半導(dǎo)體制造是個極度復(fù)雜且漫長的生產(chǎn)過程，且每個制程步驟的良率都必須接近100%，才能確保最終生產(chǎn)良率維持在可接受的水平。 因此，半導(dǎo)體制造業(yè)者很早就開始在產(chǎn)在線設(shè)置各種數(shù)據(jù)擷取機(jī)制，并藉由大數(shù)據(jù)分析等方法進(jìn)行制程控制。 人工智能(AI)的興起，則讓半導(dǎo)體制造業(yè)者有了節(jié)省人力，提升分析效率的新方法。

為了確保最終良率，每家半導(dǎo)體業(yè)者都必須在晶圓生產(chǎn)過程中安插或多或少的制程控制(Process Control)節(jié)點(diǎn)。 這些節(jié)點(diǎn)除了可監(jiān)控晶圓制程的良率變動外，也能早期發(fā)現(xiàn)有問題的晶圓，避免其進(jìn)入下一個制程步驟，徒然浪費(fèi)時間。

然而，制程控制是相當(dāng)昂貴的，除了要設(shè)置對應(yīng)的檢測機(jī)臺外，檢測本身也需要時間，更需要人力來判讀機(jī)臺數(shù)據(jù)背后所代表的意義。 因此，制程控制究竟該如何進(jìn)行，才能在效率與良率間取得平衡，遂成為每家半導(dǎo)體制造業(yè)者都必須回答的問題。

制程數(shù)據(jù)浩瀚如煙海 AI加快分析速度

臺大資工系教授張智星表示，對晶圓制造業(yè)者而言，從制程機(jī)臺取得數(shù)據(jù)只是第一步，后續(xù)的數(shù)據(jù)分析才是能否從數(shù)據(jù)中萃取出關(guān)鍵信息，進(jìn)而改善營運(yùn)、提升良率的關(guān)鍵。 過去他曾經(jīng)領(lǐng)導(dǎo)一支研究團(tuán)隊(duì)，利用臺積電提供的數(shù)據(jù)，結(jié)合機(jī)器學(xué)習(xí)技術(shù)，發(fā)展出可自動對晶圓缺陷分布圖進(jìn)行分類的軟件應(yīng)用。 這項(xiàng)研究的成果，就為臺積電帶來很大的經(jīng)濟(jì)效益。 

張智星解釋，晶圓上不合格晶粒的分布狀況，是用來分析制程缺陷成因的重要數(shù)據(jù)。 某些特定的缺陷分布狀態(tài)，可以回推出造成晶粒缺陷的原因，例如當(dāng)不合格晶粒在晶圓上呈線型分布時，晶圓在制作過程中被刮傷，就是最可能的原因。

圖2是幾種典型的缺陷分布型態(tài)，對人類來說，這種缺陷分布的圖樣是很容易分辨的，因?yàn)槠漭喞卣鞯牟町愂置黠@，例如缺陷高度集中在晶圓的某個特定角落、中央或是環(huán)狀分布在晶圓的邊緣，而這些圖案之所以出現(xiàn)， 跟前面的某幾道制程步驟有關(guān)。 因此，晶圓缺陷分布圖是制程工程師檢視制程狀況非常重要的工具。

幾種典型的晶圓缺陷分布狀態(tài)

過去臺積電的制程工程師每天都要耗費(fèi)不少時間檢視不良晶粒的分布圖。 而隨著臺積電的產(chǎn)能規(guī)模越來越大，工程師耗費(fèi)在這上面的時間也越多。 張智星指出，根據(jù)臺積電當(dāng)時提供的數(shù)據(jù)，2013年第一季，該公司總共生產(chǎn)了388萬片晶圓，相當(dāng)于每天產(chǎn)出4.3萬片晶圓。 這意味著當(dāng)時臺積電的工程團(tuán)隊(duì)每天得看4.3萬張分布圖，耗費(fèi)的人力跟時間是相當(dāng)可觀的。 而隨著臺積電的產(chǎn)能規(guī)模越來越大，這項(xiàng)成本花費(fèi)只會更高。

也因?yàn)槿绱?，臺積電很早就開始把腦筋動到機(jī)器學(xué)習(xí)上，因?yàn)閳D形辨識跟分類，正是機(jī)器學(xué)習(xí)最擅長的應(yīng)用。 若能成功導(dǎo)入，每年可以省下至少100萬美元以上的人力成本。

張智星表示，因?yàn)樗闹饕芯款I(lǐng)域是信息工程，對半導(dǎo)體制程所知有限，因此在與臺積電合作的過程中，只專注在圖像辨識上。 在他的研究團(tuán)隊(duì)拿到臺積電提供的數(shù)據(jù)集之后，就開始分析，這些缺陷分布圖究竟有那些特征，是可以被萃取出來的。

其中，最直觀的就是圖形的輪廓，這是人類的眼睛一眼就能看出的特征。 但還有其他不那么直觀的特征可以利用，例如雷登變換(Radon Transform)。 也可以用統(tǒng)計(jì)取樣的技巧來對缺陷圖進(jìn)行分析，例如對整片晶圓進(jìn)行2乘2矩陣取樣，然后予以編碼，也能得出有意義的數(shù)值。

DNN應(yīng)用有其限制

不過，張智星也提醒，雖然神經(jīng)網(wǎng)絡(luò)是一項(xiàng)很紅的技術(shù)，但神經(jīng)網(wǎng)絡(luò)不是所有數(shù)據(jù)分析問題的理想解答。 以深度神經(jīng)網(wǎng)絡(luò)(DNN)為例，這項(xiàng)技術(shù)要能派上用場，先決條件是要有大量的數(shù)據(jù)集，而且最好是影像數(shù)據(jù)。 其次，必須有非常強(qiáng)的運(yùn)算硬件支持，不然會跑不動。 換言之，如果可以用來訓(xùn)練神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)集不夠，或是手上可用的運(yùn)算硬件效能不足，最好還是別使用神經(jīng)網(wǎng)絡(luò)。

此外，DNN還有一個特性，是所有想利用DNN發(fā)展應(yīng)用的開發(fā)者都必須注意的--DNN系統(tǒng)雖可產(chǎn)生預(yù)測結(jié)果，但卻無法解釋這個預(yù)測結(jié)果是怎么來的。 換言之，DNN只知其然，不知其所以然。 如果應(yīng)用需求不只要預(yù)測結(jié)果，還要進(jìn)一步解釋為何是這個結(jié)果，最好別使用DNN。 了解每個工具的特長，用最適合的工具來解決問題，是很重要的。

設(shè)備業(yè)者看AI--產(chǎn)品加值/升級的關(guān)鍵

由于半導(dǎo)體設(shè)備很早就已經(jīng)實(shí)現(xiàn)機(jī)臺聯(lián)網(wǎng)跟數(shù)據(jù)互通，因此對半導(dǎo)體設(shè)備商來說，如何用人工智能提升機(jī)臺的產(chǎn)能/稼動率，或是加快新機(jī)臺研發(fā)的速度，是比較關(guān)切的話題。

Lam Research副總裁暨首席工程師Keith Wells指出，AI技術(shù)已經(jīng)成熟到可以對產(chǎn)業(yè)應(yīng)用產(chǎn)生影響，而且成本合理的地步。 在Lam Research內(nèi)部，針對AI應(yīng)用的議題，發(fā)展方向比較偏向智能制造的層面，例如透過其Equipment Intelligence套件，讓機(jī)臺具備自我感知、自我維護(hù)與自動適應(yīng)的能力。

自我感知指的是機(jī)臺對于其內(nèi)部零件具備感知能力，包含零部件的種類與零部件過去、現(xiàn)在的狀態(tài)。 自我維護(hù)則是指機(jī)臺能知道何時需要維修，并且會自動進(jìn)行維修。 自動適應(yīng)則是指機(jī)臺能因應(yīng)制程跟來料變化自動進(jìn)行補(bǔ)償，以便把生產(chǎn)良率維持在一定水平之上。

就設(shè)備供貨商的角度來觀察，半導(dǎo)體設(shè)備的智能化跟晶圓生產(chǎn)的智能化，是未來必然要走的路，因此整個生態(tài)系，包含機(jī)臺本身、整個晶圓廠與機(jī)臺零部件的供貨商都必須攜手合作，實(shí)現(xiàn)數(shù)據(jù)共享。 Lam Research對于以AI為基礎(chǔ)的半導(dǎo)體智能制造有很強(qiáng)的承諾，并且正與其客戶合作，共同打造能符合未來需求的解決方案，包含更強(qiáng)大的數(shù)據(jù)存取系統(tǒng)，以及先進(jìn)分析工具環(huán)境。

但對半導(dǎo)體設(shè)備供貨商來說，最大的挑戰(zhàn)來自于客戶需求的多樣化。 每家客戶對于如何利用AI來提高生產(chǎn)力這個議題都有自己的想法，而且彼此之間或多或少有些出入。 因此，客戶通常都想要客制化的解決方案。 但客制化通常意味著更長的開發(fā)時間與更高的開發(fā)成本，因此業(yè)界必須創(chuàng)造一個大家都能接受的標(biāo)準(zhǔn)化框架，才能加快產(chǎn)品交付到客戶手上的速度。

科磊(KLA-Tencor)對AI的應(yīng)用方向，看法也跟Lam Research有些類似。 該公司資深副總裁暨營銷長Oreste Donzella表示，由于科磊的主力產(chǎn)品是半導(dǎo)體檢測設(shè)備，涉及到很復(fù)雜的光學(xué)設(shè)計(jì)，因此在產(chǎn)品開發(fā)過程中，用機(jī)器學(xué)習(xí)來進(jìn)行各種條件仿真，加快新產(chǎn)品設(shè)計(jì)開發(fā)的速度，已經(jīng)是行之有年的作法。

至于晶圓檢測設(shè)備所產(chǎn)生的大量數(shù)據(jù)要如何利用人工智能進(jìn)行分析，通常是由客戶端主導(dǎo)，科磊則扮演從旁協(xié)助的角色。 因?yàn)檫@些數(shù)據(jù)是客戶的商業(yè)機(jī)密，所以數(shù)據(jù)要如何分析跟使用，還是要由客戶做決定。

不過，針對后段封裝跟測試，情況就不太一樣了。 Donzella指出，跟前段晶圓制造相比，封裝業(yè)者分析跟控制數(shù)據(jù)的能力比較不成熟，因此封裝業(yè)者要發(fā)展自己的人工智能系統(tǒng)進(jìn)行數(shù)據(jù)分析，難度相對較高。 因此科磊也正在評估，自家的軟件跟服務(wù)部門能如何協(xié)助封裝業(yè)者，在導(dǎo)入人工智能的路上向前邁進(jìn)。

2018-11-05  來源：華強(qiáng)資訊    

文章關(guān)鍵詞： 韋爾半導(dǎo)體股份  香港華清電子(集團(tuán))有限公司  半導(dǎo)體制造   

免責(zé)聲明：本文僅代表作者個人觀點(diǎn)，與摘抄信息網(wǎng)無關(guān)。其原創(chuàng)性以及文中陳述文字和內(nèi)容未經(jīng)本站證實(shí)，對本文以及其中全部或者 部分內(nèi)容、文字的真實(shí)性、完整性、及時性本站不作任何保證或承諾，請讀者僅作參考，并請自行核實(shí)相關(guān)內(nèi)容。

版權(quán)聲明：本文系網(wǎng)絡(luò)轉(zhuǎn)載，已標(biāo)明出處。如需轉(zhuǎn)載，請點(diǎn)擊原文來源出處，聯(lián)系作者進(jìn)行轉(zhuǎn)載。