2018年11月05日 | 人工智能用处多 半导体制造走向智能化

半导体制造是个极度复杂且漫长的生产过程，且每个制程步骤的良率都必须接近100%，才能确保最终生产良率维持在可接受的水平。 因此，半导体制造业者很早就开始在产在线设置各种数据撷取机制，并藉由大数据分析等方法进行制程控制。 人工智能(AI)的兴起，则让半导体制造业者有了节省人力，提升分析效率的新方法。

为了确保最终良率，每家半导体业者都必须在晶圆生产过程中安插或多或少的制程控制(Process Control)节点。 这些节点除了可监控晶圆制程的良率变动外，也能早期发现有问题的晶圆，避免其进入下一个制程步骤，徒然浪费时间。

然而，制程控制是相当昂贵的，除了要设置对应的检测机台外，检测本身也需要时间，更需要人力来判读机台数据背后所代表的意义。 因此，制程控制究竟该如何进行，才能在效率与良率间取得平衡，遂成为每家半导体制造业者都必须回答的问题。

制程数据浩瀚如烟海 AI加快分析速度

台大资工系教授张智星(图1)表示，对晶圆制造业者而言，从制程机台取得数据只是第一步，后续的数据分析才是能否从数据中萃取出关键信息，进而改善营运、提升良率的关键。 过去他曾经领导一支研究团队，利用台积电提供的数据，结合机器学习技术，发展出可自动对晶圆缺陷分布图进行分类的软件应用。 这项研究的成果，就为台积电带来很大的经济效益。

        图1 台大资工系教授张智星表示，藉由机器学习，软件系统可以自动判断晶圆缺陷的分布状况，省下大量人力跟时间。

        张智星解释，晶圆上不合格晶粒的分布状况，是用来分析制程缺陷成因的重要数据。 某些特定的缺陷分布状态，可以回推出造成晶粒缺陷的原因，例如当不合格晶粒在晶圆上呈线型分布时，晶圆在制作过程中被刮伤，就是最可能的原因。

        图2是几种典型的缺陷分布型态，对人类来说，这种缺陷分布的图样是很容易分辨的，因为其轮廓特征的差异十分明显，例如缺陷高度集中在晶圆的某个特定角落、中央或是环状分布在晶圆的边缘，而这些图案之所以出现， 跟前面的某几道制程步骤有关。 因此，晶圆缺陷分布图是制程工程师检视制程状况非常重要的工具。

图2 几种典型的晶圆缺陷分布状态

        过去台积电的制程工程师每天都要耗费不少时间检视不良晶粒的分布图。 而随着台积电的产能规模越来越大，工程师耗费在这上面的时间也越多。 张智星指出，根据台积电当时提供的数据，2013年第一季，该公司总共生产了388万片晶圆，相当于每天产出4.3万片晶圆。 这意味着当时台积电的工程团队每天得看4.3万张分布图，耗费的人力跟时间是相当可观的。 而随着台积电的产能规模越来越大，这项成本花费只会更高。

        也因为如此，台积电很早就开始把脑筋动到机器学习上，因为图形辨识跟分类，正是机器学习最擅长的应用。 若能成功导入，每年可以省下至少100万美元以上的人力成本。

        张智星表示，因为他的主要研究领域是信息工程，对半导体制程所知有限，因此在与台积电合作的过程中，只专注在图像辨识上。 在他的研究团队拿到台积电提供的数据集之后，就开始分析，这些缺陷分布图究竟有那些特征，是可以被萃取出来的。

        其中，最直观的就是图形的轮廓，这是人类的眼睛一眼就能看出的特征。 但还有其他不那么直观的特征可以利用，例如雷登变换(Radon Transform)。 也可以用统计取样的技巧来对缺陷图进行分析，例如对整片晶圆进行2乘2矩阵取样，然后予以编码，也能得出有意义的数值。

        DNN应用有其限制

        不过，张智星也提醒，虽然神经网络是一项很红的技术，但神经网络不是所有数据分析问题的理想解答。 以深度神经网络(DNN)为例，这项技术要能派上用场，先决条件是要有大量的数据集，而且最好是影像数据。 其次，必须有非常强的运算硬件支持，不然会跑不动。 换言之，如果可以用来训练神经网络的数据集不够，或是手上可用的运算硬件效能不足，最好还是别使用神经网络。

        此外，DNN还有一个特性，是所有想利用DNN发展应用的开发者都必须注意的--DNN系统虽可产生预测结果，但却无法解释这个预测结果是怎么来的。 换言之，DNN只知其然，不知其所以然。 如果应用需求不只要预测结果，还要进一步解释为何是这个结果，最好别使用DNN。 了解每个工具的特长，用最适合的工具来解决问题，是很重要的。

        设备业者看AI--产品加值/升级的关键

        由于半导体设备很早就已经实现机台联网跟数据互通，因此对半导体设备商来说，如何用人工智能提升机台的产能/稼动率，或是加快新机台研发的速度，是比较关切的话题。

        Lam Research副总裁暨首席工程师Keith Wells指出，AI技术已经成熟到可以对产业应用产生影响，而且成本合理的地步。 在Lam Research内部，针对AI应用的议题，发展方向比较偏向智能制造的层面，例如透过其Equipment Intelligence套件，让机台具备自我感知、自我维护与自动适应的能力。

        自我感知指的是机台对于其内部零件具备感知能力，包含零部件的种类与零部件过去、现在的状态。 自我维护则是指机台能知道何时需要维修，并且会自动进行维修。 自动适应则是指机台能因应制程跟来料变化自动进行补偿，以便把生产良率维持在一定水平之上。

        就设备供货商的角度来观察，半导体设备的智能化跟晶圆生产的智能化，是未来必然要走的路，因此整个生态系，包含机台本身、整个晶圆厂与机台零部件的供货商都必须携手合作，实现数据共享。 Lam Research对于以AI为基础的半导体智能制造有很强的承诺，并且正与其客户合作，共同打造能符合未来需求的解决方案，包含更强大的数据存取系统，以及先进分析工具环境。

        但对半导体设备供货商来说，最大的挑战来自于客户需求的多样化。 每家客户对于如何利用AI来提高生产力这个议题都有自己的想法，而且彼此之间或多或少有些出入。 因此，客户通常都想要客制化的解决方案。 但客制化通常意味着更长的开发时间与更高的开发成本，因此业界必须创造一个大家都能接受的标准化框架，才能加快产品交付到客户手上的速度。

        科磊(KLA-Tencor)对AI的应用方向，看法也跟Lam Research有些类似。 该公司资深副总裁暨营销长Oreste Donzella表示，由于科磊的主力产品是半导体检测设备，涉及到很复杂的光学设计，因此在产品开发过程中，用机器学习来进行各种条件仿真，加快新产品设计开发的速度，已经是行之有年的作法。

        至于晶圆检测设备所产生的大量数据要如何利用人工智能进行分析，通常是由客户端主导，科磊则扮演从旁协助的角色。 因为这些数据是客户的商业机密，所以数据要如何分析跟使用，还是要由客户做决定。

        不过，针对后段封装跟测试，情况就不太一样了。 Donzella指出，跟前段晶圆制造相比，封装业者分析跟控制数据的能力比较不成熟，因此封装业者要发展自己的人工智能系统进行数据分析，难度相对较高。 因此科磊也正在评估，自家的软件跟服务部门能如何协助封装业者，在导入人工智能的路上向前迈进。