数据革命的半导体生产

在我们的小组讨论“半导体生产的数据革命——技术进步如何解锁新见解,“我们覆盖几个主题包括机器学习、边缘计算和基于云的数据管理。我们讨论的问题包括:我们创建正确的数据和做的不够吗?使数据可操作的需要做什么?如何技术进步在过去的几年里实现和部署整个半导体价值链?在边缘的做什么?谁拥有数据?等等。

如果你错过了小时生活事件,记录是可用的在我们的知识中心。

因为我们无法解决每一个问题问现场比赛期间,我们已要求我们的小组成员提供书面回复。

感谢我们小组成员:

• 迈克尔•坎贝尔工程的高级副总裁,高通CDMA技术
• Preeth Chengappa的行业,半导体和EDA,微软Azure
• Ira利文斯,应用研究与技术副总裁效果显著美国公司。

机器学习(毫升)

问题:一件事激发了我的注意力被评论,机器学习应该要求所有测试和产品工程师。我不反对,但随着机器学习是一个非常广泛的术语,可以是非常复杂的,这将是很高兴知道机器学习的哪些子集推荐作为最有价值的产品和测试工程师。简单的机器学习的例子包括校准(特别是RF),线性回归和插值(监督学习)。一些人认为2 d和3 d可视化算法是无监督学习的好例子。Ira提到,修剪算法,减少测试时间预测削减代码没有席卷所有可能的值也在机器学习的领域。这些任务由许多产品和测试工程师很好理解。毫升的复杂的应用程序可能包括图像识别评估和分类什穆情节,收益率预测基于测试网站,运营商或设备,或集群分析晶圆的地图。你承担特定的机器学习领域产品和测试工程师学习吗?

迈克的回答:机器学习和人工智能理解作为一个基础科学应该要求工程师在业界的一部分,具体产品和测试工程师在半导体行业——这是我的信念。业内数据集很大,数据“可重复的,”,在我看来可以利用与ML /人工智能算法添加增量价值。从我的观点来看,工程师应该知道培训的概念和如何编写的Python脚本执行的学习和分析算法。大量的数据等待更好的分析。为例,产量、测试时间、参数分布,等可以自动检查和至少一阶分析可用ML /人工智能算法来完成。爱尔兰共和军在讲话中提到的盒子边缘显著平台以及它如何可以用于实时测试分析和减少。

爱尔兰共和军的回答是:使用机器学习和人工智能已经迅速从技术主要是通过专家在这些领域目前可以访问所有工程师作为解决问题的工具箱的一部分。我看到他们作为基本工具,需要分析数据集太大而复杂的手动分析或简单的数据分析。算法的可用性和权力将继续大大提高,满足这些需求。同样,ML /人工智能专家没有实质性的半导体测试领域知识将是有限的能力开发和应用算法,有效和可靠地解决现实世界中特定领域的挑战。测试和产品工程师配备ML / AI知识处于独特的地位能够填补这一差距,在他们的领域开发强大的解决方案。毫升的特定区域,我看到潜力巨大使用无监督学习算法来检测异常值或其他异常行为,没有足够的先前的失败数据训练有效的监督学习模型。

问题:机器学习的测试数据,我们如何设置它的目标在我们的理想平衡的测试时间,设备规模和成本的各种故障和故障类别?

迈克的回答:一些想法供你考虑缺陷密度、面积和适当时机(DFT)报道可以访问的真正功效结合DFT向量或地图的理论工具预测每个块的测试时间与实际测试时间/块,开发一个实用的测量工具或…这样的例子不胜枚举。毫升/人工智能算法允许您自动执行许多任务在基本层面上给老数据的附加价值。

爱尔兰共和军的回答是:随着技术节点继续萎缩和异构集成包装是广泛采用,半导体价值链已变得过于复杂,重点优化工作流程的每个步骤没有综合考虑的各种设计、制造、测试步骤进行交互。简单的excel的分析和静态的制造和测试流需要取代通过实时分析和决策使用毫升或其他先进的数据分析,和动态调整每个步骤和/或整体流。云、网络边缘计算和安全技术将继续发展来支持这一要求。

问题:你今天做多少使用从晶圆工厂设备,如几何和材料计量,进一步转变,通过预测设备性能产量和可靠性?即,我们看到可变性和缺陷,流程一步流程步骤中,甚至在第一个电性能测试。

迈克的回答:所有的数据是有价值的。什么ML / AI允许用户与自动化分析发现价值。有一个概率模型可能会错误地调与数据集。然而,交叉相关性的数据集的能力发现和消除误差是非常高的。

问题:如果工厂知道哪些属性真的不影响我们的最终收益,他们能专注于控制的问题吗?

爱尔兰共和军的回答是:更大的协作和共享的数据在整个半导体价值链加上ML-based或其他先进的数据分析将促进数据驱动的决策而不是依靠理论或历史工厂数据之间的相关性和最终产量。

出口合规和安全问题

问题:数据分析/跟踪如何帮助半导体公司遵守美国出口控制的职责?

Preeth的回答是:简单的答案是,数据越多你对你的IP或芯片做什么在任何时候在它的生命周期,越多的信息来源的方方面面,处理、制造、测试、供应链系统的使用,等等。所有这些可以帮助跟踪您所需要的。例如,在美国政府的坡道计划,微软为国防部帮助实现一个安全的设计能力和合作伙伴,在那里他们可以ITAR等符合规定。正确的数据可以帮助符合出口控制报告。

问题:在我过去的生活(15 +年前)当我管理EDA /工厂合作,确保获得工厂数据EDA工具和方法是最新的共同客户提高上市时间(TTM)非常具有挑战性。有许多安全问题,许多公司参与,现在你有云公司,如微软、混合。现在有改善吗?如果是,如何?

Preeth的回答是:我们看到的每个人都被保护的数据由于种种原因,包括控制自己的数据,谁有权访问,以及它如何可能被使用。云计算可以解决数据管理、安全访问和控制,包括限制出口。你现在经常看到他们此后的铸造厂使用Azure分布和库。GDSII的手,甚至一些pre-silicon制造步骤和共享在云上。保密协议而仍在线下完成,稳步推进,由行业的需要,因为它适应的要求设计艺术的状态。每一个专业半公司,EDA /工具供应商,铸造,工厂和测试设备制造商,和OSATs作用,实现协同设计成为可能。

爱尔兰共和军的回答是:毫升/人工智能技术及其计算生态系统已经看到革命性的改进,也有安全技术。基本的用户名/密码访问已被先进的基于密钥的安全,复杂的加密方案,blockchain-based访问控制和其他技术支持零信任安全模型。虽然现在合作建立的基础,我们需要的是动机。随着合作的好处越来越明显,我们将会看到安全发展被视为阻碍合作成为一个挑战,我们必须解决与最先进的解决方案,为了充分获得合作的好处。

问题:是知识的交叉授粉将如何在未来设计师看着一个问题相关的包/测试/系统级测试(SLT),反之亦然?

迈克的回答:数据有一个值。在他的设计设计师开发测试用例。他有一个计划的回应。在一个“透明”的世界里,设计师可以看看他的数据向量,访问测试时间,产量与他的模型、参数响应和其他基本没有产品和测试调试的步骤。产品和测试自己的责任驱动ML /人工智能工具来构建的分析和深入的基本面分析过去。增值的工程师在这个模型中上升。

数据共享、标准化和所有权

问题:连接跨域数据的优点是毫无疑问的。橡胶与道路在哪里在平衡技术和商业利益。对纠正措施技术水平与业务缺点由于金融后坐连接数据。例如,如果一个制程使用工厂数据点到工厂,并要求折扣晶片价格,这将抑制跨域共享。你的想法是什么?

爱尔兰共和军的回答是:是的,如果程公司只是寻求使用额外的数据作为“武器”在价格谈判,正是描述的场景,您将会发生。相反,真正的和成功的合作始于对准的目标互利,是基于信任的基础。随着越来越多的成功故事是通过这种方法获得的,生产线和工厂的竞争优势将变得越来越明显和危险的忽视从商业的角度来看。

问题:我们所看到的最复杂的公司的数据泄露。如果出现这种情况,谁需要所有权?

Preeth的回答是:Azure提供了一套工具来存储、管理和保护数据在最高水平的安全、基础设施和平台水平。数据的所有者负责选择和实施各级的工具和协议,以确保安全。

问:你如何看待工作的标准测试数据生成和收集细胞?采用行业标准测试是一个蜗牛的速度。即如何多种数据格式,内容影响能力在实体分享吗?

爱尔兰共和军的回答是:的半抛(协作联盟半导体测试)将重要近年来关注标准的努力包括RITdb(丰富的交互式测试数据库)和显微镜(半导体测试仪事件消息传递),旨在支持进化的细胞内测试数据生成和收集需求以及整个半导体价值链。我认为这是一个迭代的过程,需要发展新一代的标准基于早期采用者的反馈之前实现行业内大量的采用。

问题:在这个网络研讨会提到的一件事是与其他公司合作。是什么公司做数据共享方面的合作;有各种各样的标准化或协议;有一个财团吗?是为了有共同的标准(例如MSA)数据生成和共享整个生产链的吗?

Preeth的回答是:虽然每一个制程是对自己的数据感兴趣,工厂和测试设备供应商,铸造厂和OSATs处理作为预设,多供应商数据并提供给正确的客户。微软愿意参与到行业提供的工具和功能。的标准化流程,协议,协议和形成一个财团在早期阶段。

爱尔兰共和军的回答是:除了半,还有其他半导体行业努力进步,包括半智能Data-AI倡议。此外,280美元2022年美国芯片和科学行为包括主要与直接或间接资助计划对ML /人工智能研发的影响。

问题:我们如何确保当硅设备临终的所有数据在云中也抹去/删除/永久锁定?

Preeth的回答是:云协议好的设计将支持的备份/博士能力,低成本长期存储选项以及脱机备份。

问题:什么是为了“我”——设计优化,关闭时间来设计,tapeout时间,生产时间,时间的收入吗?

Preeth的回答是:先进的设计需要协作。更好的产量要求改进设计克服工艺特点。先进的包装需要协作数据使用。放缓的摩尔定律,增量硅生命周期的每一步将被要求提供必需的收益在PPA,这将严重依赖来自整个生命周期的数据。

数据质量

问题:我们的许多测试运行只意味着代码或设备的调试。我怎么知道我们不是培训已知的坏数据?

Preeth的回答是:除了常识控制,我们有很强的协议而不是数据用于训练。我们过去的经验帮助通知负责人工智能处理和协议。

爱尔兰共和军的回答是:我看到了更大的风险在unknown-bad训练数据,这将基本上根深蒂固的潜在的测试会释放到决策算法。在这里我看到一个很大的好处在使用监督和非监督学习算法以互补的方式而不是依靠一种方法。

开始

问题:你会推荐一个小团队(2 - 3人)开始,假设我们目前测井在Excel和JMP CSV文件和处理?

爱尔兰共和军的回答是:我建议开始仔细考虑你应该购买现成的哪些技术和技术你想让你的团队关注的竞争优势。没有积极的决定,很容易走的道路逐步建立一个基础设施,最终将成为挑战保持最先进的甚至支持。改进的位置自己骑波基本技术,您构建自己的解决方案。

观看记录

感谢与会者谁让这些奇妙的问题,我们小组成员回答他们。

看小组记录从生活事件,请访问我们的知识中心。的proteanTecs知识中心在线研讨会,白皮书,案例研究来探索。