LegközelebbKövetkező útmutató
AI az utolsó mérföldes kézbesítésben és az útvonaloptimalizálásban
Iparágak
Iparági ÚTMUTATÓ
AI a Semiconductor Fab hozamoptimalizálásban
A félvezető fab hozamoptimalizálásban a mesterséges intelligencia gépi tanulást használ a lapka-ellenőrzési képeken, a szerszámérzékelő adatain és a teszteredményeken, hogy megtalálja a hibákat, előre jelezze a méréseket és a gyártási folyamatokat a célon tartsa.
Ezen az oldalon3 perc olvasás
Áttekintés
Ez azért fontos, mert egy modern chip több száz folyamatlépésen megy keresztül, és az ostyánkénti munkalapkák arányának kismértékű javulása közvetlenül jelentős költségmegtakarítást és nagyobb kínálatot eredményez.
Mély merülés
A hozam az ostyán lévő forgácsok (kimaradványok) töredéke, amelyek működnek. A fabok elveszítik a hozamot a véletlenszerű részecskék, a szisztematikus folyamatproblémák és a berendezések lassú sodródása miatt. Mivel egy ostya heteket tölthet a fabúton, a napok késéssel érkezett probléma sok tételt tönkretehet. Az AI három fő területen segít. Az első a hibák felismerése és osztályozása. Az optikai és elektronsugaras ellenőrző eszközök megtalálják az anomáliákat az ostyákon, és az automatikus hibaosztályozási modellek típusonként felcímkézik azokat. Külön-külön az elektromos teszt ostyatérképeket készít, amelyek megmutatják, hogy melyik szerszám hibásodott meg. A térbeli mintázat egy támpont: az élgyűrű problémát jelez az ostya szélén egy olyan folyamat során, mint a maratás, míg a karcolás a sérülés kezelésére utal. A nyilvános WM-811K adatkészletet, amely valódi bájos ostyatérképekből származik, széles körben használják e minták osztályozására irányuló kutatásokban. A második a virtuális metrológia. Minden ostya mérése minden lépésnél lassú és költséges, ezért remek minta. A virtuális metrológia előrejelzi a mérési eredményeket a már rögzített szenzoradat-eszközökből, például nyomásról, hőmérsékletről, gázáramlásról és rádiófrekvenciás teljesítményről, így minden szeletre becslést ad. A harmadik a folyamatvezérlés. A hibaészlelő és -osztályozó rendszerek figyelik az eszköz érzékelőjének nyomait abnormális viselkedést keresve, a futástól-futásig vezérlők pedig módosítják a receptbeállításokat a tételek között, hogy az eredményeket a célon tartsák. A gépi tanulás mindkettőt javíthatja olyan nemlineáris kapcsolatok modellezésével, amelyeket a hagyományos statisztikai folyamatvezérlés figyelmen kívül hagy. Számos tévhit gyakori. A gyárak nem rendelkeznek hatalmas címkézett adatkészletekkel minden hibatípushoz: ritka hibák csak néhány alkalommal jelentkezhetnek, az osztályok erősen kiegyensúlyozatlanok, és a címkék szakértő mérnököktől függenek. A modellek akkor is elavulnak, ha a szerszámokat karbantartásnak vetik alá, vagy a receptúrák megváltoznak. És egy jóslat önmagában nem elég; a mérnököknek elfogadható fizikai okra van szükségük, mielőtt megváltoztatnának egy folyamatot. Ez a téma a gyártásra vonatkozik, nem a chip-elrendezés tervezésére.
Stratégiai hatás
Kontextus és szabályok
Az iparági kontextus határozza meg, hogy az AI ötletek túlélik-e a valósággal való érintkezést.
Minőségellenőrzés
A tartományi korlátok befolyásolják az elfogadható hibaarányt és a felügyeleti modelleket.
Építési lehetőségek
A sikeres telepítések összehangolják a műszaki képességeket a frontvonalbeli munkafolyamatokkal.
Az AI jövője a Semiconductor Fab hozamoptimalizálásban
Ahogy a chip jellemzői zsugorodnak, és a tervek áttérnek a 3D-s struktúrákra és a fejlett csomagolásra, a folyamatlépések és az egyes generált adatok száma folyamatosan növekszik, ami növeli az automatizált elemzés iránti igényt. A valószínű útmutatások között szerepelnek olyan modellek, amelyek lépésenként egyesítik az adatokat a hozamveszteség forrásig való visszakövetésére, valamint jobb módszereket kínálnak a néhány megjelölt példából való tanuláshoz. Az örökbefogadás óvatos marad: a fabok csak erős bizonyítékok birtokában változtatják meg a folyamatokat, és a rossz automatizált beállítás a drága ostyák kiselejtezéséhez vezethet. Az emberi mérnököktől elvárják, hogy továbbra is kézben tartsák a kiváltó okokra vonatkozó döntéseket.
Valós megvalósítás
A konvolúciós neurális hálózat az elektromos tesztből származó szelettérképeket olyan mintákba sorolja, mint például élgyűrű, középpont, karcolás vagy véletlenszerű, és a mérnököket a valószínűleg hibás folyamatlépés felé irányítja.
Egy virtuális metrológiai modell minden szelet filmvastagságát jósolja a lerakószerszám-érzékelő nyomaiból, így a fab fizikailag csak egy mintát mér, miközben továbbra is elkapja a sodródásokat.
Az automatikus hibabesorolás több ezer pásztázó elektronmikroszkópos képet rendez a hibákról olyan kategóriákba, mint a részecskék, hidak és mintaösszeomlás, lerövidítve ezzel a kézi ellenőrzés idejét.
A futásról-futásra vezérlő beállítja a maratási időt a következő tételhez az előző tétel mért és előrejelzett eredményei alapján, kompenzálva a kamra fokozatos eltolódását.
Kockázatok és védőkorlátok
A szabályozási követelmények érvényteleníthetik az egyébként erős prototípusokat.
A korábbi adatok olyan elfogultságot kódolhatnak, amely bizonyos közösségeket károsít.
Az örökölt rendszerek szűk keresztmetszeteket és rejtett költségeket okozhatnak az integrációban.
Végrehajtási ütemterv
Vonjon be területi szakértőket a probléma megfogalmazásától az értékelésig.
Tervezze meg az ellenőrzési nyomvonalakat és a dokumentációt az indítás előtt.
Korán érvényesítse a megfelelési és biztonsági kötelezettségeket.
Fázisokban történő bevezetés egyértelmű leállítási és visszaállítási kritériumokkal.
Folytassa a felfedezést
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
Gyakran ismételt kérdések
Mi az AI a Semiconductor Fab hozamoptimalizálásban?
A félvezető fab hozamoptimalizálásban a mesterséges intelligencia gépi tanulást használ a lapka-ellenőrzési képeken, a szerszámérzékelő adatain és a teszteredményeken, hogy megtalálja a hibákat, előre jelezze a méréseket és a gyártási folyamatokat a célon tartsa. Ez azért fontos, mert egy modern chip több száz folyamatlépésen megy keresztül, és az ostyánkénti munkalapkák arányának kismértékű javulása közvetlenül jelentős költségmegtakarítást és nagyobb kínálatot eredményez.
Mit jelent a „hozam” a félvezetőgyártásban?
A hozam az ostyán lévő, megfelelően működő chipek aránya; emelése csökkenti a jó chipre jutó költséget.
Mit csinál a virtuális metrológia?
A virtuális metrológia szenzoradatokat, például nyomást, hőmérsékletet és rádiófrekvenciás teljesítményt használ a mérések becsléséhez, így a fabok minden szeletet monitorozhatnak, miközben fizikailag csak egy mintát mérnek.
Valószínűleg mire mutat egy élgyűrű-minta az ostyatérképen?
A térbeli minták nyomokat hordoznak; az élgyűrű az ostya szélén összpontosuló folyamatproblémára utal, míg a karcolás a sérülés kezelésére utal.
Mire használható a WM-811K adatkészlet?
A WM-811K valódi mesés ostyatérképek nyilvános készlete, amelyet széles körben használnak a hibamintázatok osztályozásának kutatására.
Miért szükségesek a virtuális metrológiai modellek gyakori újrakalibrálása?
A megelőző karbantartás, az öregedés és a receptúra megváltoztatása sodródást okoz, ezért a modelleknek észlelniük kell az eltolódásokat, és új fizikai mérésekkel frissíteniük kell.
Tanulj tovább
Kapcsolódó útmutatók
További útmutatók készültek ehhez a témához