在芯片制造中利用数据

John Kibarian，总裁兼首席执行官PDF的解决方案，我们与《半导体工程》(Semiconductor Engineering)聊了聊数据分析从产量和可靠性到组织的内部结构，云和边缘如何协同工作，以及未来的大威胁在哪里。

SE:你是什么时候意识到数据对硬件设计和制造如此重要的?

Kibarian:这要追溯到2014年，当时我们意识到晶圆代工厂的整合是向无晶圆厂公司转变的一部分。每个无晶圆厂公司都将成为系统公司，许多系统公司正在迅速成为无晶圆厂公司。我们一直在使用我们的分析来帮助拥有高级节点的客户，其中一个客户告诉我，他们永远不会再建另一个工厂了。在此之前，我们的分析已经用于材料审查委员会，并更好地控制我们的供应链和包装。他说，我认为你把分析的重点放在了错误的市场领域。这开启了战略评估会议，我们决定改变战略。我们开始落实一些事情来做到这一点。一个是收购，因为你总是需要以非有机的方式来做这些事情。我们购买了一家公司用于测试流程控制和整个装配流程的可追溯性。我们还用Stream Mosaic做了一些AI方面的工作。 We had replaced the relational database with a database to handle all of the data that comes off the fab—the largest quantity and highest-velocity data. So we started putting all of that capability in for fabless and system companies.

SE:结果如何?

Kibarian:自2014年以来，该业务以35%的复合年增长率增长。我们从少数高度集中的客户发展到在20个国家拥有130多个客户。这涉及到半导体供应链的上下游——设备制造商、代工厂、idm、无晶圆厂公司、系统公司。我们预料到了对分析的需求，但我们一直低估了机会。

SE:它的传播速度比任何人想象的都要快，对吧?

Kibarian:是的。在过去的18个月里，当我与负责系统和制造的高级运营和制造副总裁会面时，他们都说他们有一个数字双胞胎或工业4.0，或“中国制造2025”，主要是在首席执行长层面上可见。他们想弄清楚他们能做些什么来实现数字化。这有很多驱动因素。当你开始做更多的事情system-in-package在美国，它的制造过程要复杂得多，风险也大得多。一个坏元素与10或20个其他元素一起封装，你就有可能扔掉很多非常昂贵的硅。过去，包装基本上是一个低成本的增值步骤，你想要尽可能多地降低成本。今天，您需要将先进的技术与包中的系统相结合。这意味着客户对分析有更多的需求。这发生得非常快。如果你看一下智能手机，你会发现里面有很多系统，包括调制解调器、收音机、应用处理器和摄像头。这只是一个产物。这只是其中一个司机。

SE:这一切都是你预料到的吗?

Kibarian:不完全是。2016年，我们收购了dataConductor (Syntricity)，这是第一个云原生[产量管理系统]。我们认为中国有越来越多的无晶圆厂公司，他们都将是云原生的，我们最大的客户将在以后采用。我们最大的公司首先被收养。

SE:因为他们在做试点项目，想办法跟上潮流?

Kibarian:是的，有两个惊喜。一个是台积电将OIP(开放创新平台)放在了云并开始与Cadence、Synopsys和Mentor合作，在云端开发EDA。设计已经在云端，PDK也在云端，所以制造数据也可以在云端。在此之前，人们有安全问题，但当你真正去看它时，云规模提供商在安全方面的投资超过了我们的客户用他们自己的it系统所能做的。过去，你拥有自己的工厂，但很难与规模是自己工厂100倍的代工厂竞争。

SE:你认为它会继续留在云端，还是会转移到边缘?

Kibarian:它会做这两件事。这就引出了第二个惊喜。第一个是外生的制造业，即设计和安全。高通公司展示了他们可以在内部运行Exensio，他们有一个200tb的系统，或者在云上运行，大文件的速度是26倍，而小文件的速度只有2倍左右。在本地执行某些操作速度更快，但当您需要系统的单个映像时，可以在云中完成。您可以在一个地方拥有所有tb的数据，同时还可以为所有工程师提供低延迟。我们把计算放在OSATs代理商可以与我们的测试人员交谈。这样客户就可以把他们的模型推向边缘。

SE:那么在边缘地带真正吸引人的是什么?

Kibarian:即使你在云中有大量的计算，你仍然希望没有延迟。测试层假设互联网可以下降。你不能因为这个停一层楼。对于实时的事情，模型可能是在云中开发的，但它们是在边缘．我们有越来越多的客户想要一种混合的方式。无论是前端工厂、组装车间还是测试车间，实时操作总是接近于工具，并且是本地的。公司层面的工程师所做的工作将转移到云端。不仅仅是我们的无晶圆厂客户。大多数idm和代工客户都认识到，对于(ML/AI)培训和分析，在云中进行培训和分析效率更高。

SE:在处理方面，云与边缘相比如何?

Kibarian:我们正在评估什么是在边缘进行处理的最有效的方式，以及我们是否会模仿我们在云上所做的。但我们的一些大客户已经与云提供商建立了合作关系。输入数据很便宜，输出数据很昂贵，所以当客户把数据放到云端时，他们会被激励留在那里，与他们拥有的其他系统共享。

SE:现在很多IP都内置了测试功能。这对你的工作有什么影响?

Kibarian:芯片可以是一个系统，也可以是系统的一部分。我们的大多数客户都会购买大量的知识产权当一个芯片不工作时，你想要了解系统的任何部分发生了什么。当你想进行调试和启动时，你需要理解所有这些。没有人会同时为整个系统编写代码并进行编译。你在构建模块。来自各个模块的参数数据为您提供了越来越丰富的数据集，我们一直在为客户提供越来越复杂的方法来查看晶圆排序与最终测试和老化之间的关系。我们有一个消费者领域的客户开始进入汽车领域，他们根据过去消费者领域的测试要求出价。他们的测试成本要高得多，所以他们必须预测他们在做什么。所有这些模块测试都是人工智能很好的输入。如果一个芯片明显很好，你可以跳过老化测试，而另一个可能需要更多的老化美元。

SE:在过去你只能靠猜测，对吧?

Kibarian:是的，现在你可以看到图案了。对于算法来说，处理100维的空间，或者1000维的空间，都不是什么大问题。对我们来说，我们可以在三维空间中思考。

SE:当你谈到维度时，这些是不同组件之间的所有不同关系吗?

Kibarian:是的，有数百个带有参数数据的IP块，您正在查看老化测试结果。这可以让你理解这些关系。与前端世界相比，测试世界中所有人工智能自动化的好处是，当你训练时，你会有很多标签。你可以回去训练晶圆排序更复杂，因为你知道哪个芯片通过了什么测试，而且你的建模很好。

SE:如今的培训数据有多不透明?这是个问题吗?

Kibarian:我们进入分析业务是因为我们在创造收益。所以我们在20世纪90年代末和21世纪初有了模式识别和人工智能算法。很多都来自卡内基梅隆大学的研究，都是关于应用学习的。这是AI 1.0。我们建立了这些复杂的算法，它们很难使用，因为你真的需要了解一些关于算法、统计学、数据科学和流程集成的东西。很难找到这样的人。算法上的小调整会给你带来截然不同的结果。但在晶圆厂使用人工智能的问题是，你正在从蚀刻器或CMP工具上收集数据，直到你到达生产线的最后，你才知道晶圆是否好——可能有500个处理步骤。所以它会因为很多原因而变坏。

SE:你还发现了哪些问题?

Kibarian:当我们把人工智能技术提供给工厂时，他们发现标记数据很困难。所以我们用这些复杂的算法来标记数据并训练人工智能。现在你在神经网络上有了协作学习。它向你暗示更多的东西。你可以用人工智能来训练算法。人工智能可以非常有效地模仿这些算法。这允许工程师说，‘这是对的，但我想看看它是如何分类的。所以他们可以利用这些知识来改进模型。你不再需要成为数据科学家或人工智能专家才能使用这些东西。你想让一个半导体专业人士可以进入并调整它，以获得最后一点生产力。通过合作学习，你可以获得额外的5%或10%，并将其调整为最好的专家告诉你的公司可以做的事情。 That’s a big breakthrough.

SE:所以现在你们正在为自己的特定需求定制算法?

Kibarian:是的，我们的一些客户的工程师在这方面真的很熟练，还有一堆不是。现在，如果技术熟练的人可以看到算法是如何分类异常值并对其进行调整的，那么整个组织的所有工程师都可以看到，每个人的能力都得到了提升。

SE:你是如何跟踪所有的变化的?

Kibarian:这些客户限制谁可以“喜欢”和“不喜欢”信息。当你将人工智能和机器学习应用于测试和工艺工程、组装和前端包装时，你就可以让工程师在更高的水平上操作。你会看到这些组织的生产力提高了，芯片可以进入更多终端市场，蛋糕也做大了。

SE:那么你们今后面临的最大挑战是什么?

Kibarian如果你从外往里看，这个行业的地缘政治风险比18个月前要大得多，而且它的轨迹永远不会回到原来的样子。它可能会冷却下来，但我们把我们的行业建设成一个相互交织的世界。这是这个行业有趣的事情之一，因为你感觉自己和世界各地的人一样，对芯片和电路有共同的语言。我们仍然希望如此，但如果你看看世界的发展，你会发现它正在分化。这将对整个行业造成极大的损害。在半导体层面，人工智能被过度炒作，并在20世纪80年代和90年代失败，因为人们没有意识到管理所需的所有变化。你不明白计量或者是香料模特应该长这样。我今天担心的是，我们今天做的事情要复杂得多，但这需要组织内部的管理变革。业务流程需要设置为原生数据。我们收集了大量的数据。如果你要做基于数据的制造，你必须围绕它配置一个组织。如果你继续做你一直在做的事情，并将人工智能应用于此，你就会丢掉巨大的价值。这对整个行业都是不利的。