文︱LAURA PETERS

来源︱Semiconductor Engineering

编译 | 编辑部

 

受到芯片短缺影响,晶圆厂和OSAT纷纷加大产能建设,并评估将人工智能和机器学习介入芯片制造,能否带来更大的效益。

 

尤为重要的一点是,鉴于市场分析师对市场增长的预期,预计未来五年内,芯片制造业的市场规模将翻一番,工厂、人工智能数据库和工具的整体改进对于提高生产率至关重要。

 

“我们不会在数字化转型中失败,因为别无选择,”Inficon负责智能制造的总经理John Behnke表示。“所有晶圆厂的产能都将提升20%至40%,但现阶段,在18到36个月内,他们都难以获得新工具。为了充分利用这些潜力,我们将克服人类对变革的历史恐惧。”

 

此外,这种变化需要有明确的投资回报率。“对我来说,一切都归结为成本,”人工智能驱动的APC软件的初创公司Sentient的首席执行官Abeer Singhal指出。“我们为什么要将数据迁移到云中?因为我们希望它是可访问、可计算的。即便有下载、存储和计算成本,但工程师希望摆脱为所有事情调用IT的现状。他们希望收集高频数据,同时做出明智的决策。”

 

其中一个重大挑战是高度规避风险的制造业,该部门通过大部分渐进式改进取得了显著收益。“半导体行业有很多技术类型的进步,但我们通常在进行业务变革方面非常缓慢,”数据库供应商KX Systems半导体和制造副总裁Bill Pierson认为。“部分原因是因为你在一个已经建成的工厂里,它正在运行并获得高产量,所以为什么要改变它呢?但是,我们看到自上而下的管理策略是试图打破数据孤岛,确保所收集的数据将提供给所有必要领域的工程师。”

 

其他人则指出了类似的趋势。“人们轻易不会做出改变,”纳米生物科学负责人兼纽约州立大学理工学院教授Scott Tenenbaum表示。“新冠疫情是一个很好的契机,人们尝试了他们永远不会尝试的事情,除非他们必须这样做。我们的很多技术都是这样的。旧技术消失了,你别无选择,只能使用新技术。”

 

在SEMI先进半导体制造大会的小组讨论中,与会者指出了涉及AI/ML和全球晶圆厂的10个趋势或建议:

 

到2025年,半导体领域的AI/ML将达到1000亿美元;

工程师在调度和缺陷分类方面的成果唾手可得;

数字孪生和分析正在实现预测性维护;

非增值步骤可能会被跳过、缩短或移动;

晶圆厂现在正在招聘数据工程师;

大数据很好,但正确的数据更好;

工具状态标准(SEMI E10)有助于透明度;

ML在测试平衡良率、缺陷、测试成本;

投资回报率承诺克服了行业的不情愿;

必须内置数据库安全性。

 

SE:麦肯锡最近的一份报告显示,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。你同意这个估计吗?

 

Behnke:显然,我们可以看到AI、ML等技术在半导体制造中的广泛应用,为半导体行业产生了15%以上的价值。这不认为这意味着它会产生另一个行业,晶圆厂撑起了950亿美元的市场份额,但利用先进技术能力,晶圆厂在未来五年内将至少能够再扩大950亿美元。

 

半导体领域的AI / ML在2021年创造了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%达900亿美元(图源:麦肯锡公司)

 

Pierson:我们正试图通过提高这些工程师的劳动力来提高晶圆厂的生产力并降低成本。劳动力是其中的关键部分。

 

SE:关于这一点,在晶圆厂中采用AI/ML将会得到哪些唾手可得的成果?

 

Singhal:大数据和人工智能算法代表了APC工程师的范式转变。与过去相比,如今可以在几分钟内构建复杂的流程模型。例如,AI辅助运行到运行的控制器可以提取内联SPC数据,将其与100多个FDC和良率指标相结合,以提供对系统运行状况的洞察并提出改进建议。

 

另一个 AI 用例是构建自适应工具状态模型,以防止计划中或计划外的工具事件过多的提前发送。人工智能的潜力是无穷无尽的。

 

Behnke: 到目前为止,晶圆厂投资回报率最高的应用是调度。工具必须在六个月或更短的时间内提供价值,包括ROI、周期时间改进或其他KPI。因此,智能制造很大程度上是采用工程师几十年来一直在工作的环境以及丰富的历史数据,升级这些环境来创建一个数字孪生体,这有点像类固醇上的模拟器,使用计量学和传感器以及其他数据源,使得孪生体的信息实际上具有更高的保真度和对工厂的理解。这种数字表示会查看当前事件和选项,通过基于ML的历史学习利用其具有的价值,并快速确定下一步应该做什么。显而易见的是调度。我应该在什么工具上放什么批次,以什么顺序?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,芯片制造商拥有在晶圆厂层面实现这一目标的工具,真正令人兴奋的是,在五年左右的时间里,公司内的所有工厂都利用这些工具,从晶圆厂到组装和封装

 

Singhal: 客户希望从呼叫IT处理所有事情的麻烦中解脱出来。这是将所有内容推送到云的重要驱动因素。但他们也希望能够以每秒100千兆的速度下载。因此,我们谈论的是带宽,这是有成本的,存储数据并使其可用。对于目前芯片的发展趋势,这些芯片专门设计成能够在芯片上集中处理信息,而不是在一起工作的不同系统中。

 

高级算法可使用可操作数据处理历史数据,以便在决策价值最高的情况下实现实时决策(图源:Gartner)

 

SE:半导体短缺对芯片制造有何影响?

 

Behnke:当今社会与过去完全不同,所以人们现在明白,我们需要开始更聪明地做事。高管与董事会都参与其中,他们承受着巨大的压力。在新的董事会会议记录中,他们被问到,“你的智能制造战略是什么?这在两年前还没有爆发疫情的时候是闻所未闻的。”

 

Pierson: 我们正在转向以数据为中心的世界,我看到的变化之一是一级芯片公司都拥有这些所谓的数据工程师团队。他们不是数据科学家,也不是主题专家。他们是数据工程师,负责整个组织并为整个组织中的人员准备数据以供使用。随着这种数据爆炸的发生,需要认识到,对这个定义的角色有很大的需求,人们需要认识到需要格式化数据。大多数数据都有一个时间戳,所以也许我们可以索引时间序列。

 

SE:特别是对于传统晶圆厂来说,学习曲线是什么样的?

 

Pierson: 这是一个旅程,有些公司比其他公司更先进。一些工程师可能使用铅笔和纸垫,他们只需要能够存储数据并想要一个仪表板。这是旅程的早期部分。有些人正在谈论做数字孪生体并在整个工厂扩张。这个旅程将继续下去,对我们的工作方式进行评分将需要5到10年的时间。每个晶圆厂都是不同的,你必须在他们所在的地方与他们见面。

 

工厂运转的各个方面都可以利用以数字孪生为基础的数据处理和分析(图源:Inficon)

 

Behnke:对于更多可能性的探索是人工智能其中一个很大的优势。人工智能不只是获取某个参数,而是会获取每个参数和每个组合。人工智能的功能很强大,据我所知,没有人能做到这一点。现阶段,智能终端搭载了越来越多的传感器,因此系统将越来越智能。而AI是我们遇到的最好的技术,可以捕获任何无法通过肉眼识别的信息。

 

Tenenbaum:然而相应地,人工智能普遍被过度炒作。人工智能在针对大规模数据集的识别方面极具优势,但它不太擅长识别随机事件。以用于预测股市的人工智能技术为例,在基于专业交易者时,这项技术运作良好。但对于业余交易者和“罗宾汉”,或对于通配符和比特币,该技术在数据分析方面则表现不佳。因此,当你谈论如何让人工智能介入产品制造时,人工智能技术在对可预测事项的预测中很有优势。但是,同样代价高昂的一次性事件,对于人工智能来说则非常具有挑战性。

 

SE:当行业转向300mm晶圆时,各公司之间进行了更加密切的合作,并制定了SEMI标准。你看到这里发生了什么?

 

Behnke:行业内制定了E10标准,即SEMI E10设备可靠性、可用性和可维护性规范。通过这一规范,可以更好地跟踪模块化系统中的工具,以提高利用率。现阶段,该规范并没有得到那么广泛的报道,但业界已经有一些企业开始采用。随着这些解决方案的推进,这将是一个很大的帮助。

 

对晶圆缺陷的高度关注给减少非增值步骤带来了很大的压力,特别是晶圆和器件的计量和测试。在半导体测试领域,为了确保检测可能影响可靠性的潜在缺陷,系统级测试的应用需求越来越旺盛。

 

“像Nvidia、AMD和Intel这样的领导者已经这样做了多年,但最近公司一直在更快地进行更多的系统级测试,以对内存和其他测试进行功能测试,”Advantest的Dave Armstrong表示。“他们发现两个教学测试是不够的,所以他们需要做高速测试,以确保一个已知的良好的小芯片。”

 

对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。“高级数据分析提供了对异常值检测的洞察,并指导我们进行测试仪和测试程序设计,”Armstrong称。

 

半导体测试也从切割大量测试数据的能力中受益匪浅。大型测试设施每天可生成高达4TB的数据,这些数据用于反馈过程,以提高产量和质量。

 

Teradyne运营高级副总裁Ken Lanier指出,测试仪上的多个传感器还可以监控芯片的电压、温度和其他参数,这些参数与机器学习一起可以实时修改测试过程。

 

“由于测试是发布到生产环境之前的最后一步,因此在几周内调试大量软件程序和测试模式数据的压力很大,因为编程错误可能导致IC生产商丢弃数百万美元的好设备,或者更糟糕的是,运送坏设备。在良率、缺陷率和测试成本之间进行权衡,需要对设计仿真、测试程序和机器学习工具进行大量投资,以识别最轻微的异常,标记测试设备上的问题并缩短调试周期,“Lanier表示。

 

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。“这些数据库需要是非常安全的环境,因为没有人愿意出于IP原因共享数据,”Inficon的Behnke表示。“没有人愿意共享数据,因为他们还担心安全方面的问题。”

 

半导体行业正在努力保护自己的片上数据,但它也在扩大这一努力,将电子系统和数据库纳入其工厂。这可能需要时间,但它被视为必要的步骤,因为孤岛被打破,数据跨越传统的分界线。