半導體制造是個極度復雜且漫長的生產(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，半導體制造業(yè)者很早就開始在產(chǎn)在線設置各種數(shù)據(jù)擷取機制，并藉由大數(shù)據(jù)分析等方法進行制程控制。 人工智能(AI)的興起，則讓半導體制造業(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。 這些節(jié)點除了可監(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，避免其進入下一個制程步驟，徒然浪費時間。

然而，制程控制是相當昂貴的，除了要設置對應的檢測機臺外，檢測本身也需要時間，更需要人力來判讀機臺數(shù)據(jù)背后所代表的意義。 因此，制程控制究竟該如何進行，才能在效率與良率間取得平衡，遂成為每家半導體制造業(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，進而改善營運、提升良率的關(guān)鍵。 過去他曾經(jīng)領(lǐng)導一支研究團隊，利用臺積電提供的數(shù)據(jù)，結(jié)合機器學習技術(shù)，發(fā)展出可自動對晶圓缺陷分布圖進行分類的軟件應用。 這項研究的成果，就為臺積電帶來很大的經(jīng)濟效益。 

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，因為其輪廓特征的差異十分明顯，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，工程師耗費在這上面的時間也越多。 張智星指出，根據(jù)臺積電當時提供的數(shù)據(jù)，2013年第一季，該公司總共生產(chǎn)了388萬片晶圓，相當于每天產(chǎn)出4.3萬片晶圓。 這意味著當時臺積電的工程團隊每天得看4.3萬張分布圖，耗費的人力跟時間是相當可觀的。 而隨著臺積電的產(chǎn)能規(guī)模越來越大，這項成本花費只會更高。

也因為如此，臺積電很早就開始把腦筋動到機器學習上，因為圖形辨識跟分類，正是機器學習最擅長的應用。 若能成功導入，每年可以省下至少100萬美元以上的人力成本。

張智星表示，因為他的主要研究領(lǐng)域是信息工程，對半導體制程所知有限，因此在與臺積電合作的過程中，只專注在圖像辨識上。 在他的研究團隊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)計取樣的技巧來對缺陷圖進行分析，例如對整片晶圓進行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應用有其限制

不過，張智星也提醒，雖然神經(jīng)網(wǎng)絡是一項很紅的技術(shù)，但神經(jīng)網(wǎng)絡不是所有數(shù)據(jù)分析問題的理想解答。 以深度神經(jīng)網(wǎng)絡(DNN)為例，這項技術(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，必須有非常強的運算硬件支持，不然會跑不動。 換言之，如果可以用來訓練神經(jīng)網(wǎng)絡的數(shù)據(jù)集不夠，或是手上可用的運算硬件效能不足，最好還是別使用神經(jīng)網(wǎng)絡。

此外，DNN還有一個特性，是所有想利用DNN發(fā)展應用的開發(fā)者都必須注意的--DNN系統(tǒng)雖可產(chǎn)生預測結(jié)果，但卻無法解釋這個預測結(jié)果是怎么來的。 換言之，DNN只知其然，不知其所以然。 如果應用需求不只要預測結(jié)果，還要進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。

設備業(yè)者看AI--產(chǎn)品加值/升級的關(guān)鍵

由于半導體設備很早就已經(jīng)實現(xiàn)機臺聯(lián)網(wǎng)跟數(shù)據(jù)互通，因此對半導體設備商來說，如何用人工智能提升機臺的產(chǎn)能/稼動率，或是加快新機臺研發(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，讓機臺具備自我感知、自我維護與自動適應的能力。

自我感知指的是機臺對于其內(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)。 自我維護則是指機臺能知道何時需要維修，并且會自動進行維修。 自動適應則是指機臺能因應制程跟來料變化自動進行補償，以便把生產(chǎn)良率維持在一定水平之上。

就設備供貨商的角度來觀察，半導體設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，包含機臺本身、整個晶圓廠與機臺零部件的供貨商都必須攜手合作，實現(xiàn)數(shù)據(jù)共享。 Lam Research對于以AI為基礎(chǔ)的半導體智能制造有很強的承諾，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，包含更強大的數(shù)據(jù)存取系統(tǒng)，以及先進分析工具環(huán)境。

但對半導體設備供貨商來說，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準化框架，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)品是半導體檢測設備，涉及到很復雜的光學設計，因此在產(chǎn)品開發(fā)過程中，用機器學習來進行各種條件仿真，加快新產(chǎn)品設計開發(fā)的速度，已經(jīng)是行之有年的作法。

至于晶圓檢測設備所產(chǎn)生的大量數(shù)據(jù)要如何利用人工智能進行分析，通常是由客戶端主導，科磊則扮演從旁協(xié)助的角色。 因為這些數(shù)據(jù)是客戶的商業(yè)機密，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，自家的軟件跟服務部門能如何協(xié)助封裝業(yè)者，在導入人工智能的路上向前邁進。

2018-11-05  來源：華強資訊    

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

免責聲明：本文僅代表作者個人觀點，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，對本文以及其中全部或者 部分內(nèi)容、文字的真實性、完整性、及時性本站不作任何保證或承諾，請讀者僅作參考，并請自行核實相關(guān)內(nèi)容。

版權(quán)聲明：本文系網(wǎng)絡轉(zhuǎn)載，已標明出處。如需轉(zhuǎn)載，請點擊原文來源出處，聯(lián)系作者進行轉(zhuǎn)載。