IC 制造商越來越依賴智能數(shù)據(jù)處理來防止停機(jī)、提高良率和減少報(bào)廢。他們將其與故障檢測和分類 （FDC） 相結(jié)合，以追蹤故障原因。

當(dāng)今的 FDC 系統(tǒng)具有更好的傳感器、變異性控制以及預(yù)測性和規(guī)范性建模。未來，FDC 將使用法學(xué)碩士和代理人工智能等工具實(shí)現(xiàn)實(shí)時(shí)決策。

FDC 的很大一部分變化都圍繞著故障預(yù)測。“傳統(tǒng)的 FDC 不具有預(yù)測性，”Cohu Analytics 解決方案 Tignis 的副總裁兼總經(jīng)理 Jon Herlocker 說?！八揽咳祟惣捌涔に?設(shè)備專業(yè)知識來識別故障的先決條件，然后對其進(jìn)行監(jiān)控?！边@種方法不是自動化的、工程密集型的，而且響應(yīng)緩慢。“現(xiàn)代故障檢測系統(tǒng)利用機(jī)器學(xué)習(xí)來持續(xù)分析設(shè)備信號并識別故障的前兆，從而在故障發(fā)生之前有效地預(yù)測故障?！?/p>

工程師使用 FDC 實(shí)時(shí)響應(yīng)對已知良好模具生產(chǎn)影響最大的變化。借助當(dāng)前的工具，F(xiàn)DC 可以利用 AI 功能更好地對致命缺陷進(jìn)行分類，同時(shí)加快根本原因分析的根源。

現(xiàn)代 FDC 還可以實(shí)現(xiàn)更好的異常值檢測，這是區(qū)分邊緣芯片和良好芯片的關(guān)鍵步驟?！白畲蟮母倪M(jìn)是從單變量分析轉(zhuǎn)向多變量分析。能夠跨多個(gè)變量工作可以提高靈敏度，從而減少誤報(bào)，“Onto Innovation 產(chǎn)品管理總監(jiān) Joe Fillion 說。

FDC 本質(zhì)上與決定產(chǎn)量的電氣測試相關(guān)。與此同時(shí)，越來越需要實(shí)時(shí)處理來確定異常值是否良好?！傲硪粋€(gè)關(guān)鍵變化是實(shí)時(shí)數(shù)據(jù)處理。這提供了即時(shí)和預(yù)測性的故障檢測，以更好地保護(hù)產(chǎn)品。它還提供了動態(tài)（幾乎原位）配方調(diào)整的能力——特別是在使用運(yùn)行到運(yùn)行控制時(shí)，“Fillion 說。

“我們看到的機(jī)會是一類真正受益于實(shí)時(shí)數(shù)據(jù)和實(shí)時(shí)處理的問題，”泰瑞達(dá)產(chǎn)品測試集團(tuán)總裁 Regan Mills 說?！澳泔@然可以更好地決定設(shè)備的好壞?；蛘?，也許您正在快速評分。但是，您需要使用從該設(shè)備獲得的信息以及隨著時(shí)間的推移從其對等設(shè)備獲得的信息，盡快對該設(shè)備做出決定。因此，您正在以一種以前通常從未做過的方式使用聚合數(shù)據(jù)。這是使用測試現(xiàn)場的邊緣計(jì)算資源來執(zhí)行的。

晶圓廠計(jì)算資源水平不斷提高，可以更快地做出反應(yīng)，但許多專家警告說，這種好處并不是全行業(yè)范圍的?！笆褂脗鹘y(tǒng)的 FDC，您會在問題發(fā)生六到七周后，在晶圓測試中發(fā)現(xiàn)問題，”yieldWerx 首席執(zhí)行官 Aftkhar Aslam 說?！暗侥菚r(shí)，你已經(jīng)擁有了所有這些已經(jīng)經(jīng)過制造的材料。它很糟糕，無法返工。這是當(dāng)今 300 毫米晶圓廠的主要改進(jìn)。進(jìn)入晶圓廠的設(shè)備包括高性能數(shù)據(jù)中心，可以攝取這些數(shù)據(jù)并實(shí)時(shí)做出決策。但我們不能說這對整個(gè)行業(yè)有幫助，因?yàn)槔暇A廠不具備這種能力。

雖然半導(dǎo)體晶圓廠長期以來一直使用 FDC 程序和分析，但 FDC 的新領(lǐng)域正在發(fā)生在組裝和先進(jìn)封裝領(lǐng)域?！拔覀兛吹?FDC 最大的實(shí)施是在先進(jìn)封裝中，臺積電、英特爾、三星，甚至是不太知名的公司都在構(gòu)建這些多芯片高級封裝，”PDF Solutions 晶圓廠應(yīng)用解決方案經(jīng)理 Jonathan Holt 說?！斑@包括在另一個(gè)基板上構(gòu)建封裝、精確放置多個(gè)組件、通過硅過孔制造以及面對面鍵合的所有復(fù)雜性——它們必須具有 FDC 和實(shí)時(shí)過程控制。”

FDC 進(jìn)展：簡史
早期的故障檢測和分類工作涉及工藝工程師的大量手動工作，從晶圓加工、計(jì)量、不同的測試插入等多個(gè)來源收集數(shù)據(jù)。任何給定工具上的 FDC 都是通過首先跟蹤傳感器跟蹤數(shù)據(jù)的最小值、最大值和平均值來完成的。然后，工程師為警報(bào)和監(jiān)控分配閾值。

但是閾值的放置并不像看起來那么容易?！罢业秸_的閾值具有挑戰(zhàn)性，因?yàn)槿绻撝堤憔蜁盏酱罅烤瘓?bào)，如果閾值太寬大，就會錯(cuò)過錯(cuò)誤，”Cohu 的 Herlocker 說。

以這種方式在整個(gè)工廠中部署 FDC 可能需要數(shù)年時(shí)間才能選擇正確的相關(guān)性（即接觸電阻和傳感器）和最佳閾值?！按送?，設(shè)備和流程會定期變化，因此 FDC 系統(tǒng)需要定期員工來監(jiān)控和調(diào)整閾值，否則警報(bào)會變得令人討厭并被忽視，”Herlocker 補(bǔ)充道。

事實(shí)上，在大數(shù)據(jù)時(shí)代，數(shù)據(jù)被忽視的可能性很可能是因?yàn)楣こ處熋τ谶\(yùn)行他們的流程和設(shè)備。此外，由于工程師需要在生產(chǎn)中盡快捕獲異常，因此他們轉(zhuǎn)向?qū)r(shí)間序列數(shù)據(jù)進(jìn)行連續(xù)監(jiān)控。

“仍然需要在使用點(diǎn)控制工具，因此我們開始從傳感器獲取完整的跟蹤數(shù)據(jù)，然后在工具周圍放置保護(hù)帶，以確保它不會漂移，”PDF 的 Holt 說?！八袁F(xiàn)在我不必提取特征。我可能會錯(cuò)過具有平均值、斜率、最小值或最大值的數(shù)據(jù)，但我會在完整的時(shí)間序列數(shù)據(jù)跟蹤中捕獲它，該跟蹤也用于晶圓廠中的工具與工具匹配。

此時(shí)間序列數(shù)據(jù)還需要包括預(yù)防性維護(hù)步驟。記錄這個(gè)完整的生命周期需要大量的數(shù)據(jù)和數(shù)據(jù)存儲?！袄纾覀儾榭戳伺_積電 30,000 片晶圓的跟蹤數(shù)據(jù)，結(jié)果為 100 TB。他們在每家工廠生產(chǎn) 250,000 片晶圓。因此，您談?wù)摰氖?PB 級數(shù)據(jù)，當(dāng)您進(jìn)行時(shí)間序列數(shù)據(jù)監(jiān)控時(shí)，您必須分析和維護(hù)這些數(shù)據(jù)。這是一個(gè)支持的挑戰(zhàn)，“霍爾特補(bǔ)充道。

FDC 最初涉及建立單變量相關(guān)性（單變量），但很快就被證明是不夠的。然后，工程師設(shè)計(jì)了多變量模型來關(guān)聯(lián)復(fù)雜的關(guān)系，從而提高了靈敏度并減少了誤報(bào)的數(shù)量。

ML/AI 革命
隨著質(zhì)量水平的提高，采用基于 ML 的建模的需求也在增加。機(jī)器學(xué)習(xí)是人工智能的一個(gè)子集，也可用于分析大型數(shù)據(jù)集、識別模式并提高故障檢測準(zhǔn)確性。

“傳統(tǒng)上，F(xiàn)DC 依賴于靜態(tài)閾值和 SPC，”O(jiān)nto 的 Fillion 說。“隨著時(shí)間的推移，這已被機(jī)器學(xué)習(xí)所取代，并最終被人工智能所取代，以對過程條件與帶有故障和錯(cuò)誤的變量之間更復(fù)雜的非線性關(guān)系進(jìn)行建模。機(jī)器學(xué)習(xí)模型提高了準(zhǔn)確性和及時(shí)性。此外，先進(jìn)的計(jì)算能力允許規(guī)范性和預(yù)測性建模以及異常檢測。

預(yù)測模型預(yù)測可能發(fā)生的情況，而規(guī)范模型則根據(jù)這些預(yù)測推薦具體行動以實(shí)現(xiàn)最佳結(jié)果。

圖1：工廠FDC、數(shù)字孿生、分析、第三方系統(tǒng)和MES元素之間的通信。來源：PDF 解決方案

現(xiàn)在，最大的變化是整合人工智能工具來加快分析速度并捕獲人類可能錯(cuò)過的異常或異常值。“在深度分類方面取得了非常顯著的改進(jìn)，使用人工智能和機(jī)器學(xué)習(xí)來查找簽名并連接以前永遠(yuǎn)不會連接的點(diǎn)，”YieldWerx 的 Aslam 說。

在 COVID-19 大流行期間，對晶圓廠設(shè)備的遠(yuǎn)程指揮和控制成為一項(xiàng)必備功能，當(dāng)時(shí)工程師無法前往現(xiàn)場解決問題，從那時(shí)起就一直在使用。EDA 和 ATE 工具之間的連接尤其強(qiáng)大。

“我們的遠(yuǎn)程連接工具允許用戶遠(yuǎn)程連接到 ATE 以使用 EDA 工具、SoC 代碼調(diào)試器和自定義工作臺腳本，”泰瑞達(dá)首席軟件工程師 Richard Fanning 說?！斑@使團(tuán)隊(duì)能夠使用他們選擇的工具和專家來調(diào)查問題，從而簡化實(shí)時(shí)使用正確工具的最佳人選的過程。我們與行業(yè)領(lǐng)導(dǎo)者合作，使這種集成盡可能簡單。客戶向我們表示，他們盡早減少故障的主要方法是消除設(shè)計(jì)臺架設(shè)置、仿真和 ATE 測試程序之間的差異。

傳感器數(shù)據(jù)分析和數(shù)字孿生對于尖端設(shè)備尤為重要。“支持這些先進(jìn)節(jié)點(diǎn)所需的先進(jìn)傳感器數(shù)量正在爆炸式增長，”Inficon 智能制造總經(jīng)理 John Behnke 說?！叭绻麤]有嵌入式傳感，你就無法制造出亞 2 納米的工藝工具。智能傳感器的人工智能增強(qiáng)是 FDC 的真正要求。然后，在整個(gè)供應(yīng)鏈或工廠中實(shí)際整合這些信息的能力變得越來越重要。此外，數(shù)字孿生正變得越來越被接受，我們認(rèn)為它們需要相互通信。

數(shù)字孿生的構(gòu)建成本很高，尤其是當(dāng)它們包括過程設(shè)備上的關(guān)鍵傳感器時(shí)。缺乏標(biāo)準(zhǔn)也阻礙了接受。NIST 和 SEMI 正在制定數(shù)字孿生標(biāo)準(zhǔn)?！拔掖_信他們會推薦一些標(biāo)準(zhǔn)，可能用于溝通。但它們將包括所有 FDC SEMI 標(biāo)準(zhǔn)，可能一直到 EDA 和所有物聯(lián)網(wǎng)，“PDF 的 Holt 說?！暗牵绾我运璧乃俣葌鬏敂?shù)據(jù)呢？這可能需要多個(gè)協(xié)議，并且可能會被容器化，并具有一定的安全性和開銷。

異常值檢測
最近在異常值和異常檢測方面的主要進(jìn)展來自特征提取和信號隔離，而不是核心算法本身?！盀榱耸惯@些系統(tǒng)取得成功，必須將聚焦數(shù)據(jù)信號暴露給異常值檢測算法以減少檢測次數(shù)，”Cohu Analytics 解決方案旗下 Tignis 的數(shù)據(jù)科學(xué)總監(jiān) Ryan Stoddard 說?！艾F(xiàn)代特征提取算法，例如深度學(xué)習(xí)自動編碼器，可以提取簡單的統(tǒng)計(jì)特征不容易檢測到的細(xì)微痕跡形狀差異。LLM 可以輕松搜索歷史 OCAP 數(shù)據(jù)集并暴露關(guān)鍵信號，這些信號通常是先前問題的早期預(yù)警。總的來說，領(lǐng)域?qū)＜铱梢圆渴疬@些新技術(shù)，使異常檢測系統(tǒng)更加集中和廣泛相關(guān)。

左移的概念對于在工藝流程的早期檢測故障變得越來越重要，特別是對于基于小芯片的模塊。“我們可以通過利用歷史數(shù)據(jù)和分析最近的數(shù)據(jù)集，應(yīng)用機(jī)器學(xué)習(xí)技術(shù)在早期階段預(yù)測故障。然而，它涉及避免過度殺傷和確保準(zhǔn)確故障檢測之間的權(quán)衡，“愛德萬測試應(yīng)用研究負(fù)責(zé)人 Kotaro Hasegawa 說?！皺C(jī)器學(xué)習(xí)的一個(gè)應(yīng)用是使用動態(tài)零件平均測試 （DPAT） 進(jìn)行異常值檢測，我們根據(jù)測試結(jié)果中觀察到的各種趨勢動態(tài)調(diào)整限值。這種方法已經(jīng)在汽車設(shè)備中大量使用，但現(xiàn)在我們也將其應(yīng)用于其他設(shè)備，“長谷川補(bǔ)充道。

DPAT 是一種制造技術(shù)，它使用統(tǒng)計(jì)分析來動態(tài)設(shè)置測試限值，而不是使用固定限值，以識別和消除可能導(dǎo)致質(zhì)量和可靠性問題的異常值部件。DPAT 消除與過程相關(guān)的異常值。但公司正在超越 DPAT 來提高產(chǎn)品質(zhì)量和產(chǎn)量。

“零件平均測試是IATF16949的一個(gè)重要方面——汽車制造必須擁有它，”Cohu Analytics 解決方案 Tignis 的解決方案工程總監(jiān) Boyd Finlay 說?！按送猓€需要 Out Of Family （OOF）、Good Die Bad Neighborhood （GDBN）、統(tǒng)計(jì)箱限制 （SBL） 和統(tǒng)計(jì)良率限制 （SYL）。而且我沒有聽到有人談?wù)摿慵骄A(yù)測測試或虛擬測試。用預(yù)測代替實(shí)際測試似乎是一個(gè)實(shí)現(xiàn)十億分之零缺陷零件的機(jī)會。

當(dāng)產(chǎn)量偏移確實(shí)發(fā)生時(shí)，快速反應(yīng)非常重要，并且知道如何做出反應(yīng)?！八詥栴}實(shí)際上是，'你什么時(shí)候做出反應(yīng)？'產(chǎn)量偏移會對您的組織產(chǎn)生多大的財(cái)務(wù)影響？如果是 25%，與之相關(guān)的成本是多少，”西門子數(shù)字工業(yè)產(chǎn)品管理總監(jiān) Marc Hutner 說?！白鳛闇y試程序的一部分，您正在進(jìn)行一系列測量，并且您正在進(jìn)行與之相關(guān)的標(biāo)準(zhǔn)分箱，但隨后您正在分析數(shù)據(jù)并問，'這里發(fā)生了什么？'你可以做一些事情，比如重新測試?；蛘撸诓榭磾?shù)據(jù)后，您可能會意識到設(shè)置中發(fā)生了一些事情。

這可能像與 DUT 的接觸錯(cuò)誤一樣簡單?！皩τ谶壿嬙O(shè)備，我們定義了 ATPG 掃描的工作流程，其中包括如何收集和格式化測試數(shù)據(jù)，”Hutner 說。“因此，我們提供的模式既具有驅(qū)動數(shù)據(jù)，也具有預(yù)期。然后，我們要求客戶在標(biāo)準(zhǔn)數(shù)據(jù)測試或 STDF 中格式化數(shù)據(jù)，然后將其直接輸入到我們的體積診斷工作流程中，在那里可以對其進(jìn)行分析以找出產(chǎn)量問題存在的位置，然后由人工查看報(bào)告。

在為數(shù)據(jù)集選擇合適的模型時(shí)，工程師可以開發(fā)監(jiān)督或無監(jiān)督模型。“在許多情況下，無監(jiān)督學(xué)習(xí)是有意義的，因?yàn)檫@些過程和技術(shù)已經(jīng)為人所知多年，”YieldWerx 的 Aslam 說。“但有人工智能芯片和光子學(xué)等新技術(shù)。在這些前沿領(lǐng)域，很多處理都是新的，我不會相信無監(jiān)督學(xué)習(xí)，所以它并不適用于所有領(lǐng)域。

結(jié)論
在工藝工具上與法學(xué)碩士或其他形式的人工智能交互的能力最終將促進(jìn)更快的反應(yīng)，從而在制造過程中產(chǎn)生良率偏差。在晶圓廠工具上成熟的 FDC 系統(tǒng)正在進(jìn)入裝配和測試線，例如，在模具拾取和放置或單切工具上進(jìn)行工具與工具的匹配將確保更好的過程控制。

FDC 仍然是工程師必須指導(dǎo)、監(jiān)控和做出反應(yīng)的過程，同時(shí)還要進(jìn)行再訓(xùn)練練習(xí)以保持模型的相關(guān)性。多家公司之間日益加強(qiáng)的合作正在促進(jìn)智能制造這一關(guān)鍵領(lǐng)域的快速進(jìn)展。