制造业数据的新用途

半导体行业正变得越来越依赖于数据分析，以确保芯片在预期寿命内能够正常工作，但这些数据往往不一致或不完整，一些最有用的数据正被公司出于竞争原因而囤积起来。

在每个新的流程节点上，数据量都在增加，这里有更多的东西需要跟踪，在高级包中，也有多个die。除此之外，由于以下几个关键原因，这些数据的价值也在增加:

• 不断增加的晶体管密度和更薄的电介质已经增加了电路运行时间更长、强度更大所引起的潜在物理效应和相互作用的数量，而仅靠传统测试无法足够详细地发现这类问题。它需要测试和数据分析的结合。
• 这反过来又导致了芯片和封装内部以及晶圆厂和测试设备内部传感器的爆炸式增长。这些传感器中的每一个都可以生成大量的数据，机器学习可以用来检测模式。通过将机器学习应用于这些数据，可以检测到模式，以提高产量和可靠性。
• 最重要的是，在安全关键型和任务关键型应用程序中使用高级节点芯片加大了预测这些芯片何时会失效、究竟会发生什么故障以及对未决问题给出充分警告的压力。这就需要从设计到制造流程的更多环节获得更多数据。

其中一些(但不是全部)数据在收集的地方是有用的。但是当跨流中的多个点可用时，它会变得更有用。这有助于显著提高可靠性，因为它提供了一个追溯到问题根源的可追溯路径，然后可以使用该路径修复现有问题并防止未来出现问题。

“关键是拥有正确的数据，并根据这些数据做出正确的决定，”特朗普首席营销官斯科特·克罗格(Scott Kroeger)说Veeco．“传统上，半导体公司一直在保护数据，因为那里有一定数量的知识产权。在可以分享的内容之间有一条细微的界限。但对于5nm以下的逻辑，你需要对质量和产量进行前馈分析。”

输入这些数据的起点可能是设备制造10年后的故障，也可能是该芯片内复杂SoC或IP块的测试芯片。

“你需要数据来确定产品的表现，这样你就可以回头看看不同的配方，创建预测模型，进行预测维护，并知道如何防止设备故障，”Doug Elder说，该公司副总裁兼总经理OptimalPlus．“但当你进入较低的几何图形时，我们发现收集数据的能力变得更加困难。在5nm处，缺陷和计量收集数据要困难得多。因此，你采取行动的能力将会被推迟，直到你能得到晶圆级的数据来反馈你是否有配方问题，蚀刻问题，以及发生在哪里。获取或可用性变得越来越难。”

其中一个关键问题是能够在高级节点上检查所有结构。

“在某些情况下，高级节点的数据也太多了，人们不确定该怎么处理这些数据，”埃尔德说。“所以有些人在获取数据方面遇到了麻烦。我们一直在做的一件事是拍摄机器视觉图像，将其数字化，并在其上运行机器学习算法，以确定某些东西是好是坏。我们可以把非常复杂的图像数字化。机器视觉中的框架抓取器可以让你获得非常清晰的图像，看看哪些点对制造过程是重要的，然后确定你的产品是好是坏。”

它产生了自己的一组数据，可以使用一些新的和不那么新的方法组合来详细分析这些数据。以高速光学筛分技术为例。

”光学检验这基本上是你能做到的唯一方式，因为你需要如此大的覆盖范围。”心理契约．“例如，对于传统的内联工艺控制，你可以在每批晶圆中取样几个晶圆。但是你需要100%的检查来进行筛选，所以必须要快。挑战在于，如果你要在一个更先进的节点上做这件事，仍然会有相对较小的缺陷，这些缺陷是潜在的可靠性风险。因此，您需要一个有能力的检查，并利用这样一个事实，即最大风险的潜在可靠性缺陷模式通常有一个大小范围。我们可以通过筛选检查发现较大的缺陷，并将其作为较小缺陷的代理。当你把它与机器学习算法结合起来，让我们只根据光学检测结果进行缺陷分类，而不需要审查，它的预测能力令人印象深刻。”

随着频率的增加，这些数据也正在与在线类型的传感器配对，这为数据增加了另一个维度。

“我们正在收集数据，并以以前无法实现的方式应用它，”阿里巴巴AI Solutions副总裁杰夫·大卫(Jeff David)说PDF的解决方案．“除了我们的客户正在收集的数据之外，还有很多工作要做。我们正在从中生成数据集。显然，下一步是如何将其整合到机器学习算法中，以更好地预测不同的用例。其中一个用例是智能测试，我们可以根据昂贵的测试来预测芯片是否会失败。如果我们确定一个芯片可以通过测试，那么你可以完全跳过这个测试。数据还可以用来预测芯片是否会在现场出现故障，因此可以降低rma。”

这里的关键是提高这些预测的准确性，特别是早期生活中的失败，这需要对数据的深刻理解以及领域专业知识。但它也需要首先访问数据，并不是所有公司都愿意放弃这一点。

“所有的晶圆厂都非常保护他们的数据。CyberOptics．“我们的客户为我们提供了足够的数据来改进我们的传感器，我们提供了软件工具，在这些工具中，我们可以做的比他们用原始数据做的更多。”

数据共享因客户而异。的首席技术官伊芙琳·兰德曼(Evelyn Landman)说:“客户拥有数据proteanTecs．“在芯片生产测试中，它是半导体公司，在系统测试中，它是系统供应商，在该领域，它是服务提供商。他们可以共享数据，这将进一步增加价值。半导体供应商将能够在现场看到他们芯片的性能和健康状况，系统供应商对于他们的系统也是如此。数据可以来回共享，从芯片设计一直到现场的车队。因此，当现场出现问题时，你不仅可以在故障发生前获得预测性维护警报，而且你只需要发送数据，而不是将材料(系统)发送给供应商。”

存储和访问数据
利用不同来源的数据也会产生其他问题。它通常以不同的方式和格式存储，随着参与开发芯片的不同公司数量的增加，这些差异也会增加，无论是设计、IP、制造、包装还是测试。此外，所有这些元素都可以从一个市场到另一个市场，从一个芯片到另一个芯片。

“数据存储的方式存在差异，原始数据也存在差异，”的首席执行官约翰·奥唐纳说yieldHUB．“关键是确保客户能看到干净的数据。例如，在最后的测试中，您没有x和y，因此需要对底层干净的数据进行整理，以便找出一个参数和两个或三个其他参数。当你清理这些数据时，每个测试都应该有一个骰子的单一表示形式。”

公司提供的芯片传感器确实以一致的方式收集数据。proteanTecs的Landman说:“我们的代理可以从结构测试到功能测试再到系统测试，所以他们‘说’的是同一种语言。“无论系统处于何种状态，我们都提供相同的数据，不管它是测试人员、系统还是评估委员会。”

虽然这是一个重要的进展，但在这个复杂的拼图中还有许多其他的碎片。在工具本身和设备加工的晶圆上也有变化。将这种差异最小化的最有效方法是应用机器学习算法，因为在大型晶片厂中，可能有数十甚至数百台不同的制造设备。为了解决这个问题，设备制造商一直在增加传感器来检测工艺的每一步，这些传感器产生的数据用于平衡蚀刻室以达到一致的结果。

“在晶圆制造过程中，每个工具和每块晶圆都处于独特的起始状态，”Lam Research的计算产品副总裁兼微软公司的CTO David Fried说Coventor林研究公司(Lam Research Company)。“任何一台设备的性能都取决于放置在该设备上的晶圆的质量。每个设备制造商都会遇到这个问题。如果你清理晶圆进入加工工具的分布，出来的分布显然会更好。而不是对抗这个事实，你可以使用机器学习来自适应地处理你的晶圆作为传入晶圆分布的变化。这可以消除清理输入晶圆分布以获得干净的输出分布的要求，因为有一个工具可以适应输入分布的变化。”

变异在芯片制造中是特有的，这种变化在高级节点和封装中变得更加重要——在许多情况下，最复杂的封装是在前沿节点开发的——因为公差更严格。7nm的误差空间小于10nm, 5nm的误差空间远小于7nm。

这里需要准确的数据来调整流程，并确保随着时间的推移质量。由于并非所有数据都采用相同的格式，而且并非所有传感器都随着时间的推移执行完全相同的操作，因此这变得更加困难。传感器就像其他电路一样会老化，这些传感器的数据输出可能需要调整。了解传感器本身的生命周期，无论是在电路中还是外部，都是这个难题的关键部分。

再加上多家公司——尤其是那些不愿共享数据的公司，比如竞争激烈的汽车供应链中的公司——以及需要转换的多种数据格式，情况变得更加模糊。

yieldHUB的O 'Donnell说:“你不能测试所有的东西，但你可以使用数据来测试一个参数或另一个参数。”“所以你可以从数据中得到一些其他方法无法做到的事情。您还可以查看数据库的趋势，并超越其他可用的内容。这很重要。”

可追溯性
等式的另一个关键部分是可追溯性。如果没有围绕该问题的上下文，仅仅检测数据中的问题是没有价值的。例如，是一块晶圆上的一个芯片有缺陷，还是每个晶圆上相同位置的芯片都有缺陷?这个问题持续了多长时间?是由于最初的设计，测试过程中的损坏，晶圆抛光的问题，还是只是一个再也没有出现过的畸变?

O 'Donnell表示:“你需要能够在数据库中搜索一个晶圆芯片，并查看它在晶圆排序、最终测试和封装中的位置，以及该芯片与其他芯片的表现如何。”“这真的是件大事。每个人都在看这个。他们甚至不一定知道他们要怎么做，但他们知道他们必须这么做。”

这里的最大挑战是扩大数据集，使其涵盖整个设计和制造流程。“很多芯片制造商一直在试图利用整个供应链的数据，从铸造厂到工厂OSATs但还没有一个完全成功，”PDF solutions全球fab应用解决方案经理Jon Holt说。“他们使用数据仓库或数据湖，或通过大数据、深度学习技术整合数据，但他们都面临垂直集成的挑战——数据竖井、osat、多个仓库、不同的数据质量、控制和速度。他们很难将所有这些整合在一起。他们正在努力，但还没有实现。”

结论
更有效地利用数据是一项正在进行的工作。这需要重新思考过去几十年发展起来的一些核心信息流。半导体供应链的运行就像一台精密调谐的仪器，但在最先进的节点上，它主要是为消费电子产品而发展的，这些电子产品的生命周期通常很短，条件范围通常是可控的。

随着这些芯片最终应用于汽车和工业应用，或应用于边缘和云数据中心，领先边缘的可靠性变得更加重要。芯片制造商正在利用他们现有的整个设备库，但他们也在开发一些全新的数据驱动方法。这导致整个供应链发生了一些重大变化，随着这些方法变得越来越主流，它可能会对每个节点上开发的芯片产生广泛影响。