AI/ML如何改善晶圆厂运营

芯片短缺迫使晶圆厂和osat最大限度地提高产能，并评估人工智能和机器学习能带来多少好处。

考虑到市场分析师的增长预测，这一点尤其重要。芯片制造业的规模预计将在未来五年内翻一番，工厂、人工智能数据库和工具的集体改进对于提高生产率至关重要。

Inficon负责智能制造的总经理约翰·本克(John Behnke)说:“我们不会在这场数字化转型中失败，因为我们别无选择。”“所有的晶圆厂都将生产20%到40%的产品，但他们在18到36个月内都无法获得新工具。为了充分利用所有这些潜力，我们将克服人类对变化的历史恐惧。”

此外，这种改变需要有一个明确的ROI。“对我来说，一切都归结为成本，”人工智能驱动的APC软件初创公司Sentient的首席执行官阿比尔·辛格尔(Abeer Singhal)说。“为什么我们要把数据转移到云端?因为我们希望它是可访问的，我们希望能够计算它。虽然有下载、存储和计算成本，但工程师们希望摆脱一切都要找IT部门的困扰。他们希望在收集高频数据的同时做出明智的决定。”

最大的挑战之一是高度规避风险的制造业，该行业已经通过大部分渐进式改善取得了显著进展。数据库供应商KX Systems的半导体和制造副总裁比尔·皮尔森(Bill Pierson)说:“半导体行业有很多技术方面的进步，但我们在业务变革方面通常非常缓慢。”“部分原因只是因为你所在的工厂已经建成，正在运行，产量很高，所以为什么要改变呢?”但我们看到的是自上而下的管理，其策略是试图打破数据孤岛，确保收集到的数据将提供给所有必要领域的工程师。”

其他人也指出了类似的趋势。“人类不擅长改变，”纽约州立大学理工学院纳米生物科学负责人、教授斯科特·特南鲍姆(Scott Tenenbaum)说。“COVID是一个很好的例子，人们尝试了他们永远不会尝试的事情，除非迫不得已。我们的很多技术都是这样的。旧技术会消失，你别无选择，只能使用新技术。”

在上周SEMI先进半导体制造会议的小组讨论中，与会者指出了涉及AI/ML和全球晶圆厂的10个趋势/建议:

1.到2025年，半导体领域的AI/ML将达到1000亿美元;
2.工程师在调度和缺陷分类中采摘容易摘到的果实;
3.数字双胞胎和分析使预测性维护成为可能;
4.可以跳过、缩短和/或移动非增值步骤;
5.晶圆厂现在正在招聘数据工程师;
6.大数据很好，但正确的数据更好;
7.工具状态标准(SEMI E10)有助于透明度;
8.测试平衡中的ML产量、缺陷和测试成本;
9.行业的不情愿被ROI承诺所克服
10.数据库安全性必须是内置的。

小组成员(从左至右):Inficon的John Behnke，纽约州立大学理工学院的Scott Tenenbaum, KX的Bill Pierson和Sentient的Abeer Singhal。主持人:Laura Peters/半导体工程。来源:半

SE:最近麦肯锡报告表明人工智能和机器学习产生了约50亿至80亿美元的芯片收入，约占设备总收入的10%。预计到2025年，这一数字将增长到1000亿美元左右(见图1)。你同意这一估计吗?

本克先生:我当然看到了半导体制造业利用人工智能、机器学习和我所谓的高等数学为半导体行业创造15%以上价值的能力。我不认为这意味着它会产生另一个行业，让晶圆厂给我们这样的人950亿美元，但晶圆厂将能够利用先进的能力在五年内至少再产生950亿美元。

图1:2021年半导体领域的AI/ML创造了70亿美元的价值，占芯片收入的10%，预计到2025年将上升到设备收入的20%，可能会达到900亿美元。资料来源:麦肯锡公司

皮尔森:我们正在努力提高生产效率，并在很大程度上通过提高这些工程师的工作效率来降低工厂的成本。劳动力是其中的关键部分。

SE:关于这一点，在晶圆厂实现AI/ML最容易实现的目标在哪里?

Singhal:大数据和人工智能算法代表了APC工程师的范式转变。复杂的流程模型可以在几分钟内构建，而不是几天。例如，AI辅助的运行到运行控制器可以提取内联SPC数据，将其与100+ FDC相结合，并产生指标，以深入了解系统的健康状况，并提出改进建议。

另一个AI用例是构建自适应工具状态模型，以防止在预定或未预定的工具事件之后过度提前发送运行。潜力是无限的。

本克先生:到目前为止，晶圆厂投资回报率最高的应用程序是调度。工具必须在6个月或更短的时间内交付价值——ROI，或周期时间改进，或其他KPI。所以智能制造在很大程度上是你把这些历史的，数据丰富的环境，工程师们已经工作了几十年，你把它们升级，创造一个数字双胞胎，有点像类固醇模拟器，使用计量，传感器和其他数据源，这样双胞胎的信息实际上有更高的保真度和对工厂的理解。这种数字表示会查看你面前的当前事件和选项，利用它通过基于ml的历史学习所具有的价值，并快速确定下一步应该做什么。最明显的是日程安排。我应该在什么工具上按什么顺序排什么牌?更重要的是，应该设置工具来做什么?这适用于APC, FDC 2.0(故障缺陷分类)等。如今，芯片制造商在晶圆厂就有了实现这一目标的工具，真正令人兴奋的是，在大约5年后，一家公司内的所有工厂都将利用这些工具，从晶圆厂到组装和封装。

Singhal:我的客户想要摆脱一切都打电话给IT的困扰。这是把所有东西都推到云端的一大驱动力。但他们也希望能够以每秒100g的速度下载。所以我们谈论的是带宽，这是有成本的，存储数据并使其可用。现在出现的芯片被专门设计成能够在芯片上处理这类信息，而不是在不同的系统中协同工作。

图2:高级算法可以处理历史数据和可操作数据，从而实现实时决策，其中决策的价值最高。来源:Gartner

SE:半导体短缺是如何改变芯片制造业的?

本克先生:今天的世界与以前完全不同，所以人们现在明白我们需要开始更聪明地做事。高管们都同意，他们的董事会也同意，他们承受着巨大的压力。在新的董事会会议记录中，他们会被问到:“你们的智能制造战略是什么?”“这在两年前新冠疫情之前是闻所未闻的。

皮尔森:应用上下文也很重要。我们正在进入一个以数据为中心的世界，我看到的一个变化是，一级芯片公司都有这些被称为数据工程师的团队。他们不是数据科学家，也不是主题专家。他们是数据工程师，在整个组织中为整个组织的人使用准备数据。我们需要认识到，随着数据爆炸的发生，对这个定义的角色有很大的需求，人们需要认识到你需要格式化数据，然后把它交到需要使用它的主题专家和工程师手中。大多数数据都有时间戳，所以我们可以用时间序列做索引。

SE:对于传统晶圆厂来说，学习曲线是怎样的?

皮尔森:这是一个旅程，有些公司比其他公司更先进。一些工程师可能会使用铅笔和便签纸，他们只需要能够存储数据，并需要一个仪表板。这只是旅程的开始。有些人正在谈论做数字双胞胎，并在整个工厂扩张。这一过程将继续下去，评估我们的表现将需要5到10年的时间。每个fab都是不同的，你必须在他们所在的地方遇到他们。

图3:工厂运营的所有方面都可以利用数字双胞胎执行的数据处理和分析。来源:Inficon

本克先生:人工智能的一大优点是你可以探索如此多的可能性。它不只是说，给我那个参数。它说，‘给我每个参数和每个组合。“这是一件非常强大的事情。据我所知，没有人能做到这一点。记住，你正在增加新的传感器，所以你将为你的系统增加更多的智能，而人工智能是我们遇到的最好的技术，它可以看到你应该看到的东西，而你永远不会想到的东西。

特南鲍姆:相反，人工智能被过度炒作了。它非常擅长识别只有在查看真正大的数据集时才能识别的模式。它不太擅长识别随机事件。预测股市的人工智能技术就是一个很好的例子。当它以专业交易员为基础时，效果很好。但现在我们有了一群日内交易员和罗宾汉，还有通配符和比特币，分析学不太擅长。因此，当你谈论如何将人工智能插入产品制造时，它将被证明在预测可预测的事情方面非常有用。但一次性事件可能同样昂贵，很难探测到。

SE:当行业发展到300mm晶圆时，公司和SEMI标准之间有合作。你在这里看到了什么?

本克先生:历史E10/E79标准有一个新的更新(半E10汽油设备可靠性、可用性和可维护性的规范，可以更好地跟踪模块化系统中的工具室，以更好地利用)，其中包括更多的状态级别。也许它还没有被广泛宣传。人们开始采用它，随着这些解决方案的推进，它将会有很大的帮助。

其他的趋势
对优质晶圆的高度关注给减少非增值步骤带来了很大压力，特别是晶圆和器件的计量和测试。但是，在测试中增加了系统级测试，以确保检测到可能影响可靠性的潜在缺陷。

“像英伟达、AMD和英特尔这样的领导者已经做了多年，但最近一些公司已经开始做更多的系统级测试，更快地对内存进行功能测试和其他测试，”Dave Armstrong说效果显著．“他们发现两项教学测试是不够的，所以他们需要进行高速测试，以确保已知的良好芯片。”

额外测试的需求很大程度上是由潜在缺陷问题的新知识驱动的，这些信息是通过学习平台获得的。Armstrong说:“先进的数据分析为异常值检测提供了洞察力，并指导我们进行测试和测试程序设计。”

半导体测试也大大受益于切割大量测试数据的能力。一个大型测试设备每天可以生成多达4TB的数据，这些数据用于反馈过程，以提高产量和质量。

肯·拉尼尔，战略业务发展总监Teradyne他指出，测试人员上的多个传感器还可以监控模具的电压、温度和其他参数，再加上机器学习，可以实时修改测试过程。

“由于测试是产品发布前的最后一步，在几周内调试大量软件程序和测试模式数据的压力很大，因为一个编程错误可能导致IC制造商扔掉数百万美元的好设备，或者更糟的是，出货坏设备。在良率、不良率和测试成本之间的权衡导致了在设计模拟、测试程序和机器学习工具上的大量投资，以识别最轻微的异常。他们在测试设备上标记问题，缩短调试周期时间。”

展望未来，数据安全是另一个需要解决的问题，因为它是数据共享的障碍。Inficon的Behnke说:“这些数据库需要非常安全的环境，因为没有人愿意出于知识产权的原因共享数据。“根本没有人愿意共享数据，因为他们还担心安全问题。”

半导体行业正在努力保护自己的芯片数据，但它也在将这一努力扩展到工厂的电子系统和数据库。这可能需要时间，但它被视为必要的一步，因为竖井被打破，数据跨越了传统的界限。