Mai departeUrmătorul ghid
AI în livrarea pe ultimul kilometru și optimizarea rutei
Industrii
GHIDUL Industriilor
AI în Semiconductor Fab Yield Optimization
AI în optimizarea randamentului fabricii de semiconductori folosește învățarea automată pe imaginile de inspecție a plachetelor, datele senzorilor de scule și rezultatele testelor pentru a găsi defecte, a prezice măsurători și a menține procesele de producție la țintă.
Pe această pagină3 minute de citit
Prezentare generală
Contează pentru că un cip modern trece prin sute de pași de proces, iar micile îmbunătățiri ale fracției de cipuri de lucru per plachetă se traduc direct în economii mari de costuri și mai multă aprovizionare.
Scufundare în profunzime
Randamentul este fracția de așchii (moare) pe o napolitană care funcționează. Fab-urile pierd randamentul la particule aleatorii, probleme sistematice ale procesului și deriva lentă în echipamente. Deoarece o napolitană poate petrece săptămâni în fabrică, întârzierea unei probleme poate strica multe loturi. AI ajută în trei domenii principale. În primul rând este detectarea și clasificarea defectelor. Instrumentele de inspecție optică și cu fascicul de electroni găsesc anomalii pe plachete, iar modelele automate de clasificare a defectelor le etichetează după tip. Separat, testul electric produce hărți de plachetă care arată care matrițe au eșuat. Modelul spațial este un indiciu: un inel de margine sugerează o problemă la marginea plachetei în timpul unui proces precum gravarea, în timp ce o zgârietură sugerează o deteriorare la manipulare. Setul de date public WM-811K, extras din hărți reale fab wafer, este utilizat pe scară largă în cercetarea privind clasificarea acestor modele. Al doilea este metrologia virtuală. Măsurarea fiecărei napolitane la fiecare pas este lentă și costisitoare, așa că eșantionează fabulos. Metrologia virtuală prezice rezultatele măsurătorilor din instrumentele de date ale senzorilor deja înregistrate, cum ar fi presiunea, temperatura, debitul de gaz și puterea RF, oferind o estimare pentru fiecare wafer. Al treilea este controlul procesului. Sistemele de detectare și clasificare a defecțiunilor urmăresc urmele senzorilor de instrumente pentru comportament anormal, iar controlerele run-to-run ajustează setările rețetei între loturi pentru a menține rezultatele la țintă. Învățarea automată se poate îmbunătăți atât prin modelarea relațiilor neliniare pe care controlul tradițional al proceselor statistice le ratează. Mai multe concepții greșite sunt comune. Fabs nu au seturi de date uriașe etichetate pentru fiecare tip de defect: defecte rare pot apărea doar de câteva ori, clasele sunt puternic dezechilibrate, iar etichetele depind de ingineri experți. De asemenea, modelele devin învechite atunci când uneltele sunt supuse întreținerii sau se schimbă rețetele. Și doar o predicție nu este suficientă; inginerii au nevoie de o cauză fizică plauzibilă înainte de a schimba un proces. Acest subiect se referă la producție, nu la designul aspectului cipului.
Impact strategic
Context și reguli
Contextul industriei determină dacă ideile AI supraviețuiesc contactului cu realitatea.
Controlul calității
Constrângerile de domeniu influențează ratele de eroare acceptabile și modelele de supraveghere.
Alegeri de construcție
Implementările de succes aliniază capacitatea tehnică cu fluxurile de lucru din prima linie.
Viitorul AI în optimizarea randamentului Fab de semiconductori
Pe măsură ce caracteristicile cipului se micșorează și design-urile se mută la structuri 3D și ambalaje avansate, numărul de pași de proces și datele pe care fiecare le generează continuă să crească, ceea ce crește cererea de analiză automată. Direcțiile probabile includ modele care combină datele în pași pentru a urmări pierderea de randament până la sursă și metode mai bune de învățare din câteva exemple etichetate. Adopția va rămâne precaută: fabricile schimbă procesele doar cu dovezi solide, iar o ajustare automată greșită poate elimina napolitane scumpe. Se așteaptă ca inginerii umani să mențină controlul asupra deciziilor cauzate.
Implementare în lumea reală
O rețea neuronală convoluțională clasifică hărțile plăcilor de la testul electric în modele cum ar fi inelul de margine, centru, zgârietură sau aleatoriu, indicând inginerii către etapa probabilă a procesului defectuos.
Un model de metrologie virtuală prezice grosimea peliculei pentru fiecare napolitană de la urmele senzorului instrumentului de depunere, astfel încât fabrica măsoară fizic doar o probă în timp ce încă captează derive.
Clasificarea automată a defectelor sortează mii de imagini cu microscopul electronic cu scanare ale defectelor în categorii precum particule, punți și colaps de model, reducând timpul de revizuire manuală.
Un controler run-to-run ajustează timpul de gravare pentru lotul următor pe baza rezultatelor măsurate și prezise din lotul anterior, compensând deplasarea treptată a camerei.
Riscuri și balustrade
Cerințele de reglementare pot invalida prototipuri altfel puternice.
Datele istorice pot codifica părtiniri care dăunează anumitor comunități.
Sistemele vechi pot crea blocaje de integrare și costuri ascunse.
Foaia de parcurs de implementare
Implicați experți în domeniu, de la formularea problemelor până la evaluare.
Proiectați piste de audit și documentație înainte de lansare.
Validați din timp obligațiile de conformitate și siguranță.
Desfășurați în etape, cu criterii clare de oprire și derulare.
Continuați să explorați
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
Întrebări frecvente
Ce este AI în Semiconductor Fab Yield Optimization?
AI în optimizarea randamentului fabricii de semiconductori folosește învățarea automată pe imaginile de inspecție a plachetelor, datele senzorilor de scule și rezultatele testelor pentru a găsi defecte, a prezice măsurători și a menține procesele de producție la țintă. Contează pentru că un cip modern trece prin sute de pași de proces, iar micile îmbunătățiri ale fracției de cipuri de lucru per plachetă se traduc direct în economii mari de costuri și mai multă aprovizionare.
Ce înseamnă „randament” în producția de semiconductori?
Randamentul este ponderea chipsurilor pe o napolitană care funcționează corect; ridicarea acestuia scade costul pe cip bun.
Ce face metrologia virtuală?
Metrologia virtuală folosește datele senzorului, cum ar fi presiunea, temperatura și puterea RF pentru a estima măsurători, astfel încât fabricii să poată monitoriza fiecare wafer în timp ce măsoară fizic doar o probă.
Un model de inel de margine pe o hartă de napolitană arată cel mai probabil la ce?
Tiparele spațiale poartă indicii; un inel de margine sugerează o problemă de proces concentrată la marginea plachetei, în timp ce o zgârietură sugerează o deteriorare la manipulare.
Pentru ce este folosit setul de date WM-811K?
WM-811K este un set public de hărți reale fab wafer utilizate pe scară largă pentru cercetarea clasificării modelelor de defect.
De ce modelele de metrologie virtuală necesită recalibrare frecventă?
Întreținerea preventivă, îmbătrânirea și modificările rețetei provoacă o deviere, așa că modelele trebuie să detecteze schimbările și să se actualizeze folosind noi măsurători fizice.
Continuați să învățați
Ghiduri conexe
Mai multe ghiduri alese pentru acest subiect