建立和有效使用分析需要一个专家团队。
在描述数据分析平台的数据输入和输出的幻灯片背后，隐藏着提高晶圆厂产量的复杂性、努力和专业知识。
随着半导体器件收集的数据海啸，晶圆厂需要具有领域专业知识的工程师来有效地管理数据并正确地从数据中学习。天真地分析一个数据集可能会得到一个无趣的答案，它可能会让工程师们争先恐后地解决一个不存在的问题，这是对时间和资源的浪费。
虽然数据存储成本仍然很低，但将所有原始数据移植到一个数据分析计算既不有效也不可取。即使是最简单的分析，分析平台的过程也必须是可靠的，并且需要对数据进行对齐。只有专家团队拥有正确编码和存储数据的集体和细致入微的知识，以促进复杂的分析用例。
设备可追溯性的提高为整个供应链的学习提供了前景，从而创建模型来预测产量偏差并识别潜在的质量事故。要自信而迅速地做到这一点，工程师需要具备制造设备、测试测量、模具监视器和系统数据方面的内容知识。这还需要工程师了解数据管道流程和用例，以构建为数据分析引擎提供动力所需的底层数据结构。
由于缺乏知识，数据分析的误用案例存在于半导体供应链的各个环节。两个例子:
那么如何才能成功地利用数据呢?考虑一个晶圆厂，所有的SPC指标在控制下运行，但有影响的良率偏差。数据分析团队分析了所有数据，确定了5000多个参数，这些参数显示出与产量波动之间的相关性，乍一看并不明显。要想将这些排名降至前10位，需要半导体工艺方面的专业知识。数据科学家根本不知道该忽略哪些。为此，你需要半导体工艺和设计专家。
所需的领域专业知识类型
当然，一个工程师不可能知道从工厂到现场应用的所有设计和制造数据。
“如果我们说有一位了解所有这些因素的专家，那将是在帮倒忙。你在任何一个领域都能找到专家，这并不罕见，”软件产品管理总监迈克·麦金太尔(Mike McIntyre)说上的创新．“但要找到一个涵盖所有这些领域的专家，可能是不存在的。在最好的情况下，你可能会发现一些人在一个领域或两个领域是专家，对其他领域有短暂的熟悉和理解。”
但这种短暂的熟悉迟早会派上用场。“成为领域专家的一部分是要意识到你在哪些领域不是专家，并了解你的知识的保真度在哪些方面开始下降，”Digital & Signoff集团的产品管理部门主管Rob Knoth说节奏．“拥有领域专家是有价值的，但你必须真正意识到什么时候你需要其他领域专家与你合作。这比你单枪匹马要更好地解决问题。”
简单地说，需要一个领域专家团队来正确地建立数据分析平台以获得成功。Joe Pong，高级顾问分析师公司的IT团队的负责人描述了实现这一成功所需的主要领域。“根据我们的经验，一个成功的大数据项目，三个角色/专家是至关重要的，”他说。首先，终端用户(通常是工程师)，也就是项目的消费者，可以为公司提供用例、价值(利益)和指导。其次，数据科学家可以通过复杂的统计图表帮助设计和探索数据的洞察力。最后但并非最不重要的是，IT专家将设计和实施数据管道和计算架构，以确保项目的性能是可接受的，并保留足够的数据。”
图1:基础领域专业知识是高效数据分析操作背后的燃料。资料来源:A. Meixner/半导体工程
理解各种用例可以进一步深入了解工程师为支持成功实现所带来的专业知识的广度和深度。
“你需要来自每个领域的多人，”英特尔公司硅生命周期分析小组主管保罗·西蒙(Paul Simon)说Synopsys对此．“在我们的案例中，这包括制造、设计、测试、组装和芯片数据的现场。所以所有的数据都有非常不同的结构。它有不同的方式进入我们的系统，不同的方式被收集，不同的内容。例如，您希望通过传感器获得芯片上的可观察性。您需要定义数据如何在分析系统中结束，以便与制造或诊断数据相关联。这需要了解片上传感器和相关数据的人员。接下来，您需要了解如何在存储数据之前有效地执行数据摄取的人员。然后是数据模型或数据库专业知识，即如何存储数据，在什么表中，什么特定的数据库类型。永远不会只有一个数据库。 Naturally, for different technologies we have different databases to handle different kinds of use cases or different requirements that we have for the data.”
这种特定的数据非常关键。“我们关注某些类型的问题，我们正在设计算法来解决这些问题，”微软的产品营销高级总监马克·赫特纳(Marc Hutner)说proteanTecs．“从本质上讲，我们在电路IP和算法之间共同设计。为此，我们有一个由机器学习和数据库专家组成的小组。然后，我们还有设计IP生成专家。我们的价值在于将IP设计专家与ML专家与数据库专家结合起来，为这些问题创建特定的分析解决方案。”
每一件设备都需要深厚的知识。智能制造产品经理Eli Roth表示:“当你从ATE公司购买测试设备时，你也购买了如何使用和应用它的专业知识Teradyne．“我们可以与客户合作，突出测试中的相关内容，帮助他们建立联系和洞察，以及测试设备中可以产生有用信号的独特之处。此外，作为ATE专家，我们知道如何实时或接近实时地从系统中取出东西。如果他们想要数据来控制我们的测试人员，他们不知道所有的控制旋钮。我们的知识在这方面帮助了他们。”
图2:设计和制造每一步的专业知识都在一个设计良好的数据分析平台中捆绑在一起。资料来源:A. Meixner/Semiconductor Engineering
连接数据点
虽然各个部分是至关重要的，但成功地使用和解释从制造到现场数据源的分析需要工程师/用户拥有一个整体的图像。换句话说，你需要一个多面手。
“‘领域专家’一词在某种程度上被滥用了。西门子EDA．“在我看来，这意味着能够理解从架构到实现，从验证到验证和现场使用的设计范围。你需要与所有这些事物保持联系。只有一个领域专家只是一个验证工程师，或者只知道如何编码RTL，仅此而已，这是不够的。你需要有人了解所有这些数据的来源，以及如何使用这些数据。”
其他人也同意。Onto的McIntyre说:“通常情况下，将数据拼凑在一起仍然高度依赖于那些了解内容以及这些不同数据领域是如何组合在一起的人。”“在未来的市场中，从连接方面来看，多面手是有价值的。他们不需要成为任何一个领域的专家。但在更广阔的空间拥有功能性知识，可以让他们提出正确的问题或嗅出错误的信号。”
但这不仅仅是关于设计或制造的内容专业知识。了解数据操作和IT系统的工程师也是关键。
“在不同测试插入的数据如何影响模型和数据分析方面，Advantest积累了丰富的经验和专业知识。我们可以举出几个用例来突出这一领域，”该公司技术和战略副总裁Keith Schaub说美国效果显著．“我们正在内部以及与专注于该领域的几家客户和外部合作伙伴一起构建模型。Advantest在IT、自动化流程方面拥有专业知识，因为我们在整个晶圆分类和OSAT生态系统中工作，该生态系统具有定制的IT要求。”
半导体的设计和制造只会变得更加复杂，价值之间的相互作用需要领域专业知识。当连接来自多个来源的测量时，工程师必须了解建模什么以及如何建模，同时知道应该从这些测量中存储哪些事件数据。
McIntyre说:“追踪单变量效应很容易。”“追踪多变量效应要困难得多。考虑这个场景:我可以有一个窄的金属1，但它仍然在规格中，所以我的产品应该是好的。但这种材料碰巧也得到一个狭窄的金属2，也在我的规格，不幸的是，这个产品也得到一个狭窄的金属3。同样，从线宽的角度来看，所有三个单独的层都在规范和控制中。但是三层都很薄的累积效应导致了失败。故障可能与时间有关，可能与功率密度有关，可能与电迁移有关。但关键是，这是三件事情的累积效应，它们各自都在控制之中。如果金属是正常的，或者金属是脂肪的，我就不会看到这种效果。”
物理层面的理解指导着重要数据的选择。
“从物理学的角度来看，你选择了正确的反应。然后，您可以通过工艺的不同阶段来观察这种响应-早在E-test，然后是晶圆探针，最终测试，老化，最终在现场，”Andrzej Strojwas说PDF的解决方案．“你现在有了使用模上传感器的技术。这就是你需要理解指导下的物理原理，选择正确的参数并设计一个传感器来观察它。”
在任何测量中，工程师都发现保存测量所处的环境的价值。
“这真的很复杂，尤其是在测试方面，”proteanTecs的Hutner说。“你想要记录所有这些其他情况，以及关于你为什么这样做决定的信息。在过去，这一点没有被很好地捕捉到——如果有的话。所以它通常是没有上下文的单个测试值。如果你在测量时没有将其他数据、元数据连接起来，那么在事后找出应该包括哪些数据是非常具有挑战性的。”
数据洞察力的重要性
理解用例很重要，因为它决定了所需的数据、数据源之间的关系，以及可以从中获得的重要见解。否则，数据关系的创建和数据的存储方式对您想要回答的问题没有任何价值。
“我们现在将这些产品命名为测试和嵌入式分析。我们有一系列嵌入芯片的监控器，基本上它们可以在芯片的整个生命周期内收集数据，”西门子EDA Tessent硅生命周期解决方案投资组合策略高级总监Aileen Ryan说。“在它们生命周期的不同阶段，不同类型的数据对你来说将是有用和有趣的。我们与客户合作所面临的真正挑战之一，是如何相互理解哪些数据是必要的。你可以收集大量的数据，但最终，这意味着什么?它真的有用吗?老实说，如果你只是吸收所有的数据，并希望它在未来的某个时候有用，那你就没有业务了。”
例如，考虑5G系统的设计。Panesar说:“设计基本基带设计的人不知道互连是如何工作的，也不知道飞行中未完成的事务如何影响整个终端系统。”“收集原始功能数据对做基带的人来说毫无意义。他们希望将这些数字转化为对他们有意义的东西。”
内容和数据库专家可以共同决定如何存储数据，从而提高效率。
“你测试一块晶圆，会得到一个14兆字节的数据文件，其中包含参数数据、功能数据、分箱数据等。测试数据的数据结构与晶圆厂设备传感器数据完全不同。”“数据科学家和数据建模工程师会说，‘好吧，我们不会存储每一毫秒。我们只存储它的摘要。’但随后你需要领域专家参与，以确保这个总结实际上涵盖了你想要分析支持的用例。”
斯特罗瓦斯对此表示赞同，他指出，有时重要的不是绝对值，而是曲线的形状。“我永远不会想要存储设备传感器的整个时间序列，因为那将是昂贵的。但我们也有一些出乎意料的例子，比如快速热退火(RTA)过程。当我们观察温度斜坡时，发现实际温度的巨大差异并不一定重要。有时，斜率或波形的形状很重要。”
对于新的用例，数据分析工具需要灵活性，使领域专家能够以新颖的方式连接他们的数据。
“当然，当我们交付工具时，我们有一些预设的规则，这允许客户立即利用工具。但是每个人都有不同的需求。有时候和我们想象的大不相同。用户希望推出一些非常创新的方式来操纵他们所拥有的信息，”银河半导体的首席技术官Philippe LeJeune说。为此，你需要一个开放的工具，你可以插入自己的IP，连接自己的管道。然而，你有很多可以轻易利用的筹码。有时我们对客户的行为印象深刻。但这很好，因为他们做的比我们能想到的还要多，这有点令人兴奋。”
终端用户通常在为相同的材料或产品组合数据源时寻求新的见解。
Hutner说:“考虑到我的设计使用了三种代理类型，分别用于特定类型的洞察，例如工作量、温度、时间。”“如果我想创造一种新的洞察力，我可以把这三个代理放入数据分析解决方案中，实际上是收集元数据。这采取了一种非常不同的方法来考虑我们的客户可以在这些代理中使用的数据类型。这代表了我们如何组合数据的可伸缩性方面。但我们也在思考，‘我们如何将其他来源的数据整合在一起，从平台中推出一些新东西?’”
结论
最后，它归结为存储正确的数据，以促进用例，提供工程师和工程经理可以采取行动的见解。要做到这一点，你需要一个专家团队。
西蒙说:“我正在组建团队来做这件事，我看到的是，你需要所有这些水平的专业知识一起工作。”“否则，这是行不通的。了解机器学习工具的人无法建立模型，因为她不了解这个领域。所以你需要在她身边有一个懂这个领域的人，一个懂分析的人。这适用于机器学习和其他统计模型，或更经典的分析类型。如果您想要设计一个图表、一个相关性图表或一个趋势，以便最终用户得出某些结论，那么您需要具有领域知识。如果你的数据模型不支持这一点，那么你就会遇到困难。”
有关的故事
|
|
|
|
|
|
|
|
|
留下回复