DalšíDalší průvodce
AI v doručování na poslední míli a optimalizaci trasy
Průmyslová odvětví
PRŮVODCE odvětvími
AI v Semiconductor Fab Yield Optimization
Umělá inteligence v optimalizaci výtěžnosti výroby polovodičů využívá strojové učení na inspekčních obrazech destiček, datech snímačů nástrojů a výsledcích testů k nalezení defektů, předpovídání měření a udržení výrobních procesů v cíli.
Na této stránce3 min čtení
Přehled
Je to důležité, protože moderní čip projde stovkami procesních kroků a malá zlepšení ve zlomku pracovních třísek na wafer se přímo promítají do velkých úspor nákladů a větší nabídky.
Hluboký ponor
Výtěžnost je zlomek třísek (masek) na destičce, které fungují. Fab ztrácejí výtěžnost kvůli náhodným částicím, systematickým procesním problémům a pomalému driftu v zařízení. Protože oplatka může strávit týdny v továrně, chycení problému o několik dní později může mnoho zkazit. AI pomáhá ve třech hlavních oblastech. První je detekce a klasifikace defektů. Optické nástroje a nástroje pro kontrolu elektronovým paprskem nacházejí anomálie na waferech a modely automatické klasifikace defektů je označují podle typu. Samostatně elektrický test vytváří waferové mapy ukazující, která matrice selhala. Prostorový vzor je vodítkem: okrajový kroužek naznačuje problém na okraji plátku během procesu, jako je leptání, zatímco škrábnutí naznačuje poškození při manipulaci. Veřejný soubor dat WM-811K, nakreslený ze skutečných fab wafer map, je široce používán ve výzkumu klasifikace těchto vzorů. Druhým je virtuální metrologie. Měření každého plátku v každém kroku je pomalé a drahé, takže skvělý vzorek. Virtuální metrologie předpovídá výsledky měření již zaznamenanými nástroji senzorových dat, jako je tlak, teplota, průtok plynu a vysokofrekvenční výkon, a poskytuje tak odhad pro každý plátek. Třetí je řízení procesu. Systémy detekce chyb a klasifikace sledují stopy snímače nástroje, zda nedochází k abnormálnímu chování, a řídicí jednotky typu run-to-run upravují nastavení receptur mezi šaržemi, aby výsledky zůstaly na cílovém místě. Strojové učení může zlepšit obojí modelováním nelineárních vztahů, které tradiční statistické řízení procesu postrádá. Několik mylných představ je běžné. Fab nemají velké označené datové sady pro každý typ defektu: vzácné defekty se mohou objevit jen několikrát, třídy jsou silně nevyvážené a popisky závisí na odborných inženýrech. Modely také zastarávají, když nástroje procházejí údržbou nebo se mění receptury. A samotná předpověď nestačí; inženýři potřebují věrohodnou fyzickou příčinu, než změní proces. Toto téma se týká výroby, nikoli návrhu rozložení čipu.
Strategický dopad
Kontext a pravidla
Kontext odvětví určuje, zda nápady AI přežijí kontakt s realitou.
Kontrola kvality
Omezení domény ovlivňují přijatelnou míru chyb a modely dohledu.
Volby sestavy
Úspěšné nasazení sladí technické možnosti s předními pracovními postupy.
Budoucnost umělé inteligence v optimalizaci výnosu polovodičových Fab
Jak se vlastnosti čipu zmenšují a návrhy se přesouvají do 3D struktur a pokročilého balení, počet procesních kroků a dat, která každý generuje, stále roste, což zvyšuje poptávku po automatizované analýze. Pravděpodobné směry zahrnují modely, které kombinují data napříč kroky ke sledování ztráty výnosu zpět k jejímu zdroji, a lepší metody učení z několika označených příkladů. Adopce zůstane opatrná: továrny mění procesy pouze se silnými důkazy a špatné automatické nastavení může zlikvidovat drahé oplatky. Od lidských inženýrů se očekává, že budou mít kontrolu nad rozhodnutími o příčinách.
Real-World Implementace
Konvoluční neuronová síť klasifikuje waferové mapy z elektrického testu do vzorů, jako je okrajový prstenec, střed, škrábanec nebo náhodný, což ukazuje inženýry na pravděpodobný chybný procesní krok.
Virtuální metrologický model předpovídá tloušťku filmu pro každý plátek ze stop senzoru nanášecího nástroje, takže továrna fyzicky měří pouze vzorek a přitom stále zachycuje úlety.
Automatická klasifikace defektů třídí tisíce snímků defektů z rastrovacího elektronového mikroskopu do kategorií, jako jsou částice, můstky a zhroucení vzoru, čímž se zkracuje doba ruční kontroly.
Řídicí jednotka run-to-run upravuje dobu leptání pro další šarži na základě naměřených a předpokládaných výsledků z předchozí šarže, čímž kompenzuje postupný posun komory.
Rizika a zábradlí
Regulační požadavky mohou zneplatnit jinak silné prototypy.
Historická data mohou zakódovat zaujatost, která poškozuje konkrétní komunity.
Starší systémy mohou vytvářet úzká místa integrace a skryté náklady.
Plán implementace
Zapojte odborníky na doménu od rámování problému až po hodnocení.
Před spuštěním navrhněte auditní záznamy a dokumentaci.
Předčasně ověřte dodržování a bezpečnostní závazky.
Zavádění ve fázích s jasnými kritérii zastavení a vrácení.
Pokračujte v objevování
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
Často kladené otázky
Co je AI v Semiconductor Fab Yield Optimization?
Umělá inteligence v optimalizaci výtěžnosti výroby polovodičů využívá strojové učení na inspekčních obrazech destiček, datech snímačů nástrojů a výsledcích testů k nalezení defektů, předpovídání měření a udržení výrobních procesů v cíli. Je to důležité, protože moderní čip projde stovkami procesních kroků a malá zlepšení ve zlomku pracovních třísek na wafer se přímo promítají do velkých úspor nákladů a větší nabídky.
Co znamená „výnos“ ve výrobě polovodičů?
Výnos je podíl čipů na destičce, které fungují správně; jeho zvýšení snižuje náklady na dobrý čip.
Co dělá virtuální metrologie?
Virtuální metrologie používá k odhadu měření data ze senzorů, jako je tlak, teplota a vysokofrekvenční výkon, takže továrny mohou monitorovat každý wafer a fyzicky měřit pouze vzorek.
Na co s největší pravděpodobností ukazuje vzor okrajového prstence na waferové mapě?
Prostorové vzory nesou vodítka; okrajový kroužek naznačuje procesní problém soustředěný na okraji plátku, zatímco škrábnutí naznačuje poškození při manipulaci.
K čemu se používá datová sada WM-811K?
WM-811K je veřejná sada skutečných fab wafer map široce používaných pro výzkum klasifikace vzorů defektů.
Proč potřebují virtuální metrologické modely častou rekalibraci?
Preventivní údržba, stárnutí a změny receptur způsobují posun, takže modely musí detekovat posuny a aktualizovat je pomocí nových fyzikálních měření.
Učte se dál
Související průvodci
Pro toto téma bylo vybráno více průvodců