研究者使用神经网络来提高晶圆处理效率通过识别海量数据中的模式。
扩大工厂产能是缓慢而昂贵的即使在理想的环境。近年来更困难,随着pandemic-related短缺紧张设备供应链。
当集成电路需求上升速度比扩张可以填补这一缺口,晶圆厂试图找到“隐藏”通过提高操作能力。他们希望更有效率的工作流程将使现有设备提供更多的晶片。
这是一个重要目标,但一个挑战行业自成立以来。施拉Chakravorty、高级数据科学家GlobalFoundries解释说,在工作中提出了在去年的公司会议,工厂调度是一个高度复杂的版本的所谓“作业车间调度”的问题。[1]每个晶片经过数以百计的流程步骤。步骤是固定的列表时,流是可重入的,因为很多不止一次访问一些过程。
可用工具为每个步骤的具体数量变化作为维护或维修的工具是离线。一些步骤,比如扩散炉,巩固多个很多大批量。一些序列,如光致抗蚀剂处理,必须坚持严格的时间限制。光刻细胞必须匹配晶片与适当的十字线。很多重点不断变化。甚至个别工序所需的时间可能会改变,因为每次运行控制系统调整配方时间最优的结果。
由于所有这些原因,没有确定的“第一原理”模式的完整的半导体工厂,并无法准确地预测单个晶圆的周期时间或确切的路线。调度通常依赖于基于规则的启发式和人力经理的能力和工具运营商实时调度决策。
Chakravorty说,另一方面,晶圆厂有很多数据操作。他们有历史数据等变量过程时间和周期时间,对于个人过程细胞和整个工厂。他们知道工具失败,他们需要多长时间修复,瓶颈在哪里。随着机器学习系统变得更有能力,这些数据可以帮助训练他们来协助人类的决策者。
机器学习在工厂层面,可以支持改进周期预测和容量规划。在过程细胞或集群工具层面,它可以告知WIP调度决策。之间,它可以促进更好的负载平衡和调度。作为第一步,然而,所有的这些应用程序需要工厂环境的精确模型,这是一个困难的问题。
工厂与生成人工智能模拟
表示在今年的半导体西方思想。ai CTO碧玉van Heugten建议生成人工智能工具可以解决方案的一部分。生成AI推断新数据“适合”现有的数据集。例如,生成图像工具可以用来重建一个场景从一个低分辨率的照片。该公司使用类似的技术来“范例”现有工厂的数据集。这项技术可以用来开发一个更详细的表示的工厂,或扰乱真实数据来生成多个潜在的场景。
在这两种情况下,生成的数据可以训练更好的工厂能力模型和调度工具。业务发展总监彼得Lendermann D-Simlab技术解释在同一会议上扩展芯片的会话能力,能力模型寻求预测的结果给定任务的晶圆的工具。感兴趣的指标包括周期时间和吞吐量,而且工厂按时交付订单的能力,以及很多作业的影响产品质量。如果工厂加速交付一个高优先级,延迟低优先级很多多少?模型可以提供信息,但平衡竞争优先权需要人工输入。
调度优化器可以使用一个健壮的能力模型来测试他们的建议并确定“最佳”的时间表。然而,即使这个“理想”只是一个起点。虽然不可能fab-wide调度程序来响应事件的实际工厂实时设置指南调度软件本身是一个重要的进步。通常,工厂之间的交互能力变化和周期时间并不直观。因为实时调度软件必须采取行动,它必然重视迅速找到一个“足够好”的解决方案在一个“最佳”的解决方案。
D-Simlab主张使用机器学习支持”类型调度。“调度代理,使用工厂模拟训练,学习很多给“好”在特定情况下的结果,并使用这些知识在工厂做出类似的决定。
解决当地实时调度
局部流程细胞更容易处理,常规和机器学习方法。生产力改进瓶颈领域可以有一个实质性影响整个工厂。
在工作在今年的ASMC Semya Elaoud,研发在Flexciton,讨论一个项目在希捷Springtown将fab-wide调度器本地工具集调度器。fab-wide调度器使用预测未来流程步骤对在制品等待时间很多,需要每隔几分钟,然后将更新优先级设置为工具集调度器。工具集调度器,因为他们专注于集群小工具,能够提供准确的时间表,每一步都在工厂。结合系统实现了总体外事局吞吐量增长8.7%,增加了9.4%的许多举措光刻工具集。这项工作也发现自动化调度可以达到更好的负载平衡。人类调度程序倾向于支持工具位于调度工作站附近,而自动化系统克服了这种偏见。[2]
局部调度也聚光灯生产力的措施之间的关系像周期和产品质量的措施。例如,维护调度必然需要权衡工具可用性和潜在的产品质量退化。当需求很高,工厂可能会暂时超过额定容量运行通过延迟维护。管理人员需要工具来帮助评估这种方法的风险和益处。
调度也有助于确定收益率序列通过时间控制的过程。例如,在一些光阻图像质量降低。未能完成整个光刻过程,从抵制外套通过接触和发展,在有限的时间内,将导致减少产量和增加返工。
这些序列,称为“时间约束隧道”或“排队时间限制”的文学,对调度系统的特殊问题。调度很多之前的第一步序列,系统需要估计将达到总周期时间并确认很多最后一步在时间和其他许多已经在隧道将不会受到负面影响。例如,它可能是更高效的运行都需要很多相同的十字线在一起,但只有这样做并不过分延迟其他很多。
GlobalFoundries集团证明了神经网络方法的有效性时间约束隧道调度。输入参数和周期时间之间的关系是复杂和非线性的。正如上面所讨论的,机器学习方法特别有用在这种情况下,统计数据是可用的,但精确建模是很困难的。与现有的线性回归模型相比,周期时间从两个不同的人工神经网络模型预测实现类似的平均错误,但实质上更好的均方误差。线性回归模型给了更糟糕的结果在high-cycle-time场景中,精确的情况下,准确的预测是最重要的。
在这里,再一次,目标的定义由一个合格的人类是至关重要的。一个调度系统,一次只发送一个许多隧道可能永远不会违反约束的时候,但也迫使步进为长时间闲置不用。
集群工具是另一种情况下准确的本地调度可以实实在在的利益。集群工具集成到8室过程,造成许多相同的问题,整体工厂调度,但规模较小。每批可能有不同的配方,不同的路径通过工具。单个房间的可用性变化。没有缓冲区内的工具,但是,每一次运行过程控制系统可能会增加或减少给定室中的停留时间。真空泵或多或少可能需要时间来建立所需的工艺条件。和一个实时调度系统可能只有几秒钟晶片移动之间的“思考”。
这里,Doug Suerich同龄群体的营销总监,和特雷福McIlroy开发,主要开发人员,展示了强化学习方法的有效性。强化学习通过代理工作提出解决方案一个模拟环境,根据结果奖励或处罚。虽然最初随机,但解决方案改善随着时间的推移。
对等组工作用强化学习生成时间表离线,是用作实时调度器的起点。反过来,实时调度器模拟尽可能多的潜在波动的时间可用,首先寻找一个“有效的”序列,并没有违反预先确定的规则。一旦发现一个有效的序列,系统使用剩余时间试图找到一个更好的。[3]
接下来是什么?
总的来说,机器学习工具工厂调度分为两大类。大,离线模型可能试图找到最佳fab-scale解决方案,但需要太多的计算实时采取行动。规模较小的本地模型,另一方面,为了应对发生变化。随着两种模型变得更有能力,越来越多的工作正在进行连接的两个方法。
可能发生该接口通过现有的调度系统,如在希捷Springtown工作。或者,正如在对等组项目,类似的模型可能会使用不同的时间范围。本杰明·科瓦奇克拉根福大学和他的同事正在开发开源仿真工具来支持新兴的基准和测试解决方案。[4]
引用
|
|
|
|
|
|
|
|
留下一个回复