ДалееСледующее руководство
ИИ в доставке последней мили и оптимизации маршрута
Отрасли
РУКОВОДСТВО ПО Отраслям
ИИ в оптимизации производства полупроводников использует машинное обучение на изображениях проверки пластин, данных датчиков инструментов и результатах испытаний, чтобы находить дефекты, прогнозировать измерения и поддерживать производственные процессы на целевом уровне.
Прослушайте это руководствоОзвучено ИИ · ~3 min
Это важно, поскольку современный чип проходит через сотни технологических этапов, а небольшие улучшения в доле рабочих чипов на пластину напрямую приводят к значительной экономии средств и увеличению поставок.
Выход — это доля работающих чипов (матриц) на пластине. Фабрики теряют производительность из-за случайных частиц, систематических проблем с технологическими процессами и медленного дрейфа оборудования. Поскольку пластина может находиться в производстве неделями, обнаружение проблемы на несколько дней позже может испортить многие партии. ИИ помогает в трех основных областях. Во-первых, это обнаружение и классификация дефектов. Инструменты оптического и электронно-лучевого контроля обнаруживают аномалии на пластинах, а модели автоматической классификации дефектов маркируют их по типам. Отдельно в ходе электрических испытаний создаются карты пластин, показывающие, какие матрицы вышли из строя. Пространственный рисунок является подсказкой: кольцо на краю указывает на проблему на краю пластины во время такого процесса, как травление, а царапина указывает на повреждение. Общедоступный набор данных WM-811K, основанный на реальных картах пластин, широко используется в исследованиях по классификации этих закономерностей. Во-вторых, виртуальная метрология. Измерение каждой пластины на каждом этапе — процесс медленный и дорогостоящий, поэтому выборка выполняется быстро. Виртуальная метрология прогнозирует результаты измерений на основе уже записанных инструментов датчиков данных, таких как давление, температура, расход газа и радиочастотная мощность, давая оценку для каждой пластины. В-третьих, это контроль процесса. Системы обнаружения и классификации неисправностей отслеживают следы датчиков инструмента на предмет аномального поведения, а контроллеры циклических операций корректируют настройки рецептов между партиями, чтобы удерживать результаты на целевых значениях. Машинное обучение может улучшить и то, и другое, моделируя нелинейные зависимости, которые упускает из виду традиционное статистическое управление процессами. Распространены несколько заблуждений. Фабы не имеют огромных наборов данных с разметкой для каждого типа дефектов: редкие дефекты могут появляться только несколько раз, классы сильно несбалансированы, а метки зависят от опытных инженеров. Модели также устаревают, когда инструменты проходят техническое обслуживание или изменяются рецепты. И одного предсказания недостаточно; инженерам нужна правдоподобная физическая причина, прежде чем они изменят процесс. Эта тема касается производства, а не проектирования компоновки чипа.
Сверточная нейронная сеть классифицирует карты пластин, полученные при электрических испытаниях, по шаблонам, таким как края, кольца, центр, царапины или случайные, указывая инженерам на вероятный ошибочный этап процесса.
Виртуальная метрологическая модель предсказывает толщину пленки для каждой пластины на основе следов датчика инструмента для осаждения, поэтому фабрика физически измеряет только образец, сохраняя при этом дрейфы.
Автоматическая классификация дефектов сортирует тысячи изображений дефектов, полученных с помощью сканирующего электронного микроскопа, на такие категории, как частицы, мостики и коллапс структуры, сокращая время ручного анализа.
Последовательный контроллер регулирует время травления для следующей партии на основе измеренных и прогнозируемых результатов предыдущей партии, компенсируя постепенный дрейф камеры.
По мере того как характеристики чипов сокращаются, а проекты переходят к 3D-структурам и усовершенствованной упаковке, количество этапов процесса и объем данных, которые каждый из них генерирует, продолжают расти, что увеличивает спрос на автоматизированный анализ. Вероятные направления включают модели, которые объединяют данные по этапам для отслеживания потери урожайности до ее источника, а также более эффективные методы обучения на нескольких помеченных примерах. Внедрение будет оставаться осторожным: фабрики меняют процессы только при наличии веских доказательств, а неправильная автоматическая настройка может привести к отказу от дорогих пластин. Ожидается, что инженеры-человеки будут продолжать контролировать решения по первопричинам.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
ИИ в оптимизации производства полупроводников использует машинное обучение на изображениях проверки пластин, данных датчиков инструментов и результатах испытаний, чтобы находить дефекты, прогнозировать измерения и поддерживать производственные процессы на целевом уровне. Это важно, поскольку современный чип проходит через сотни технологических этапов, а небольшие улучшения в доле рабочих чипов на пластину напрямую приводят к значительной экономии средств и увеличению поставок.
Выход — это доля правильно функционирующих чипов на пластине; его повышение снижает стоимость хорошего чипа.
Виртуальная метрология использует данные датчиков, такие как давление, температура и радиочастотная мощность, для оценки измерений, поэтому фабрики могут контролировать каждую пластину, физически измеряя только образец.
Пространственные модели несут подсказки; кольцо на краю указывает на технологическую проблему, сосредоточенную на краю пластины, а царапина указывает на повреждение.
WM-811K — это общедоступный набор реальных карт пластин, широко используемых для исследований по классификации шаблонов дефектов.
Профилактическое обслуживание, старение и изменения рецептов вызывают дрейф, поэтому модели должны обнаруживать изменения и обновляться с использованием новых физических измерений.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
ИИ в доставке последней мили и оптимизации маршрута
Отрасли