芯片制造中的数据问题越来越多

对于产量管理系统，“垃圾输入/垃圾输出”这句古老的计算格言仍然是正确的。对齐和清理数据仍然是一件肮脏的事情。

随着半导体供应链中数据价值的增加，现在基本上有两条并行运行的供应链。一个涉及正在创建的物理产品，而另一个包括与每个工艺步骤和制造设施相关的数据。为了取得成功，芯片制造商需要对两者进行严格管理。

在晶圆、组装和测试制造工厂，数据可以在产品测试程序、步骤和设施之间进行对齐。一旦完成，就可以通过数据管理基础设施中的检查、修复和警报来管理这种对齐。每当数据看起来有问题时，系统就会保存它，以便工程师检查它并确定原因。

对于希望从半导体数据中提取信息的工程师或数据科学家来说，数据争执(获得要分析的干净数据)可能会耗费大量时间。在某些情况下，它会占用他们80%到90%的时间。精简这一程序的努力已经进行了近20年。最初的目标是制造过程的前端，但最近注意力转移到晶圆测试、组装和最终测试的后端。

后端仍然是半导体领域最不为人所知的领域数据分析这在很大程度上是因为这是一项涉及数据生成器的繁琐工作。对于数据科学家来说，令人兴奋的事情包括分析、自适应流程和建立在数据基础上的预测模型。

Exensio解决方案主管Greg Prewitt表示:“人们还没有很好地理解整个供应链数据对齐的复杂性和解决方法。PDF的解决方案．“设备的谱系和各自的数据对复杂ML模型的训练很重要。复杂性包括在不同步骤使用不同标识符，以及反向BOM(物料清单，一个单元到多个设备)和BOM(多个设备到一个单元)。”

最大的挑战之一涉及测试设备和组装设备如何存储数据的差异。该公司技术和战略副总裁Keith Schaub表示:“在后台流程中，一个插入到另一个插入的数据可能有不同的格式，这使得它很难在其他插入之间使用效果显著美国。“我们正在做的最大的事情是允许数据在多个测试插入中使用，并最终在整个测试生命周期中使用。”

其他人报告也看到了同样的问题。“只是缺乏测试单元和测试程序数据的通用数据格式，”公司产品营销副总裁Shai Eisen说proteanTecs．“如果这个行业能达成共同的结构，这将有所帮助。数据也有技术限制。仅仅是数据的解析、转换和增强以及数据的清理就非常耗费资源和时间。这不仅仅是一个常见的数据结构。关键在于你读什么，你如何阅读和存储它，你如何格式化它，以及你如何使用它。”

如今，工程团队正在花费精力调整和修复后端产生的制造数据。虽然这不是一个技术障碍，但如果做错了，可能会使数据无法使用。这是IT世界中主数据概念背后的动力，开发主数据是为了处理企业级业务系统中孤立的和不一致的数据。该过程包括确定特定类型信息的主要来源，指定相关数据的责任人，并建立数据维护程序。

为什么测试和组装数据没有对齐
不过，事实证明，将这一概念应用于半导体制造业更为困难。

英特尔软件产品管理总监迈克•麦金太尔(Mike McIntyre)表示:“在当今半导体制造领域，有两个主要驱动因素破坏了数据的衔接和对齐。上的创新．“第一种情况发生在材料或材料的某些组成部分在公司之间转移时。当没有足够的自动化来支持设备及其数据生成和收集需求时，就会出现主数据实践中的第二次中断。”

从没有图案的晶圆到最终封装的晶圆之间，实际上有数百个工艺步骤。其中每一项本身都很复杂，这使得管理数据成为一项艰巨的任务。最重要的是，代工模型在设计和制造过程之间设置了边界。虽然idm可能在某些领域具有优势，但它们也外包了一些制造步骤。

更让人困惑的是，工厂在命名惯例和操作惯例上有所不同。有时，这种情况只存在于同一家公司内部，而反复的收购往往会使这个问题变得更糟。

图1:2017年无晶圆厂/代工数据供应链来源:Global Foundries

更多的问题源于产生测试程序的遗留设备。由于几个原因，在旧的组装和测试设施中比晶圆探头更难对齐数据。首先，他们有更多的资料可以追踪。其次，后端操作在整个物料流中有更多不同的步骤，因此在数据正确性、清洁度和对齐方面有更多的问题。第三，遗留设备和工厂自动化程度较低导致了所有这些问题。

由于他们的业务性质，高混合/低容量设施在数据对齐方面面临更大的挑战，因为产品之间的数据一致性较低。每个产品都有一个由不同工程师编写的独特的测试程序，并且通常在测试单元设置、ATE、加载板和处理程序方面有所不同。一天之内，单个测试单元的位置可能会改变三到四次。

不连续的数据阻碍了产量工程师对整个供应链的分析。它还阻碍了产品工程师使用自适应测试流的能力。

“我们如何识别数据库键，以正确地将数据从一个进程链接到下一个进程?”尽管软件公司大肆宣传，但这很少是一种直接的做法。银河半导体．“了解哪些产品在哪些机器上处理，对应哪些流程数据是一项艰巨的任务。通常唯一可用来链接数据的键是时间戳。”

对齐数据很乏味
没有人可以避免纠正数据对齐问题的繁琐工作。它需要不同的利益相关者在同一个房间里。这种努力可以用几周或几个月来衡量。

麦金太尔说:“在许多情况下，这些人不在同一个部门，甚至不在同一个办公室。“同样重要的是，一开始要有对准数据的目标或目标。在最好的情况下，一个充满错位的工厂可以在几周内解决。在某些情况下，需要几个月或几个季度才能解决。”

计划中的对齐通常需要预先付出更多的努力。迈克尔•Schuldenfrei倪一位研究员与一位大客户分享了早期的数据对齐练习:“从某一天开始，他们实际上为所有新产品制定了一套指令，以确保数据记录的一致性。我们与他们坐在一个字段的基础上，建立规则，以捕捉每个可能在接受格式之外或相关查找之外发生变化的值。”

尽管有了新的规定，但这些数据并不总是达到所需水平的一致性。这导致产品组对现有发布的测试程序进行更改。Schuldenfrei说:“这是一个非常乏味的问题，因为你在游戏中发现得太晚了。“最终，他们开始以开发测试程序的方式集成流程，以确保在发布测试程序时，它已经满足了数据记录的规则。”

暂停数据文件
产量管理系统添加自动化来管理客户主数据。如前所述，在对每个字段中的有效数据进行编码和检查是否发送了正确的文件方面进行了大量投资。当数据不正确时，就会触发警报。

绝大多数的对准，一旦基本的初始工作完成，就可以通过自动化进行监测和控制。尽管如此，当你有一家无晶圆厂公司，供应链上有多个分包商时，要建立它并不简单。弄清楚所有的错位和为什么会发生这些需要时间。

“通常情况下，对于大客户(数以百万计的晶圆，数百种产品)，我们需要大约两个月的时间来完成学习过程，”矽晶圆生命周期管理分析总监保罗西蒙说Synopsys对此．“然后我们有非常干净的数据，只有0.5%左右的数据被保留，我们可以手动处理。在我们的YMS平台中，我们有一个客户看不到的数据集成平台。它清除了所有的数据问题。对于每一个产品，我们都建立了数据库，这样在数据进入数据库之前，我们会检查数据的完整性和准确性。如果出现问题，数据集成平台会自动修复数据。如果我们不能自动修复它，那么这些数据就会被搁置。工程师试图确定数据问题的根本原因，然后更新数据和解决方案，以反映应该如何处理这个特定的数据问题。”

Simon指出，在这个学习过程中，工程师可以找到不良数据的根本原因，并将其发送给数据供应商，以便他们进行修复。这可能包括输入错误的批号，接收错误或不完整的文件，以及丢失测试数据。

但是由于遗留系统的原因，并不是所有的数据问题都可以修复，所以工程师们不会使用这些数据。当涉及到根据生产数据做出决策时，不完全准确的数据胜过完全不准确的数据。

改进数据对齐
工厂测试步骤之间以及制造和产品组之间的数据属性映射通常发生在事后。产品、工厂和IT工程组织也可以通过调整数据、业务和操作流程来预先解决这个问题。

材料标识符标准在这里有所帮助。Amkor自动化团队成员DeukYong Yun表示:“一个典型的挑战是缺乏通用的数据模式来有效地协调数据和构建唯一的标识符安靠．“我们正在使用SEMI标准。例如，E142有基片映射的规范，但没有定义材料。我们预计这一标准将很快得到更新，以适应现代半导体单元级可追溯性(ULT)需求。”

当集中于工厂或产品组业务流程(又名操作实践)时，工程团队需要考虑更精简的流程——步骤更少，更简单。GlobalFoundries的一位经理分享了他最近在各个工厂之间比较和调整数据的经验，以及共享bkm的自然尝试。

“你想带来你的BKM，但业务流程并不总是一样的，”BKM应用智能解决方案高级总监苏尼尔•纳拉亚南(Sunil Narayanan)表示GlobalFoundries．“除非你在很大程度上与基本业务流程保持一致，否则从技术上讲，你只能在标准化方面付出这么多努力。”

对齐提供了在自动化或进行自动化改进之前进行简化的机会，这很重要。Narayanan说:“否则，如果你试图在标准化之前实现自动化，你就会把问题从业务方面转移到技术方面。”“这意味着你需要继续修复它。你已经增加了技术债务的数量。”

然而，由于工厂中的多个数据源产生了大量的数据——在晶圆厂中每天产生pb字节的数据——您如何首先确定您的主数据问题在哪里?

他说:“在过去几年里，我们一直强调主数据管理。”“我们有一个单独的组织图表，但当数据量如此之高时，一个组织无法单独解决这个问题。我们的数据分散在多个域和各种数据存储系统中。单个组织无法解决我们的MDM挑战，除非他们有工具来显示问题在哪里，以及哪里出了问题?我们正在进行一项名为数据编目的重大计划。通过利用技术，我们正试图将其中许多事情自动化，这些事情将清楚地显示数据沿袭，数据起源于哪里，数据注入发生在哪里，以及数据结束在哪里。”

总结
半导体制造业继续在主数据管理方面取得进展，并为需要解决良率偏差、质量问题和设备问题的工程师提供更清洁的数据。剩下的挑战更多的是操作上的，而不是技术上的。尽管如此，分析和自动化专业人士普遍认为，更多的标准化将有助于该行业。这可能包括测试数据标准，工厂自动化标准，以及更好的工程规程，以简化操作，并就术语达成一致。这种情况发生得越多，对齐数据的负担就越轻。

与此同时，当一家无晶圆厂公司或工厂引入良率管理系统时，一致性揭示了他们对失调的贡献。Schuldenfrei说:“当你推出一个系统时，客户开始意识到他们在调整数据时遇到的问题。“这往往会促使他们投入一些项目，以改善他们在事实发生前的一致性。他们开始明白，只要他们在之前把调整事情作为流程的一部分，他们可以做更多的事情，可以创造更多的价值。”

产量管理系统和制造自动化解决方案可以通过支持主数据系统、数据可视化和预测模型来支持工程团队。没有完整、准确和一致的数据，预测模型无法很好地发挥作用。对齐数据的工作需要对主数据管理过程进行艰苦的检查工作。

有关的故事
汽车芯片对可追溯性的需求
要想达到更高的ADAS水平，需要了解制造过程的每一步。
基础设施影响数据分析
收集制造数据只是问题的一部分。有效地管理这些数据对于机器学习的分析和应用至关重要。
Fab和测试数据太多，利用率低
目前，收集到的数据的增长已经超过了工程师分析所有数据的能力。
电子供应链信任标准出现
碎片化仍然很猖獗，但也有进步的迹象。