Gids voor industrieën

AI in halfgeleiderproductie-optimalisatie

AI bij de optimalisatie van de opbrengst van halfgeleiderfabrieken maakt gebruik van machinaal leren op waferinspectiebeelden, gereedschapssensorgegevens en testresultaten om defecten te vinden, metingen te voorspellen en productieprocessen op schema te houden.

Luister naar deze gidsAI-verteld · ~3 min

Op deze pagina3 minuten lezen
  1. Overzicht
  2. Diepe duik
  3. Implementatie in de echte wereld
  4. De toekomst van AI in de optimalisatie van de opbrengst van halfgeleiderfabrieken
  5. Het in de praktijk brengen
  6. Blijf verkennen
  7. Veelgestelde vragen

Overzicht

Het is van belang omdat een moderne chip honderden processtappen doorloopt, en kleine verbeteringen in de fractie werkende chips per wafer zich direct vertalen in grote kostenbesparingen en meer aanbod.

Diepe duik

De opbrengst is de fractie chips (dies) op een wafer die werkt. Fabs verliezen rendement door willekeurige deeltjes, systematische procesproblemen en langzame drift in apparatuur. Omdat een wafel wekenlang in de fabriek kan liggen, kan het dagen te laat vangen van een probleem veel loten ruïneren. AI helpt op drie belangrijke gebieden. Ten eerste is er de detectie en classificatie van defecten. Optische en elektronenbundelinspectietools vinden afwijkingen op wafers, en automatische defectclassificatiemodellen labelen ze op type. Afzonderlijk levert de elektrische test waferkaarten op die laten zien welke matrijzen faalden. Het ruimtelijke patroon is een aanwijzing: een randring duidt op een probleem aan de rand van de wafer tijdens een proces zoals etsen, terwijl een kras duidt op schade door het hanteren. De openbare WM-811K-dataset, afkomstig van echte wafelkaarten, wordt veel gebruikt in onderzoek naar het classificeren van deze patronen. Ten tweede is er virtuele metrologie. Het meten van elke wafel bij elke stap is langzaam en duur, dus fabs nemen monsters. Virtuele metrologie voorspelt meetresultaten van reeds geregistreerde sensordatatools, zoals druk, temperatuur, gasstroom en RF-vermogen, en geeft een schatting voor elke wafer. Ten derde is procesbeheersing. Foutdetectie- en classificatiesystemen letten op de sporen van gereedschapssensoren op abnormaal gedrag, en run-to-run-controllers passen de receptinstellingen tussen batches aan om de resultaten op koers te houden. Machine learning kan beide verbeteren door niet-lineaire relaties te modelleren die traditionele statistische procescontrole over het hoofd ziet. Verschillende misvattingen komen vaak voor. Fabs beschikken niet over enorme gelabelde datasets voor elk defecttype: zeldzame defecten komen misschien maar een paar keer voor, klassen zijn sterk onevenwichtig en labels zijn afhankelijk van deskundige ingenieurs. Modellen raken ook verouderd als gereedschappen onderhoud ondergaan of als recepten worden gewijzigd. En een voorspelling alleen is niet genoeg; ingenieurs hebben een plausibele fysieke oorzaak nodig voordat ze een proces veranderen. Dit onderwerp heeft betrekking op de productie, niet op het ontwerp van de chiplay-out.

Implementatie in de echte wereld

Een convolutioneel neuraal netwerk classificeert waferkaarten van elektrische tests in patronen zoals edge-ring, center, scratch of random, waardoor ingenieurs op de waarschijnlijk foutieve processtap worden gewezen.

Een virtueel metrologiemodel voorspelt de filmdikte voor elke wafer op basis van sensorsporen van depositietools, zodat de fabriek fysiek slechts een monster meet terwijl er nog steeds driften worden opgevangen.

Automatische defectclassificatie sorteert duizenden scanning-elektronenmicroscoopbeelden van defecten in categorieën zoals deeltjes, bruggen en patrooninstorting, waardoor handmatige beoordelingstijd wordt verkort.

Een run-to-run-controller past de etstijd voor de volgende batch aan op basis van gemeten en voorspelde resultaten van de vorige batch, en compenseert de geleidelijke kamerdrift.

De toekomst van AI in de optimalisatie van de opbrengst van halfgeleiderfabrieken

Naarmate chipfuncties kleiner worden en ontwerpen overgaan op 3D-structuren en geavanceerde verpakkingen, blijft het aantal processtappen en de gegevens die deze genereren groeien, waardoor de vraag naar geautomatiseerde analyses toeneemt. Mogelijke richtingen zijn onder meer modellen die gegevens over verschillende stappen combineren om opbrengstverlies terug te traceren naar de bron, en betere methoden om te leren van enkele gelabelde voorbeelden. De adoptie zal voorzichtig blijven: fabrieken veranderen processen alleen als er sterk bewijs is, en een verkeerde geautomatiseerde aanpassing kan dure wafels weggooien. Van menselijke ingenieurs wordt verwacht dat zij de controle behouden over beslissingen over de hoofdoorzaak.

Het in de praktijk brengen

Waarom het ertoe doet

  • Context en regels. De industriële context bepaalt of AI-ideeën het contact met de werkelijkheid overleven.
  • Kwaliteitscontrole. Domeinbeperkingen beïnvloeden aanvaardbare foutenpercentages en toezichtmodellen.
  • Bouwkeuzes. Succesvolle implementaties stemmen de technische mogelijkheden af ​​op frontline-workflows.

Pas op voor

  • Regelgevingsvereisten kunnen anderszins sterke prototypes ongeldig maken.
  • Historische gegevens kunnen vooroordelen coderen die specifieke gemeenschappen schade toebrengen.
  • Oudere systemen kunnen integratieknelpunten en verborgen kosten veroorzaken.

Volgende stappen

  1. Betrek domeinexperts, van het formuleren van het probleem tot de evaluatie.
  2. Ontwerp audit trails en documentatie vóór de lancering.
  3. Valideer compliance- en veiligheidsverplichtingen vroegtijdig.
  4. Uitrol in fasen met duidelijke stop- en terugdraaicriteria.

Blijf verkennen

Gratis nieuwsbrief

Ontvang de dagelijkse AI-briefing

Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.

Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.

Test jezelf

Take the AI in Semiconductor Fab Yield Optimization quiz

Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.

Quiz starten

Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie

Veelgestelde vragen

Wat is AI in de opbrengstoptimalisatie van halfgeleiderfabrieken?

AI bij de optimalisatie van de opbrengst van halfgeleiderfabrieken maakt gebruik van machinaal leren op waferinspectiebeelden, gereedschapssensorgegevens en testresultaten om defecten te vinden, metingen te voorspellen en productieprocessen op schema te houden. Het is van belang omdat een moderne chip honderden processtappen doorloopt, en kleine verbeteringen in de fractie werkende chips per wafer zich direct vertalen in grote kostenbesparingen en meer aanbod.

Wat betekent 'opbrengst' bij de productie van halfgeleiders?

Opbrengst is het aandeel chips op een wafer dat correct functioneert; Door deze te verhogen, worden de kosten per goede chip verlaagd.

Wat doet virtuele metrologie?

Virtuele metrologie maakt gebruik van sensorgegevens zoals druk, temperatuur en RF-vermogen om metingen te schatten, zodat fabrieken elke wafer kunnen monitoren terwijl ze fysiek slechts een monster meten.

Waar wijst een randringpatroon op een waferkaart hoogstwaarschijnlijk naar?

Ruimtelijke patronen bevatten aanwijzingen; een randring duidt op een procesprobleem dat zich concentreert op de rand van de wafer, terwijl een kras duidt op schade door het hanteren.

Waar wordt de WM-811K-dataset voor gebruikt?

WM-811K is een openbare set echte waferkaarten die veel worden gebruikt voor onderzoek naar de classificatie van defectpatronen.

Waarom moeten virtuele metrologiemodellen regelmatig opnieuw worden gekalibreerd?

Preventief onderhoud, veroudering en receptwijzigingen veroorzaken drift, dus modellen moeten verschuivingen detecteren en bijwerken met behulp van nieuwe fysieke metingen.