AI 在芯片加工中的妙用 !

来源：半导体盒原文链接

专属客服号

微信订阅号

大数据治理

全面提升数据价值

赋能业务提质增效

　　正文共： 3199字；预计阅读时间： 8分钟来源：IBM，How AI is improving chip p

正文共： 3199字；预计阅读时间： 8分钟

来源：IBM，How AI is improving chip production.

IBM 研究中心的科学家们正利用人工智能追踪硅片加工中的缺陷和低效问题。

构成现代芯片基础的硅片极为敏感。在其制造过程中，有许多环节可能会引入缺陷。为了简化这一流程并确保尽早发现有缺陷的芯片，IBM 研究中心的科学家们提出了新的算法，以识别整个芯片制造过程中缺陷的来源，并对有关硅片工艺流程控制的一个长期存在的假设提出了挑战。

由 IBM 研究院半导体数据科学负责人 Tsuyoshi Ide 领导的团队，在先进半导体制造会议（ASMC）上发表三篇关于这项研究的论文。Ide 及其团队开发的人工智能算法依赖于 IBM 用于半导体制造的 SiView 和智能工厂数据平台。

Sequence-Aware Inline Measurement Attribution for Good-Bad Wafer Diagnosis : DM: Big Data Management and Machine Learning
Wafer Defect Root Cause Analysis with Partial Trajectory Regression DM: Big Data Management and Machine Learning
Impact of Lot Arrival Density Fluctuations on Cycle Time Control : IE: Industrial Engineering

晶圆制造包括蚀刻、沉积等十几种不同的工艺类型，其中超过一半的工艺每层必须重复 40 到 100 次，这意味着制造一枚芯片可能需要 1000 个甚至更多步骤——每一步都有产生缺陷的可能。质量控制检验员使用显微镜，根据缺陷的密集程度来量化硅晶圆质量的优劣。

然而，一旦出现问题，要找出有问题的加工机器或错误的确切来源可能极为困难。每个步骤的结果都取决于之前所有步骤的准确性，因此多变量误差可能会累积起来，却没有单一明确的源头。

Ide 将硅片的历史比作人类的生命：“人生早期的一个小小失误可能会显著影响你的人生轨迹，” 他说。同样，硅片生产某一阶段的制造缺陷也可能在后续环节产生难以估量的影响。“ 由于其连续性，分析根本原因非常、非常具有挑战性，” 井出补充道。

目前没有可用的解决方案，因为这并非一个标准的机器学习问题。“机器学习擅长在给定复杂输入集的情况下预测某种结果，但这有点像是一个逆问题，” Ide 说。IBM 研究团队并非根据一系列输入来预测下一步或最终结果，而是试图根据最终输出来追溯确定某一个步骤。实际上，要做到这一点，唯一的方法就是在不同条件下反复制造晶圆，然后运用简单的统计分析来找出缺陷发生的位置——换句话说，就是运用科学方法。除了最大型的芯片制造商之外，这种方法对所有厂商来说都完全不切实际，即便对这些大厂而言，这种半手动的方法也需要庞大的研究人员和管理人员团队，因此它已经接近了实用性的极限。

作为一种替代一片接一片地运行晶圆的方法，Ide 和他的团队正在尝试其他方法。

找出问题出现的时间

在他们的第一篇论文中，研究团队试图确定过程中的哪些测量结果与某种缺陷的发生最相关。为了实现这一目标，他们计算了每个测量参数的归因分数。每个加工工具所处理的物理过程大相径庭——比如掺杂、抛光去除粗糙度、磨削材料等等——因此很难对晶圆生产过程不同环节的数据进行比较。相反，他们采用了一种所谓的在线测量，这种测量通常在一个主要工序完成后立即进行。这些在线测量可以作为每个步骤保真度的替代指标，基于这些指标，该团队训练了一个分类器来计算每个项目的责任分数。

在这张图中，处理时间线上有一个点，模型预测到不良晶圆的概率会大幅上升——简而言之，这是一个“不良”预测。该分析意味着两件事。第一，该时间戳在某种程度上与该缺陷相关；第二，在最终测量的几个月前，该晶圆就被预测为不良。“所以，如果你知道这个情况，就可以中止生产过程，” Ide 说。

他们的评分算法名为 Trajectory Shapley Value，是博弈论中著名的 Shapley Value 的一种新颖扩展，旨在为工程师提供一些优先级建议。借助这个特定模型，Ide 和他的同事们不会试图猜测机器到底出了什么问题，他们只会确定故障发生的时间。

绘制轨迹

在第二篇论文中，他们使用了另一种类型的模型。与好坏分类不同，这种基于轨迹的预测模型会预测实际的缺陷密度，并尝试确定哪个过程负有最大责任。

同样，责任分数会被计算出来，但这次它们来自过程属性——在整个制造过程中收集的晶圆质量数据。但如何将过程属性转换为可分析的数字呢？为此，他们提出了一种名为 proc2vec 的技术，这种方法的灵感来自自然语言处理中著名的 word2vec 技术。就像 Transformer 在没有明确语法知识的情况下能自动分析词语之间的相互依赖关系一样，proc2vec 旨在自动捕捉硅晶圆工艺和在线测量之间的隐藏依赖关系。

例如，研究团队利用 IBM Research Albany 的晶圆历史数据证明，将这些相互依赖关系纳入考量能显著提高缺陷预测的准确性。他们基于轨迹模型构建的新归因方法，成功识别出了由异常长等待时间导致的潜在异常工艺。

质疑假设

该团队的第三篇论文针对晶圆厂中的在制品（work in-progress，WIP）积压问题展开研究，这很像晶圆批次的交通拥堵现象，即多组晶圆同时进行制造流程。晶圆批次在晶圆厂的轨道上以不同速度移动，因此会出现大量意想不到的随机性。

为了理解晶圆流转为何会陷入拥堵，晶圆厂会使用先进的半导体制造模拟器（ASMS），这就好比城市规划中使用的交通模拟器。运行 ASMS 对计算能力要求很高，因此多年来一直使用一种名为排队论的简化模型。不过，Ide 表示，排队论所采用的假设可能过于简单，这可能会低估晶圆厂实际的可变性。

研究团队使用了一种名为 Hawkes process 的替代数学模型（该模型会考虑事件历史），分析了 IBM Research Albany 的晶圆历史数据。他们发现，通过名为 Akaike Information Criterion (AIC) 的统计模型选择标准进行评估后，与排队论假设相比，这种方法能使预测的批次到达时间与实际时间更加吻合。

他们使用的一个指标被称为 “X 因子”，即实际周期时间与理想周期时间的比率，其中理想周期时间是假设整个晶圆厂中只存在一片晶圆时的最短处理时间——没有等待时间，只有移动和加工时间。“所以通常 X 因子远大于 1，一般是 10 或 15，”井出说。

他们发现，在某些工具位置，批次到达时间的不均匀性显著增加了完成晶圆所需的时间。根据他们的模型，事实证明，如果控制了工具的平均利用率，X 因子可能会比传统的基于排队的模型预测的大得多。

这表明，至少对于半导体制造而言，基于传统排队论的在制品分析需要进行修正。本文指出了现有方法存在的问题，但并未必然提出解决方案。不过，它确实表明霍克斯模型更为优越。

这项工作的大部分仍处于早期阶段。在此过程中，团队发现了一个主要局限性：我们对工艺参数只有表面信息。为解决这一问题，IBM 研究团队计划在未来的工作中纳入基于物理学的信息。

从长远来看，他们的目标是将这些知识和模型应用到实际生产线中，以提高未来晶圆制造流程的质量。