NastępnyNastępny poradnik
Sztuczna inteligencja w dostawach „ostatniej mili” i optymalizacji tras
Przemysły
PRZEWODNIK branżowy
Sztuczna inteligencja w optymalizacji wydajności fabryk półprzewodników
Sztuczna inteligencja w optymalizacji wydajności fabryk półprzewodników wykorzystuje uczenie maszynowe na obrazach z kontroli płytek, danych z czujników narzędzi i wynikach testów, aby znajdować defekty, przewidywać pomiary i utrzymywać docelowe procesy produkcyjne.
Na tej stronie3 minuty czytania
Przegląd
Ma to znaczenie, ponieważ nowoczesny chip przechodzi przez setki etapów procesu, a niewielka poprawa frakcji działających chipów na płytkę przekłada się bezpośrednio na duże oszczędności i większą podaż.
Głębokie nurkowanie
Wydajność to ułamek chipów (matrycy) na płytce, który działa. Fabryki tracą wydajność na rzecz przypadkowych cząstek, systematycznych problemów z procesami i powolnego dryfu w sprzęcie. Ponieważ wafel może spędzić tygodnie w fabryce, wyłapanie problemu z kilkudniowym opóźnieniem może zrujnować wiele rzeczy. AI pomaga w trzech głównych obszarach. Pierwszym z nich jest wykrywanie i klasyfikacja defektów. Narzędzia do kontroli optycznej i wiązki elektronów wykrywają anomalie na płytkach, a modele automatycznej klasyfikacji defektów oznaczają je według typu. Oddzielnie test elektryczny generuje mapy płytek pokazujące, które matryce uległy awarii. Wskazówką jest wzór przestrzenny: pierścień krawędziowy sugeruje problem na krawędzi płytki podczas procesu takiego jak trawienie, natomiast zadrapanie sugeruje radzenie sobie z uszkodzeniami. Publiczny zbiór danych WM-811K, zaczerpnięty z rzeczywistych map superfabrykatów, jest szeroko stosowany w badaniach nad klasyfikacją tych wzorców. Drugim jest metrologia wirtualna. Pomiar każdego wafla na każdym etapie jest powolny i kosztowny, dlatego próbka jest fantastyczna. Wirtualna metrologia przewiduje wyniki pomiarów na podstawie już zarejestrowanych narzędzi do pomiaru danych z czujników, takich jak ciśnienie, temperatura, przepływ gazu i moc RF, podając szacunkowe dane dla każdej płytki. Trzecia to kontrola procesu. Systemy wykrywania i klasyfikacji usterek obserwują ślady czujników narzędzi pod kątem nieprawidłowego zachowania, a sterowniki „od uruchomienia do uruchomienia” dostosowują ustawienia receptur między partiami, aby utrzymać docelowe wyniki. Uczenie maszynowe może ulepszyć oba te rozwiązania, modelując nieliniowe relacje, których brakuje w tradycyjnej statystycznej kontroli procesu. Powszechnych jest kilka błędnych przekonań. Fabryki nie dysponują ogromnymi zbiorami danych oznaczonymi etykietami dla każdego typu defektów: rzadkie defekty mogą pojawiać się tylko kilka razy, klasy są mocno niezrównoważone, a etykiety zależą od doświadczonych inżynierów. Modele tracą również ważność, gdy narzędzia poddawane są konserwacji lub zmieniają się receptury. Sama prognoza nie wystarczy; inżynierowie potrzebują wiarygodnej przyczyny fizycznej, zanim zmienią proces. Ten temat dotyczy produkcji, a nie projektowania układu chipów.
Wpływ strategiczny
Kontekst i zasady
Kontekst branżowy decyduje o tym, czy pomysły AI przetrwają kontakt z rzeczywistością.
Kontrola jakości
Ograniczenia domeny wpływają na akceptowalne poziomy błędów i modele nadzoru.
Buduj wybory
Pomyślne wdrożenia łączą możliwości techniczne z przepływami pracy na pierwszej linii frontu.
Przyszłość sztucznej inteligencji w optymalizacji wydajności fabryk półprzewodników
W miarę kurczenia się funkcji chipów i przenoszenia projektów do struktur 3D i zaawansowanych opakowań, liczba etapów procesu i generowanych danych stale rośnie, co zwiększa zapotrzebowanie na zautomatyzowane analizy. Prawdopodobne kierunki obejmują modele łączące dane z różnych etapów w celu prześledzenia utraty plonów aż do jej źródła, a także lepsze metody uczenia się na podstawie kilku oznaczonych przykładów. Przyjęcie pozostanie ostrożne: fabryki zmieniają procesy tylko na podstawie mocnych dowodów, a niewłaściwa automatyczna regulacja może spowodować wyrzucenie drogich płytek. Od inżynierów oczekuje się, że będą kontrolować decyzje podejmowane w oparciu o przyczyny źródłowe.
Implementacja w świecie rzeczywistym
Splotowa sieć neuronowa klasyfikuje mapy płytek na podstawie testów elektrycznych według wzorców, takich jak pierścień krawędziowy, środek, zarysowanie lub losowe, wskazując inżynierom prawdopodobny wadliwy etap procesu.
Wirtualny model metrologiczny przewiduje grubość folii dla każdej płytki na podstawie śladów czujnika narzędzia do osadzania, więc fabryka fizycznie mierzy tylko próbkę, wciąż wychwytując dryfty.
Automatyczna klasyfikacja defektów sortuje tysiące obrazów defektów ze skaningowego mikroskopu elektronowego na kategorie, takie jak cząstki, mostki i zapadanie się wzorów, skracając czas ręcznego przeglądania.
Kontroler typu „run-to-run” dostosowuje czas trawienia dla następnej partii w oparciu o zmierzone i przewidywane wyniki z poprzedniej partii, kompensując stopniowe dryfowanie komory.
Zagrożenia i poręcze
Wymogi prawne mogą unieważnić mocne prototypy.
Dane historyczne mogą kodować uprzedzenia, które szkodzą konkretnym społecznościom.
Starsze systemy mogą powodować wąskie gardła w integracji i ukryte koszty.
Plan wdrożenia
Zaangażuj ekspertów dziedzinowych od sformułowania problemu po ocenę.
Zaprojektuj ścieżki audytu i dokumentację przed uruchomieniem.
Wcześnie zweryfikuj wymogi dotyczące zgodności i bezpieczeństwa.
Wdrażaj etapami z jasnymi kryteriami zatrzymania i wycofywania.
Odkrywaj dalej
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
Często zadawane pytania
Czym jest sztuczna inteligencja w optymalizacji wydajności fabryk półprzewodników?
Sztuczna inteligencja w optymalizacji wydajności fabryk półprzewodników wykorzystuje uczenie maszynowe na obrazach z kontroli płytek, danych z czujników narzędzi i wynikach testów, aby znajdować defekty, przewidywać pomiary i utrzymywać docelowe procesy produkcyjne. Ma to znaczenie, ponieważ nowoczesny chip przechodzi przez setki etapów procesu, a niewielka poprawa frakcji działających chipów na płytkę przekłada się bezpośrednio na duże oszczędności i większą podaż.
Co oznacza „wydajność” w produkcji półprzewodników?
Wydajność to udział żetonów na waflu, które działają prawidłowo; podniesienie go obniża koszt na dobry chip.
Czym zajmuje się metrologia wirtualna?
Wirtualna metrologia wykorzystuje dane z czujników, takie jak ciśnienie, temperatura i moc RF, do szacowania pomiarów, dzięki czemu fabryki mogą monitorować każdą płytkę, fizycznie mierząc tylko próbkę.
Na co najprawdopodobniej wskazuje wzór pierścieni krawędziowych na mapie płytek?
Wzory przestrzenne niosą ze sobą wskazówki; pierścień krawędziowy sugeruje problem procesowy skoncentrowany na krawędzi płytki, natomiast zadrapanie sugeruje obsługę uszkodzeń.
Do czego służy zbiór danych WM-811K?
WM-811K to publiczny zestaw rzeczywistych map płytek Fab, szeroko stosowanych w badaniach nad klasyfikacją wzorców defektów.
Dlaczego wirtualne modele metrologiczne wymagają częstej ponownej kalibracji?
Konserwacja zapobiegawcza, starzenie się i zmiany receptur powodują dryf, dlatego modele muszą wykrywać zmiany i aktualizować przy użyciu nowych pomiarów fizycznych.
Ucz się dalej
Powiązane przewodniki
Wybrano więcej przewodników na ten temat