СледваСледващо ръководство
AI в доставката до последната миля и оптимизирането на маршрута
Индустрии
Индустрии РЪКОВОДСТВО
AI в оптимизацията на производителността на полупроводникови фабрики
AI в оптимизирането на производителността на полупроводникови фабрики използва машинно обучение върху изображения за инспекция на пластини, данни от сензори на инструменти и резултати от тестове, за да открие дефекти, да предвиди измерванията и да поддържа производствените процеси на целта.
На тази страница3 минути четене
Преглед
Има значение, защото един модерен чип преминава през стотици стъпки на процеса и малките подобрения в частта работещи чипове на пластина се превръщат директно в големи икономии на разходи и повече доставки.
Дълбоко гмуркане
Добивът е фракцията чипове (матрици) на пластина, които работят. Фабриките губят добив поради произволни частици, систематични проблеми с процеса и бавно отклонение в оборудването. Тъй като вафлата може да прекара седмици във фабриката, хващането на проблем с дни закъснение може да съсипе много партиди. AI помага в три основни области. Първото е откриване и класифициране на дефекти. Оптичните и електронно-лъчевите инструменти за инспекция откриват аномалии върху пластините, а моделите за автоматична класификация на дефектите ги етикетират по тип. Отделно, електрическият тест създава карти на вафли, показващи кои матрици са неуспешни. Пространственият модел е улика: пръстенът на ръба предполага проблем на ръба на пластината по време на процес като ецване, докато драскотина предполага повреда при обработка. Публичният набор от данни WM-811K, извлечен от истински фабрикантски карти на вафли, се използва широко в изследванията за класифициране на тези модели. Второто е виртуалната метрология. Измерването на всяка вафла на всяка стъпка е бавно и скъпо, така че вземайте проба от фабрици. Виртуалната метрология прогнозира резултатите от измерванията от вече записаните инструменти за сензорни данни, като налягане, температура, газов поток и радиочестотна мощност, като дава оценка за всяка пластина. Трето е контролът на процеса. Системите за откриване и класифициране на неизправности следят следите от сензорите на инструмента за необичайно поведение, а контролерите за изпълнение коригират настройките на рецептата между партидите, за да поддържат резултатите на целта. Машинното обучение може да подобри и двете чрез моделиране на нелинейни връзки, които традиционният статистически контрол на процеса пропуска. Често срещани са няколко погрешни схващания. Фабриките нямат огромни етикетирани набори от данни за всеки тип дефект: редки дефекти може да се появят само няколко пъти, класовете са силно дисбалансирани и етикетите зависят от експертни инженери. Моделите също остаряват, когато инструментите се подлагат на поддръжка или рецептите се променят. И една прогноза сама по себе си не е достатъчна; инженерите се нуждаят от правдоподобна физическа причина, преди да променят процес. Тази тема се отнася до производството, а не до дизайна на оформлението на чипа.
Стратегическо въздействие
Контекст и правила
Индустриалният контекст определя дали идеите за ИИ оцеляват при контакт с реалността.
Контрол на качеството
Ограниченията на домейна влияят на приемливите нива на грешки и моделите за надзор.
Избор на билдове
Успешното внедряване съгласува техническите възможности с работните потоци на първа линия.
Бъдещето на AI в оптимизацията на производителността на полупроводникови фабрики
Тъй като характеристиките на чипа се свиват и дизайнът преминава към 3D структури и усъвършенствано опаковане, броят на стъпките на процеса и генерираните от всяка от тях данни продължават да растат, което увеличава търсенето на автоматизиран анализ. Вероятните насоки включват модели, които комбинират данни през стъпки, за да проследят загубата на добив обратно до нейния източник, и по-добри методи за учене от няколко обозначени примера. Приемането ще остане предпазливо: фабриките променят процесите само със сериозни доказателства, а погрешната автоматизирана настройка може да премахне скъпите вафли. Очаква се човешките инженери да запазят контрола върху решенията за първопричината.
Внедряване в реалния свят
Конволюционна невронна мрежа класифицира картите на пластини от електрически тест в модели като ръб-пръстен, център, драскане или случайни, насочвайки инженерите към вероятната грешна стъпка на процеса.
Виртуален метрологичен модел прогнозира дебелината на филма за всяка пластина от следите от сензора на инструмента за отлагане, така че фабриката физически измерва само проба, докато все още улавя отклоненията.
Автоматичното класифициране на дефекти сортира хиляди изображения на дефекти от сканиращ електронен микроскоп в категории като частици, мостове и колапс на шаблони, намалявайки времето за ръчен преглед.
Контролерът от цикъл до цикъл настройва времето за ецване за следващата партида въз основа на измерени и прогнозирани резултати от предишната партида, компенсирайки постепенното отклонение на камерата.
Рискове и предпазни огради
Регулаторните изисквания могат да обезсилят иначе силните прототипи.
Историческите данни могат да кодират пристрастие, което вреди на определени общности.
Наследените системи могат да създадат затруднения при интеграцията и скрити разходи.
Пътна карта за изпълнение
Включете експерти в областта от рамкирането на проблема до оценката.
Проектирайте одитни пътеки и документация преди стартиране.
Ранно потвърдете задълженията за съответствие и безопасност.
Пускане на етапи с ясни критерии за спиране и връщане назад.
Продължете да изследвате
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Semiconductor Fab Yield Optimization quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Често задавани въпроси
Какво е AI в оптимизацията на добива на полупроводникови фабрики?
AI в оптимизирането на производителността на полупроводникови фабрики използва машинно обучение върху изображения за инспекция на пластини, данни от сензори на инструменти и резултати от тестове, за да открие дефекти, да предвиди измерванията и да поддържа производствените процеси на целта. Има значение, защото един модерен чип преминава през стотици стъпки на процеса и малките подобрения в частта работещи чипове на пластина се превръщат директно в големи икономии на разходи и повече доставки.
Какво означава „добив“ в производството на полупроводници?
Добивът е делът на чипове върху пластина, които функционират правилно; повишаването му намалява цената на добър чип.
Какво прави виртуалната метрология?
Виртуалната метрология използва сензорни данни като налягане, температура и радиочестотна мощност, за да оцени измерванията, така че производителите могат да наблюдават всяка пластина, докато физически измерват само проба.
Към какво най-вероятно сочи шарка на пръстеновиден ръб върху карта на вафла?
Пространствените модели носят улики; пръстен на ръба предполага проблем с процеса, концентриран в ръба на пластината, докато драскотина предполага повреда при работа.
За какво се използва наборът от данни WM-811K?
WM-811K е публичен набор от реални фабрикантски карти на вафли, широко използвани за изследване на класификацията на шаблони на дефекти.
Защо виртуалните метрологични модели се нуждаят от често повторно калибриране?
Превантивната поддръжка, стареенето и промените в рецептите причиняват отклонение, така че моделите трябва да откриват смени и да актуализират с помощта на нови физически измервания.
Продължавай да учиш
Свързани ръководства
Още ръководства, избрани за тази тема