ДалееСледующее руководство
ИИ в доставке последней мили и оптимизации маршрута
Отрасли
РУКОВОДСТВО ПО Отраслям
ИИ в оптимизации производства полупроводников
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.
На этой странице3 минуты чтения
Обзор
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.
Глубокое погружение
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.
Стратегическое воздействие
Контекст и правила
Отраслевой контекст определяет, выживут ли идеи ИИ при контакте с реальностью.
Контроль качества
Ограничения предметной области влияют на приемлемый уровень ошибок и модели надзора.
Выбор сборки
Успешные развертывания позволяют согласовать технические возможности с рабочими процессами на переднем крае.
Будущее искусственного интеллекта в оптимизации производства полупроводников
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.
Реальная реализация
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.
Риски и ограничения
Нормативные требования могут сделать недействительными сильные прототипы.
Исторические данные могут отражать предвзятость, которая наносит вред конкретным сообществам.
Устаревшие системы могут создавать узкие места в интеграции и скрытые затраты.
Дорожная карта реализации
Привлекайте экспертов в предметной области от постановки проблемы до оценки.
Разработайте журналы аудита и документацию перед запуском.
Заблаговременно проверяйте соответствие требованиям и обязательства по безопасности.
Развертывание поэтапно с четкими критериями остановки и отката.
Продолжайте исследовать
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
Часто задаваемые вопросы
Что такое искусственный интеллект в оптимизации производства полупроводников?
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.
Что означает «выход» в производстве полупроводников?
Выход — это доля правильно функционирующих чипов на пластине; его повышение снижает стоимость хорошего чипа.
Чем занимается виртуальная метрология?
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.
На что, скорее всего, указывает узор в виде краевых колец на пластинчатой карте?
Пространственные модели несут подсказки; кольцо на краю указывает на технологическую проблему, сосредоточенную на краю пластины, а царапина указывает на повреждение.
Для чего используется набор данных WM-811K?
WM-811K — это общедоступный набор реальных карт пластин, широко используемых для исследований по классификации шаблонов дефектов.
Почему виртуальные метрологические модели нуждаются в частой повторной калибровке?
Профилактическое обслуживание, старение и изменения рецептов вызывают дрейф, поэтому модели должны обнаруживать изменения и обновляться с использованием новых физических измерений.
Продолжайте учиться
Связанные руководства
Другие руководства, выбранные по этой теме