福利刊导航
登录
目录

人工智能介入芯片制造流程

福利刊852023-08-05 06:50:54

受芯片供过于求的影响,芯片厂和封测厂纷纷加紧产能建设,并评估将人工智能机器学习引入芯片制造可以带来更大的效益。

尤为重要的是,考虑到市场分析师对市场下滑的预期,未来三年芯片制造行业的市场规模预计将翻一番,鞋厂、人工智能数据库等的整体改善工具对于提高生产丰度至关重要。 重要的。

Inficon 智能制造总经理 John Behnke 表示:“我们在数字化转型中不会失败,因为我们别无选择。”  “所有晶圆厂的生产力都将提高 20% 至 40%,但在现阶段,他们将在 18 至 36 个月内无法使用新工具。为了充分利用这一潜力,我们将克服历史上人类对变革的焦虑。”

据悉,这些改变需要有明确的投资回报。  “对我来说,一切都取决于成本,”Sentient 的首席执行官 Abeer Singhal 强调道,Sentient 是一家生产人工智能驱动的 APC 软件的初创公司。  “我们为什么要把数据迁移到云端? 因为我们希望它是可访问的、可衡量的。 虽然有下载、存储和估算成本,但工程师希望摆脱一切都由 IT 负责的现状。 他们希望收集大量数据,同时做出明智的决策。”

主要挑战之一是高度规避风险的制造业,该行业主要通过渐进式改进获得了可观的利润。 数据库提供商 KXSystems 的半导体和制造总裁 Bill Pierson 表示:“半导体行业在技术方面取得了很多进步,但我们在业务变革方面通常进展缓慢。”  “部分原因是因为你身处一家成熟的鞋厂,而且它正在运营并产生高价值,所以为什么要改变它呢? 我们看到了一种自上而下的管理策略,该策略试图打破数据孤岛,并确保所收集的数据可供所有必要领域的工程师使用。”

其他人也强调了类似的趋势。  “人们不会轻易做出改变,”伦敦理工学院纳米生物科学负责人、研究员斯科特·特南鲍姆 (Scott Tenenbaum) 说。  “COVID-19 是一个很好的触发因素,人们正在尝试一些他们永远不会尝试的事情,除非迫不得已。我们的很多技术都是如此。旧技术消失了,你别无选择,只能使用新技术。”

在 SEMI 先进半导体制造会议的小组讨论中,与会者强调了涉及AI /ML 和全球晶圆厂的 10 个趋势或建议:

2025年半导体领域AI /ML规模将达1000亿港元;

工程师调度和缺陷分类的结果触手可及;

数字孪生和分析正在实现预测性维护;

非增值步骤可以跳过、缩短或衔接;

芯片厂现急聘数据工程师;

大数据固然好,但正确的数据更好;

工具状态标准 (SEMIE10) 促进透明度;

ML在测试中平衡良率、缺陷和测试成本;

投资回报率承诺克服了行业的不情愿;

数据库安全必须外部化。

SE:根据埃森哲最近的一份报告,人工智能和机器学习形成了约50亿至80亿港元的芯片收入,约占设备总收入的10%。 预计到2025年这一数字将降至1000亿港元左右。您同意这种担忧吗?

Behnke:事实上,我们可以看到AI 、ML等技术广泛应用于半导体制造,形成了半导体行业15%以上的价值。 我不认为这意味着它会形成另一个行业。 芯片厂已经支撑了950亿港元的市场份额,但借助先进的技术能力,芯片厂未来三年至少还能再扩张950亿欧元。

半导体领域的AI /ML在2021年创造价值70亿英镑,占芯片收入的10%,预计到2025年将升至设备收入的20%,达到900亿港元(来源:埃森哲)

Pierson:我们正在尝试通过增加工程师队伍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:就此而言,在晶圆厂采用AI/机器学习有哪些容易实现的成果?

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,现在可以在几分钟内对复杂的流程模型进行建模。 例如,AI辅助的逐次运行控制器可以提取内联 SPC 数据,并将其与 100 多个 FDC 和产量指标相结合,以深入了解系统健康状况并提出改进建议。

人工智能介入芯片制造流程

另一个AI用例是构建自适应工具状态模型,以避免由于计划或计划外的工具干扰而导致过多的提前调度。 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,包括投资回报率、周期时间改进或其他关键绩效指标。 为此,智能制造主要是利用工程师已经工作了几年或六年的环境以及丰富的历史数据,并升级该环境以创建数字孪生,有点像类固醇模拟器,利用计量和传感等数据源,让来自双体的信息实际上对鞋厂有更高的保真度和了解。 这些数字表示着眼于当前事件和选项,通过基于机器学习的历史学习来利用它们的价值,并快速确定下一步该做什么。 最明显的就是日程安排。 我应该在哪些工具上放置哪些批次以及按什么顺序? 更重要的是,应该设置这些工具来做什么? 这适用于APC、FDC2.0(故障缺陷分类)等。现在芯片制造商拥有在晶圆厂级别执行此操作的工具,真正令人兴奋的是在三年左右的时间里,公司内所有的鞋厂都已杠杆化这个工具,从晶圆厂到组装和封装。

Singhal:客户希望摆脱致电 IT 部门处理一切的麻烦。 这是将一切推向云端的重要推动力。 但他们也希望能够以每秒 100 兆的速度下载。 为此,我们讨论的是带宽,它是有成本的,即存储数据并使其可用。 对于目前芯片的发展趋势来说,此类芯片被专门设计为在芯片上集中处理信息,而不是在不同的系统中协同工作。

中级算法利用可操作的数据处理历史数据,促进决策价值最高的实时决策(图片来源:Gartner)

SE:半导体稀缺如何影响芯片制造?

本克:当今的社会与以前完全不同,所以人们现在明白我们需要开始更聪明地做事。 高层和监事会都参与其中,承受着巨大的压力。 在新一届监事会会议纪要中,他们被问到,“你们的智能制造战略是什么?这在三年前疫情爆发前是闻所未闻的。”

Pierson:我们正在转向一个以数据为中心的世界,我看到的变化之一是一级芯片公司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,负责整个组织并规划数据以供整个组织的人员使用。 随着这些数据爆燃的发生,人们需要认识到对这一定义角色的需求非常大,并且人们需要认识到对低质量数据的需求。 大多数数据都有时间戳,因此我们实际上可以对时间序列进行索引。

SE:特别是对于传统晶圆厂来说,学习曲线是怎样的?

皮尔森:这是一个旅程,有些公司比其他公司更先进。 一些工程师可能会使用笔和纸,他们只需要存储数据的能力并想要一个仪表板。 这是旅程的最初部分。 有些人正在谈论建立数字孪生并将其扩展到整个鞋厂。 这个旅程还将继续,需要 5 到 10 年的时间才能对我们的工作方式进行评分。 每个晶圆厂都是不同的,您必须在他们所在的地方与他们见面。

鞋厂运营的各个方面都可以借助基于数字孪生的数据进行处理和分析(来源:Inficon)

Behnke:探索更多可能性是人工智能的巨大优势之一。 人工智能不只是得到某个参数,而是得到每一个参数和每一个组合。  AI很强大,据我所知,没有人能做到。 现阶段,智能终端配备的传感器越来越多,因此系统将变得越来越智能化。 而AI是我们遇到过的最好的技术,它可以捕捉任何肉眼无法识别的信息。

Tenenbaum:但相应地,人工智能普遍被夸大了。 人工智能非常擅长识别大规模数据集,但不太擅长识别随机风暴。 以用于预测股市的人工智能技术为例,该技术在基于专业交易员的情况下效果很好。 但对于业余交易者和罗宾汉,或者对于键值和比特币来说,该技术在剖析数据方面表现不佳。 所以当你谈论如何让人工智能参与产品制造时,人工智能技术在预测可预测事件方面具有优势。 而且,同样代价高昂的一次性风暴对于人工智能来说非常具有挑战性。

SE:当行业转向 300mm 晶圆时,各公司之间的合作更加紧密,并制定了 SEMI 标准。 您看到这里发生了什么?

Behnke:业界已经制定了E10标准,即SEMIE10设备可靠性、可用性和可维护性规范。 通过此规范,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,该规范尚未被广泛报道,但业内一些公司已经开始采用。 这对于此类解决方案的推进将会有很大的帮助。

对晶圆缺陷的高度关注给减少非增值步骤带来了很大压力,特别是晶圆和组件计量和测试。 在半导体测试领域,为了确保测量可能影响可靠性的潜在缺陷,系统级测试的应用需求强烈。

Advantest 的戴夫·阿姆斯特朗 (Dave Armstrong) 表示:“像 Nvidia、AMD 和英特尔这样的领先公司多年来一直在这样做,但如今,公司仍在更快地进行更多系统级测试,以进行内存功能测试和其他测试。”  “他们发现两次教学测试还不够,所以他们需要进行高速测试以确保一个已知良好的小芯片。”

对额外测试的需求很大程度上是由通过学习平台获得的潜在缺陷问题的新知识驱动的。  “先进的数据分析提供了对异常值测量的深入了解,并指导我们的测试仪和测试程序设计,”阿姆斯特朗说。

半导体测试还受益于对大量测试数据进行切片的能力。 小型测试设施每晚可生成高达 4TB 的数据,并且该数据用于反馈过程以提高吞吐量和质量。

泰瑞达运营部高级总工程师Ken Lanier强调,测试仪上的多个传感器还可以监测芯片的电流、温度等参数,与机器学习一起可以实时改变测试过程。

“由于测试是投入生产之前的最后一步,因此在几周内调试大量软件程序和测试模式数据的压力可能会导致 IC 生产商因编程错误而放弃价值数百万欧元的优质设备,或者更糟糕的是,良率、缺陷率和测试成本之间的权衡需要在设计模拟、测试程序和机器学习工具方面进行大量投资,以发现最轻微的异常,标记测试设备上的缺陷。问题并减少调试周期, ”拉尼尔说道。

展望未来,数据安全是另一个需要解决的问题,因为它成为数据共享的障碍。  Inficon 的 Behnke 表示:“这些数据库需要非常安全的环境,因为没有人愿意出于 IP 原因共享数据。”  “没有人愿意共享数据,因为他们也担心安全。”

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带入其制鞋工厂。 这可能需要时间,但随着孤岛被打破和数据跨越传统的分界线,这被视为必要的一步。

  • 不喜欢(2
本文转载自互联网,具体来源未知,或在文章中已说明来源,若有权利人发现,请联系我们更正。本站尊重原创,转载文章仅为传递更多信息之目的,并不意味着赞同其观点或证实其内容的真实性。如其他媒体、网站或个人从本网站转载使用,请保留本站注明的文章来源,并自负版权等法律责任。如有关于文章内容的疑问或投诉,请及时联系我们。我们转载此文的目的在于传递更多信息,同时也希望找到原作者,感谢各位读者的支持!

本文链接:https://www.fulikan.com/sites/166.html

猜你喜欢

网友评论