果最好。人工智能可以很好地完成某些事情，特别是在涉及到跨广泛数据集的模式匹配时。在计量，测试和检查在美国，它不如拥有多年经验的工程师有效。但人工智能加上有经验的人在一起，往往会产生比每个人单独能够实现的更好的结果。

“人眼能看到的东西，再多也不能机器学习的CEO苏博德·库尔卡尼说CyberOptics。“这就是现在开始出现一些复杂情况的地方。我们目前的系统使用的是一种原始的人工智能技术。一旦你看了图像，你就会发现一个问题。而我们的人工智能机器看不到这一点。但当你研究深度学习算法时，你会让非常严肃的博士级别的人花一周时间编程一个算法，他们可以检测到所有这些东西。但他们需要一个星期的时间来编写这些程序，这在今天是不现实的。”

这种情况正在开始改变。“我们看到更快的深度学习算法可以更容易地编程，”Kulkarni说。“但这些缺陷也越来越难以被机器发现，因此仍有差距。最大的收益不会来自于改进相机、投影仪或任何我们用来生成光学图像的设备。它将解释光学图像。”

同样的想法也开始应用到其他传统的制造过程中。但对于计量学来说，这仍然需要对何时以及如何使用AI/ML进行微调。

公司计算产品副总裁大卫•弗里德表示:“你希望能够在过程发生时进行控制。林的研究。“你需要实时主动控制过程，以获得正确的结果。您实时看到的唯一数据是该工具生成的数据。如果你有正确的传感器来进行正确的控制，那就太好了。但如果你不这样做，你就只有非原位计量了。你在晶圆加工后测量它。这是很好的信息，但不幸的是，整个过程到此结束。你无法回到过去控制它。”

在测试方面，AI/ML被视为提高覆盖率和提高效率的潜在方法。例如，FormFactor正在使用机器学习。为测试匹配相似的设计。“机器学习已经进入我们的MEMS流程以及我们的设计流程。形状因子。“所以每一个芯片，每一个客户订购的探测卡，都是为他们特定的应用或芯片定制的。能够优化探针卡以满足他们的需求是获得高成品率的关键。我们为这种类型的应用程序或设计应用了一个大型客户数据库，然后他们可以进入我们的库，这个库旨在运行机器学习算法来查找，例如，10个与此匹配的设计。现在，我们的设计工具可以在幕后自动完成这些工作。”

机器学习在什么地方有效，在什么地方无效
不过，在各地使用AI/ML的好处并不总是显而易见的。正在测试的一些新芯片和系统的逻辑中包含AI/ML元素，这使得识别一致的模式更具挑战性。

“如果你考虑系统级测试，你必须开发一个自定义接口来执行系统级测试，但这背后并没有太多的算法智能，”该公司技术和战略副总裁Keith Schaub说美国效果显著。“它启动了，自己运行了一堆测试，然后告诉我们，‘它很好’，或者‘它不好’。“如果现在它嵌入了某种人工智能模型，而这个人工智能模型随着时间的推移而变化，你如何测试它?”所以他们想测试的一件事是是否所有的高速巴士都在工作。他们需要确保内存正常工作。他们需要确保CPU正在与内存通信，它可以传输视频，并正确地保存它，并且所有这些都在B和C发生时工作。他们会预先载入一些特定的期望基于他们期望的特定百分比的准确度。如果它通过了，这个人工智能就是好的。如果没有，他们将通过他们的人工智能向量进行全面跟踪。”

AI/ML适用于所有这些过程的确切位置，以及如何最好地利用它，都在进行中。

现在机器学习的一些基本用途是:

• 晶片检查
• 缺陷检测、分类和预测
• 扫描电子显微镜(SEM)图像去噪

在研发中还有更多，但它们对芯片行业的效果如何还有待时间的证明。

Lam的Fried说:“我们正试图了解在工艺完成后产生的一些非原位测量数据与使用传感器数据和过程信号的机器学习和人工智能算法获得的结果之间的高级相关性。”“也许传感器数据没有理由相互关联或成为迁地计量数据的良好替代品。但有了机器学习和人工智能，我们可以找到隐藏的信号。我们可以确定，在给定的房间里，一些传感器，实际上不应该对过程结果有任何影响，实际上是在测量最终结果。我们正在学习如何解释来自不同传感器的复杂信号，以便我们能够进行实时的现场过程控制，尽管在纸上我们没有一个封闭形式的表达式来解释我们为什么要这样做。”

定义问题
人工智能和机器学习是经常被误用的术语，这给它们的采用增加了另一层混乱。围绕着这些标签有大量的炒作，通常是由营销部门推动的，他们夸大了产品中包含的内容。

微软高级解决方案副总裁Dennis Ciplickas表示:“现在每个人都想使用机器学习这个词PDF的解决方案。“有些人会说机器学习，他们实际上所做的只是在引擎盖下的ax = b。没有涉及神经网络或人工智能算法，但他们将其作为机器学习进行营销。”

人工智能是一个总括性术语，包括使系统模仿某种形式的人类智能的所有部分。机器学习及其子集神经网络深度学习神经网络是人工智能系统的一部分。作为系统中的大脑，机器学习必须经过训练，才能查看数据并进行分类、决策、推荐——即推理。机器学习是动态的。它还必须接受训练，不断地对自己的推理进行调整。机器不需要明确的编程就可以学习。

PDF solutions公司人工智能解决方案副总裁杰夫·大卫(Jeff David)说:“如果你考虑一下机器学习的定义，它包含了很多人们不一定会立即称之为机器学习的东西。”“例如，线性回归。这就是机器学习。20年前我在做线性回归。那时候我还不叫它机器学习。当然，这是一个简单的例子。机器学习变得更加复杂。”

它还跨越多个部门。线性回归通常用于机器学习。它也属于统计学。

上面显示的很多系统eBeam倡议的最近公布的深度学习半导体制造业中的机器学习计划正在使用深度卷积神经网络(dcnn)。“Deep”指的是多层。cnn(卷积神经网络)，RNNs(循环神经网络)和生成对抗神经网络(GANs)也出现在列表中。

例如，日立高科技公司(Hitachi high - tech Corp.)正在使用dcnn来提高图像质量，以在SEM评审中以高灵敏度检测缺陷。NuFlare Technology, Inc有一个使用DCNN的SEM缺陷分类器。Imec使用自编码器神经网络深度学习改进了OPC计量的分类。TASMIT使用RNN和GANs用于半导体晶圆计量和检测系统。西门子EDA在其Calibre Wafer Defect Engineering with Deep Learning中使用向量驱动神经网络进行布局分析和热点检测，通过检测良率限制因素，加快测试芯片开发并提高晶圆厂的良率和可靠性。

KLA的第一个具有AI的过程控制系统是eSL10电子束图案晶圆缺陷检测仪。据该公司称，eSL10使用深度学习算法来发现细微的缺陷信号、模式和过程噪声。

图1:光学临界尺寸(OCD)与基于AI物理的建模相结合，提高计量性能。来源:Onto Innovation

同样，CyberOptics一直在使用机器学习进行晶圆级和先进的包装检测和计量的缺陷检测。CyberOptics公司研发副总裁蒂姆·斯科内斯(Tim Skunes)说:“并非所有的机器学习系统都是平等的。“你希望你的机器学习算法是有效的。你想要快速获得良好的性能。例如，像AI2这样的机器学习算法，通过展示良好/无缺陷的图像或缺陷的图像来进行教学，可以改进流程和产量。操作员可以快速教授然后监控，从结果中学习，并在需要时通过更新训练集来改进和适应。我们设计的机器学习算法是有偏见的，目标是不逃脱，这样就不会有不良产品离开工厂。”

要得到正确的数据和推论是缓慢的
为了避免代价高昂的错误，半导体设备行业及其客户正在谨慎行动。在对这些数据使用机器学习之前，建立训练集并从各种设备上获得干净的数据是最重要的第一步。

自动化可能是劳动密集型的。今天，机器学习算法仍然需要使用标记数据进行训练，”微软营销和应用副总裁Mark Shirey说心理契约。“关于检查，最初，建立分类缺陷库需要投入时间。然而，一旦这样做了，算法在准确性和纯度方面工作得很好。最终，通过产生质量更好的数据，他们减少了识别缺陷源和采取纠正措施所需的时间。看到今天的机器学习算法帮助构建明天的AI芯片是令人兴奋的，我们乐观地认为，无监督机器学习应用将在整个半导体生态系统中继续增长。”

这也需要了解机器学习是否正常工作。

“行业使用培训数据和验证数据集，”Advantest的Schaub说。验证数据集用于检查ML是否正常工作。我们可能不得不建立一个持续的培训和监测过程。流程漂移，这意味着数据漂移，这意味着您需要在流程漂移时持续监视数据并触发再训练。我们知道怎么做。挑战在于要知道要训练多少，以及多长时间再训练一次。在我触发再培训之前有多少漂移?”

在某些情况下，为了取得进展，构建训练数据和获取干净数据必须同时进行。实际上，您需要信任正在生成的数据。

“用户应该始终验证和监控做出这些预测的是什么。这就引出了模型的可解释性，以及为什么这很重要，”PDF的David说。“一旦你训练了一个模型，很多时候——几乎总是如此——你必须理解这个模型是用什么来做决定的。在你训练它之后，某些类型的模型会告诉你某些类型的信息，当它得到预测时，它会使用什么。所以用户看到这个会说，‘哦，这有道理。他说，用户肯定会有一些直觉。这在我们做的很多事情中都是至关重要的。我们实际上花了很多时间来确保我们可以解释我们的预测，以及在此基础上进行大量的研究。”

当谈到使用模型来预测故障发生的位置，以避免进一步昂贵、不必要的测试时，“让我们的客户相信这个模型是非常重要的，”David说。“如果他们不相信，他们就不会部署它，也不会信任它。如果你一直在训练你的模型，它就会有新的输入输入到这个模型中。用户将看到这些内容，并确保他们始终认为这是有意义的。”

由于人工智能专用芯片可能正在为系统提供动力，因此持续收集地面真相非常重要。“我们的深度数据方法是通过跟踪大量路径的时间裕度来持续监控性能，并在它们小于预定义阈值时发出警报，”该公司高级产品总监Nir Sever表示proteanTecs。“此外，我们持续监测芯片的环境，包括电压、温度、电源、时钟网络完整性的影响，当然还有压力。”

确保运行推理的人工智能芯片进行纠正并非易事。Sever说:“这确实是一个真正的挑战，我认为业界仍在努力为这些设备找到良好的测试方法。”“很多事情都是通过模拟完成的，并且假设如果你的设备制造正确，随着时间的推移它仍然会正常工作。老化可能与这一假设相冲突，所以你需要找到方法来监测时间退化，与功能验证分开。”

针对人工智能/毫升
不过，对于晶圆厂和装配厂的某些工艺来说，这项技术被证明是有用的。

该公司高级包装开发与集成副总裁迈克·凯利表示:“人工智能学习一些东西真的很好安靠。“在一个非常简单的层面上，这就像最小二乘优化。但这是统计数据。它的好坏取决于用于驱动它的统计数据和数据集。它看起来仍然会是一个非常棒的优化工具，用于管理热点或时钟中的相移等可以动态优化的东西。”

目前尚不清楚的是在哪里划定界限。

PDF的Ciplickas说:“系统级设计是关于理解各个部分的性能，理解它们的可变性，它们在什么范围内，并确保它们都以一种与最终目标兼容的方式连接在一起。”“这决定了你在芯片中植入什么，如何测量，测量工具的能力是什么，以及产生什么类型的数据。你的分析系统有多大的能力来处理所有这些来得到最终的表征结果?你必须关注每一个单独的组成部分。它能做什么?它的规格和变化是什么?然后，它们是否都能构成你的大蓝图?”

当然，好的数据越多，结果就越好。

“通常在大公司，你有很多关于失败的数据。你也会看到故障只发生一两次，”Andy Heinig说，该部门主管高效电子弗劳恩霍夫IIS的自适应系统工程部。“在这一点上，要找到相关性，你真的可以使用人工智能。但问题是，你可能会发现非常好的相关性，但通常你找不到根本原因，因为人工智能无法帮助你找到根本原因。只有相关性。这很有帮助，但是你需要大量的数据。当你出现故障时，你有数千张来自同一故障或同一设备的图片，然后你就会看到一些相关性。”

来自产量管理数据仪表板的帮助
最后，一切都归结为干净的数据。数据越干净越好

“现实地说，这是整个AI系统出错的主要原因之一，”David说。“这不仅仅是机器学习的部分。你必须确保你的数据确实在那里。”

测试数据的仪表板承诺，如果数据足够干净，将使产量工程师和项目经理的工作更加轻松。这些仪表板还可以提供一个强制的干净数据点，因为它们吸收了生产和测试中所有点的数据，使可操作的机器学习成为可能。

其中一些涉及产量和生命周期管理，预计将有越来越多的机器学习技术。Synopsys有一个灵活的分析仪表板工具，可以从生产和测试设备中获取所有数据，并以可视化的方式呈现。这很有帮助，因为人脑可以快速发现视觉数据中的模式。

人工智能的应用也在向其他领域扩散。Lavorro Inc.正在开发一款AI/ ml驱动的半导体制造智能机器人，该机器人使用PDF Solutions的平台将数据填充其仪表板。Cimetrix Sapience是通用数据收集接口和数据分发网络，支持工厂车间的混合设备。

不过，理解这些数据仍然具有挑战性。一些人质疑半导体制造过程中产生的数据是否需要压缩到模型中。

Lam Research的设备智能副总裁Jason Shields说:“构建所描述的模型类型需要四件事——处理高密度数据的能力，设备知识，将大量数据减少到更小集的数据科学专业知识，以及构建与终端指标相关的模型的软件能力。”“大数据和机器学习的机遇需要工艺设备供应商和设备制造商之间的密切合作，以实施解决方案来实现这些结果。工艺设备供应商通过其设备提供大数据管理，以及调整数据并实现数据减少的专有技术。设备制造商提供终端结果。实现相关性的软件通常由设备制造商提供，因为他们将优化其设备解决方案的性能。到目前为止，第三方或客户驱动的解决方案还无法实现与设备供应商模型相似的性能水平，因为他们缺乏足够大的设备数据集或有效减少数据的专业知识。”

结论
使用机器学习技术的人工智能系统现在被用于半导体的检测、计量和测试。最后，随着芯片行业越来越熟悉如何应用、调整和维护机器学习，这些智能系统可能有助于加快检查、计量和测试工作负载。

“设备制造商正在增加对大数据管理和数据科学团队的投资，以开发在线模型，以评估每个晶圆的质量，”Shields说。“工艺设备供应商正在与设备制造商合作，使预测设备模型能够以与传统计量方法相同或更低的风险和成本提供所需的晶圆质量。”

除此之外，工程师还需要学习如何最好地利用和应用这项技术。这可能是更大的问题。

- Anne Meixner对本文也有贡献。