الذكاء الاصطناعي في تحسين إنتاجية أشباه الموصلات

العائد هو جزء من الرقائق (يموت) على الرقاقة التي تعمل. تفقد المصانع إنتاجها بسبب الجزيئات العشوائية ومشاكل العملية المنهجية والانجراف البطيء للمعدات. نظرًا لأن الرقاقة يمكن أن تقضي أسابيع في المصنع، فإن اكتشاف مشكلة متأخرة لعدة أيام قد يؤدي إلى تدمير الكثير. يساعد الذكاء الاصطناعي في ثلاثة مجالات رئيسية. الأول هو اكتشاف العيوب وتصنيفها. تكتشف أدوات الفحص البصري وفحص الشعاع الإلكتروني العيوب في الرقاقات، وتقوم نماذج تصنيف العيوب التلقائية بتسميتها حسب النوع. بشكل منفصل، يُنتج الاختبار الكهربائي خرائط رقاقة توضح أي القوالب الفاشلة. يعتبر النمط المكاني بمثابة دليل: تشير حلقة الحافة إلى وجود مشكلة في حافة الرقاقة أثناء عملية مثل النقش، بينما يشير الخدش إلى التعامل مع الضرر. تُستخدم مجموعة بيانات WM-811K العامة، المستمدة من خرائط الرقاقات الرائعة الحقيقية، على نطاق واسع في الأبحاث المتعلقة بتصنيف هذه الأنماط. والثاني هو المترولوجيا الافتراضية. يعد قياس كل رقاقة في كل خطوة أمرًا بطيئًا ومكلفًا، لذلك تقوم شركة التصنيع بأخذ العينات. تتنبأ علم القياس الافتراضي بنتائج القياس من أدوات بيانات الاستشعار المسجلة بالفعل، مثل الضغط ودرجة الحرارة وتدفق الغاز وطاقة التردد اللاسلكي، مما يعطي تقديرًا لكل رقاقة. الثالث هو التحكم في العملية. تقوم أنظمة الكشف عن الأخطاء وتصنيفها بمراقبة آثار أجهزة الاستشعار للسلوك غير الطبيعي، وتقوم وحدات التحكم التي يتم تشغيلها بضبط إعدادات الوصفة بين المجموعات للحفاظ على النتائج على الهدف. يمكن للتعلم الآلي تحسين كليهما من خلال نمذجة العلاقات غير الخطية التي يفتقدها التحكم التقليدي في العمليات الإحصائية. العديد من المفاهيم الخاطئة شائعة. لا تمتلك شركة التصنيع مجموعات بيانات ضخمة مصنفة لكل نوع من العيوب: قد تظهر العيوب النادرة عدة مرات فقط، والفئات غير متوازنة بشكل كبير، وتعتمد التصنيفات على مهندسين خبراء. تصبح النماذج أيضًا قديمة عندما تخضع الأدوات للصيانة أو تتغير الوصفات. والتنبؤ وحده لا يكفي؛ يحتاج المهندسون إلى سبب مادي معقول قبل أن يغيروا العملية. يتعلق هذا الموضوع بالتصنيع، وليس بتصميم تخطيط الرقاقة.