遭到芯片缺少影响，晶圆厂和OSAT纷繁加大产能建造，并评价将人工智能和机器学习介入芯片制作，能否带来更大的效益。
尤为重要的一点是，鉴于商场剖析师对商场增加的预期，估量未来五年内，芯片制作业的商场规模将翻一番，工厂、人工智能数据库和东西的全体改善关于前进出产率至关重要。
“咱们不会在数字化转型中失利，由于别无选择，”Inficon担任智能制作的总经理John Behnke表明。“一切晶圆厂的产能都将进步20%至40%，但现阶段，在18到36个月内，他们都难以取得新东西。为了充分运用这些潜力，咱们将战胜人类对革新的前史惊骇。”
此外，这种改动需求有清晰的出资回报率。“对我来说，一切都归结为本钱，”人工智能驱动的APC软件的草创公司Sentient的首席执行官Abeer Singhal指出。“咱们为什么要将数据迁移到云中？由于咱们期望它是可拜访、可计算的。即使有下载、存储和计算本钱，但工程师期望脱节为一切作业调用IT的现状。他们期望搜集高频数据，一同做出正确的决议方案。”
其间一个严重应战是高度躲避危险的制作业，该部分经过大部分渐进式改善取得了明显收益。“半导体职业有许多技能类型的前进，但咱们通常在进职事务革新方面十分缓慢，”数据库供货商KX Systems半导体和制作副总裁Bill Pierson以为。“部分原因是由于你在一个现已建成的工厂里，它正在工作并取得高产值，所以为什么要改动它呢？可是，咱们看到自上而下的办理战略是企图打破数据孤岛，保证所搜集的数据将供给给一切必要范畴的工程师。”
其他人则指出了相似的趋势。“人们容易不会做出改动，”纳米生物科学担任人兼纽约州立大学理工学院教授Scott Tenenbaum表明。“新冠疫情是一个很好的要害，人们测验了他们永久不会测验的作业，除非他们有必要这样做。咱们的许多技能都是这样的。旧技能消失了，你别无选择，只能运用新技能。”
在SEMI先进半导体制作大会的小组讨论中，与会者指出了触及AI/ML和全球晶圆厂的10个趋势或主张：
SE：麦肯锡最近的一份陈述显现，人工智能和机器学习产生了约50亿至80亿美元的芯片收入，约占设备总收入的10%。估量到2025年，这一数字将增加到1000亿美元左右。你赞同这个估量吗？
Behnke：明显，咱们能够看到AI、ML等技能在半导体制作中的广泛使用，为半导体职业产生了15%以上的价值。这不以为这意味着它会产生另一个职业，晶圆厂撑起了950亿美元的商场份额，但运用先进技能才能，晶圆厂在未来五年内将至少能够再扩展950亿美元。
半导体范畴的AI / ML在2021年发明了70亿美元的价值，占芯片收入的10%，估量到2025年将上升到设备收入的20%达900亿美元（图源：麦肯锡公司）
Pierson：咱们正企图经过前进这些工程师的劳动力来前进晶圆厂的出产力并降低本钱。劳动力是其间的要害部分。
Singhal：大数据和人工智能算法代表了APC工程师的范式改变。与曩昔比较，现在能够在几分钟内构建杂乱的流程模型。例如，AI辅佐工作到工作的控制器能够提取内联SPC数据，将其与100多个FDC和良率方针相结合，以供给对体系工作状况的洞悉并提出改善主张。
另一个 AI 用例是构建自适应东西状况模型，以避免方案中或方案外的东西作业过多的提早发送。人工智能的潜力是无穷无尽的。
Behnke:到现在为止，晶圆厂出资回报率最高的使用是调度。东西有必要在六个月或更短的时刻内供给价值，包含ROI、周期时刻改善或其他KPI。因而，智能制作很大程度上是选用工程师几十年来一直在作业的环境以及丰厚的前史数据，晋级这些环境来创立一个数字孪生体，这有点像类固醇上的模拟器，运用计量学和传感器以及其他数据源，使得孪生体的信息实际上具有更高的保真度和对工厂的了解。这种数字表明会检查当时作业和选项，经过根据ML的前史学习运用其具有的价值，并快速确认下一步应该做什么。清楚明了的是调度。我应该在什么东西上放什么批次，以什么次序？更重要的是，应该设置东西来做什么？这适用于APC，FDC 2.0（毛病缺点分类）等。现在，芯片制作商具有在晶圆厂层面完成这一方针的东西，真实令人兴奋的是，在五年左右的时刻里，公司内的一切工厂都运用这些东西，从晶圆厂到拼装和封装。
Singhal:客户期望从呼叫IT处理一切作业的费事中摆脱出来。这是将一切内容推送到云的重要驱动要素。但他们也期望能够以每秒100千兆的速度下载。因而，咱们议论的是带宽，这是有本钱的，存储数据并使其可用。关于现在芯片的发展趋势，这些芯片专门规划成能够在芯片上会集处理信息，而不是在一同作业的不同体系中。
高档算法可运用可操作数据处理前史数据，以便在决议方案价值最高的情况下完成实时决议方案（图源：Gartner）
Behnke：当今社会与曩昔彻底不同，所以人们现在理解，咱们需求开端更聪明地干事。高管与董事会都参加其间，他们承受着巨大的压力。在新的董事会会议记录中，他们被问到，“你的智能制作战略是什么？这在两年前还没有迸发疫情的时分是闻所未闻的。”
Pierson:咱们正在转向以数据为中心的国际，我看到的改动之一是一级芯片公司都具有这些所谓的数据工程师团队。他们不是数据科学家，也不是主题专家。他们是数据工程师，担任整个安排并为整个安排中的人员预备数据以供运用。跟着这种数据爆破的产生，需求认识到，对这个界说的人物有很大的需求，人们需求认识到需求格式化数据。大多数数据都有一个时刻戳，所以或许咱们能够索引时刻序列。
Pierson:这是一个旅程，有些公司比其他公司更先进。一些工程师或许运用铅笔和纸垫，他们只需求能够存储数据并想要一个仪表板。这是旅程的前期部分。有些人正在议论做数字孪生体并在整个工厂扩张。这个旅程将继续下去，对咱们的作业方式进行评分将需求5到10年的时刻。每个晶圆厂都是不同的，你有必要在他们地点的当地与他们碰头。
工厂工作的各个方面都能够运用以数字孪生为根底的数据处理和剖析（图源：Inficon）
Behnke：关于更多或许性的探究是人工智能其间一个很大的优势。人工智能不只是获取某个参数，而是会获取每个参数和每个组合。人工智能的功用很强壮，据我所知，没有人能做到这一点。现阶段，智能终端搭载了越来越多的传感器，因而体系将越来越智能。而AI是咱们遇到的最好的技能，能够捕获任何无法经过肉眼辨认的信息。
Tenenbaum：可是相应地，人工智能遍及被过度炒作。人工智能在针对大规模数据集的辨认方面极具优势，但它不太拿手辨认随机作业。以用于猜测股市的人工智能技能为例，在根据专业买卖者时，这项技能运作杰出。但关于业余买卖者和“罗宾汉”，或关于通配符和比特币，该技能在数据剖析方面则体现欠安。因而，当你议论怎么让人工智能介入产品制作时，人工智能技能在对可猜测事项的猜测中很有优势。可是，相同价值昂扬的一次性作业，关于人工智能来说则十分具有应战性。
SE：当职业转向300mm晶圆时，各公司之间进行了愈加亲近的协作，并拟定了SEMI标准。你看到这儿产生了什么？
Behnke：职业内拟定了E10标准，即SEMI E10设备可靠性、可用性和可维护性标准。经过这一标准，能够更好地盯梢模块化体系中的东西，以前进运用率。现阶段，该标准并没有得到那么广泛的报导，但业界现已有一些企业开端选用。跟着这些处理方案的推动，这将是一个很大的协助。
对晶圆缺点的高度重视给削减非增值进程带来了很大的压力，特别是晶圆和器材的计量和测验。在半导体测验范畴，为了保证检测或许影响可靠性的潜在缺点，体系级测验的使用需求越来越旺盛。
“像Nvidia、AMD和Intel这样的领导者现已这样做了多年，但最近公司一直在更快地进行更多的体系级测验，以对内存和其他测验进行功用测验，”Advantest的Dave Armstrong表明。“他们发现两个教育测验是不行的，所以他们需求做高速测验，以保证一个已知的杰出的小芯片。”
对额定测验的需求很大程度上是由潜在缺点问题的新知识驱动的，这些信息是经过学习渠道取得的。“高档数据剖析供给了对反常值检测的洞悉，并辅导咱们进行测验仪和测验程序规划，”Armstrong称。
半导体测验也从切开很多测验数据的才能中收获颇丰。大型测验设备每天可生成高达4TB的数据，这些数据用于反应进程，以前进产值和质量。
Teradyne运营高档副总裁Ken Lanier指出，测验仪上的多个传感器还能够监控芯片的电压、温度和其他参数，这些参数与机器学习一同能够实时修正测验进程。
“由于测验是发布到出产环境之前的最终一步，因而在几周内调试很多软件程序和测验形式数据的压力很大，由于编程过错或许导致IC出产商丢掉数百万美元的好设备，或许更糟糕的是，运送坏设备。在良率、缺点率和测验本钱之间进行权衡，需求对规划仿真、测验程序和机器学习东西进行很多出资，以辨认最细微的反常，符号测验设备上的问题并缩短调试周期，“Lanier表明。
展望未来，数据安满是另一个需求处理的问题，由于它是数据同享的妨碍。“这些数据库需求是十分安全的环境，由于没有人乐意出于IP原因同享数据，”Inficon的Behnke表明。“没有人乐意同享数据，由于他们还忧虑安全方面的问题。”
半导体职业正在尽力维护自己的片上数据，但它也在扩展这一尽力，将电子体系和数据库归入其工厂。这或许需求时刻，但它被视为必要的进程，由于孤岛被打破，数据跨过传统的分界线。
快速链接
下载
公司