在某些情况下，集成多种类型的数据是可能的，但仍然不容易。
制造过程的每一步都在收集更多的数据，从而提高了以新方式组合数据来解决工程问题的可能性。但这远不是一件简单的事，把结果结合起来并不总是可能的。
半导体行业对数据的渴求催生了它的海洋从制造过程。此外，大大小小的半导体设计现在都有芯片电路，这为这些数据海洋提供了额外的电测试信息。工程团队需要管理这些海量的数据，他们需要方便不同的工程团队使用这些数据。
与过去相比，更多的数据可以连接在一起，但不是所有的数据，也不是100%的数据。即使在可能的情况下，它通常也需要预先的、协调一致的工程工作。对于任何一个产品，将所有数据源连接到一个系统或模型中对于日常工程来说不一定是实际的或必要的。
CMOS技术的复杂性增加了制造过程中收集的数据的数量和类型。在大多数情况下，工程师以孤立的方式使用这些数据，特别是在晶圆制造、组装过程和相关的测试过程中。为了应对先进CMOS工艺节点(22nm及以下)的挑战，工程师们越来越多地转向合并不同类型的数据，以满足产量和质量目标。例子包括:
“长期以来，人们一直渴望将许多多方面的数据源结合起来。有许多不同的数据源可用来分析和获得更高质量的结果之间有直接的关联，因为有更多的数据可以关联在一起，以帮助隔离问题，”谷歌数字设计组的产品营销经理Guy Cortez说Synopsys对此．“然而，阻碍客户的是他们无法收集所有不同的数据——如果他们有数据，也不知道如何在合理的时间内解析、对齐、规范化、合并和堆叠数据。”
On-die监控器在安全和关键任务应用中越来越普遍，在这些应用中，设备预计将在更长的寿命内持续运行，这只会增加生成的数据量。
Tessent公司硅生命周期解决方案投资组合策略高级总监Aileen Ryan表示:“当我们实施硅生命周期解决方案时，数据管理的问题非常现实西门子EDA．“现在有很多数据来源。制造过程(包括制造试验)是其中之一。但是，嵌入式芯片中的功能、结构和参数监控器也可以在最初的启动和调试阶段收集信息，并在芯片的整个生命周期中收集信息。”
这种组合不同数据源的趋势也可以在成熟技术中观察到，这些技术通常具有较低的asp。在这些技术中，结合不同的数据源使工程师能够更快速地响应良率变化，并在最终测试中额外挤压2%至3%的良率。在先进和成熟的包装技术中都可以观察到同样的相似之处。
“先进的制造设施已经为改善运营而整合数据超过25年。对于成功的制造工厂来说，这并不是什么新鲜事。近年来，由于性能的变化和大型数据库架构功能的进步，这种活动已经成为主流。上的创新．“由于这些数据库现在可以超过100或200 tb，它们仍然可以有效地及时检索所请求的数据。在数据进入数据库之前，帮助处理和清理数据的工具，以及普通用户可以导航访问这些数据的界面，已经帮助这些大型数据存储变得更有价值。”
信息和智能制造技术推动者
工程师总是看重更多的数据，但它需要有背景来支持实时决策，也需要在创建几个月甚至几年后做出决定。数据存储和数据库体系结构为工程查询提供了基础。计算选项紧随其后，它们需要考虑所做决策的类型。
这些决策从简单到复杂，后者提高了对计算架构的要求。像统计过程控制图和良率仪表板这样的标准分析，分别有助于对工厂运营和产品健康状况的一般监控。将大量的测试数据结合到晶圆图中，然后允许钻取来识别异常和刀具历史特征。
二十多年来，工程团队一直依赖于机器学习用于晶圆和封装检查．但是，连接更多样化的数据集的前景——检验、晶圆测试、单元测试、刀具历史——促使工程师和工程师数据分析平台供应商利用深度学习计算深入数据海洋。
为了满足高质量和可靠性的期望，100%的检测正在扩展到更多的晶圆层和组装加工步骤。这导致要管理和使用的数据显著增加。传统上，工程师们使用这些数据作为特定设备和处理步骤的反馈。现在他们正在为一些应用程序前馈检查数据，以增强测试中的通过/失败决策。
数据泛滥的另一个原因是采用了物联网以及随后的物联网传感器数据流。这可以实时处理数据，从而对感知到的异常做出实时反应。
“在晶圆前端工程工艺(如蚀刻、沉积、原子层沉积)中，嵌入式设备有更多的能力，这使得计算资源可以直接应用于数据处理、流媒体和集成。它可以在本地发生，或在生成数据的仪器附近发生，或在稍微更远的地方聚集在一起，”Eli Roth智能制造产品经理说Teradyne．改进的带宽和边缘计算能力支持流分析。时间序列分析，与流程或流中不同实体的集成，使连接和推断能够被识别。规范分析将所有这些新的相互关联的数据转化为可操作的情报。”
连接不同数据的关键是工厂设置中的集成。
Exensio解决方案主管Greg Prewitt表示:“使我们的客户能够接受端到端产品数据的重大变化是工厂集成，具有更强的工具/设备连接性，更复杂的设备和测试人员可以生成更多数据，以及大规模可扩展的基于云的分析解决方案，该解决方案提供更低的每tb数据存储成本，具有更高的性能存储和数据检索，以实现更快的分析。PDF的解决方案．
在组装和测试服务的后端，工程团队还可以从物联网实时传感器数据中获益，以调整下游设备。使用数据可视化检查来自数百个测试单元的测试层的数据可以减轻识别低效率的负担。所有这些都需要在存储、网络和计算的IT基础设施上进行更多的投资。
“容器、Kubernetes、人工智能算法以及带有传感器的连接设备和设备是最近的关键技术进步，”华为全球测试服务副总裁George Harris指出安靠．“数据传输和更高的计算架构(在源、边缘、数据中心和云)以及专用处理器(cpu、dsp和gpu)和内存/存储的出现，对于移动和处理指数级增长的数据至关重要。”
云存储、云计算和机器学习对于处理来自不同数据源的海量数据是必要的。
“最重要的是云托管的数据分析平台，它可以将来自多个来源、站点和地理位置的深度数据上传到一个连贯且可扩展的数据湖。然后，机器学习是处理并从这些大型数据集中产生有意义和可操作的见解的最佳方式，”公司产品营销高级总监Nir Sever说proteanTecs．“最佳的方法是在生成数据时首先知道要寻找什么。如果在提取数据时考虑到分析，就会对手头的问题提供更连贯的描述。”
其他人也认为有必要在提取数据时考虑到分析。Onto Innovation应用经理Melvin Lee Wei Heng表示:“随着数据规模的增长，特定数据类型的标记变得至关重要。”“随着数据规模的增长，数据标签引用数据的准确性和速度变得非常重要。在未来收集数据时，接近实时的数据处理可能会成为一种规范。”
数据组合的挑战
计算体系结构、数据库结构和数据存储技术的最新进展使不同数据类型的组合成为可能。但要完全实现这一目标，仍存在操作障碍。两个常见的问题是组装设备中缺乏标准化的数据格式和缺乏对现有数据格式的遵从性STDFate生成的数据的格式。此外，半导体器件供应链的碎片化使得利用不同来源的数据变得复杂。
这些问题是可以克服的，但必须进行繁琐的工程工作。虽然存在一些从晶圆厂、组装和测试设备移植数据的标准，但没有命名约定的标准(也就是数据治理)。
“一个关键的挑战是数据命名能力。例如，有人称之为WAT(晶圆验收测试)，有人称之为WET(晶圆电气测试)，还有人称之为SST(抄写结构测试)，”Onto的李伟恒说。此外，数据格式结构也是一个重大挑战。随着后端包装在供应链中变得越来越重要，仍然没有标准格式的数据结构。我们目前在市场上观察到的是，许多公司都在挣扎于不同格式的输出，这些输出来自后端包装世界中可用的大量设备。在将数据加载到数据库结构之前，解析和格式化数据成为一项常见的必要任务。”
一个经常被忽略的挑战是，没有一个工程师或工程团队能够理解存储在本地或云端的所有数据。在代工/无晶圆厂模式中尤其如此。考虑到对于任何设计公司来说，一个IC设备可能至少有两个代工厂和两个osat制造他们的产品。由于数据治理问题和数据安全问题，调整这些工厂之间的数据，以便设计公司可以查看整体情况，这是一个操作障碍。
“关键挑战之一是行业的解体以及向代工流程的转变。在这些情况下，不同的各方拥有工具，这些工具是数据的来源，而不是多年前主导的IDM模型中的所有东西都在‘一个屋檐下’，”Ken Butler战略业务创建经理指出美国效果显著．“这些新的边界使得整合来自不同参与者的数据源，同时仍然维护每个人的信息安全和知识产权变得更具挑战性。”
虽然无晶圆厂/代工生态系统继续表现出严密保护工艺和设计IP的紧张状态，但这种情况正在开始改变。
“idm具有固有的优势，在设计、制造和测试领域共享数据的障碍更少。心理契约．“但对于晶圆代工厂来说，有一个巨大的动机，那就是找到一条以适当粒度级别共享数据的路径，以保护他们的工艺IP，但这允许测试工程师更好地为每个入厂设备选择适当的测试方案，以减少低可靠性的模具泄漏到现场的发生率。”
结论
工程师从连接半导体制造供应链上的不同数据源中受益。以新的方式组合数据有助于他们提高质量和产量，同时降低制造成本。
目前存在连接多个数据源的分析平台。然而，管理半导体器件制造数据的海洋仍然是一项艰巨的任务。这并不是因为工程师们没有存储和组织数据的技术。更重要的原因是，连接数据需要领域专业知识来确定要相互连接哪些数据源。除此之外，还有数据治理问题和数据安全问题，这阻碍了工程师有效地连接不同的数据类型。因此，不同数据类型的集成并不总是顺利的，但工程团队坚持不懈地努力实现这些连接。
“数据带来知识，知识带来有效解决问题的能力，”Onto的麦金太尔说。“从根本上说，这就是驱动我们的客户将最初高度不同的数据合并到一个有组织的数据存储库中的动机。如果没有这些数据的组合，工厂的工程师在解决日常问题时会受到阻碍。”
相关故事:
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。
芯片制造中的数据问题越来越多
主数据实践使产品工程师和工厂IT工程师能够处理各种数据类型和质量。
云与内部分析
并非所有的数据分析都将转移到云端，但这一想法本身就代表了一种根本性的变化。
用更好的数据使测试透明
新的测试数据标准如何使测试地板更易于实时访问。
大数据的巨大转变
为什么云计算和边缘计算的发展以及更多数据的处理将对半导体设计和制造产生深远的影响。
|
|
|
|
|
|
|
|
|
|
留下回复