人工智能与大数据将可望提升半导体厂商良率与质量

来源：DIGITIMES

半导体模拟软件供应商Coventor技术长David Fried指出，在半导体制程中，藉由将工具设备产生的数据化为远见，可帮助厂商提早在制程中发觉问题。从整个制造厂房角度来看，人工智能(AI)与大数据将有助于半导体厂商提升良率与质量。

据Semiconductor Engineering报导，Fried指出，过去进入300mm晶圆时，虽已开始透过在工具上安装传感器产生数据，但当时真正加以参考不多。如今设备上的传感器能分析从工具运转到监测晶圆制程所产生的数据，例如传感器与数据日志可取得晶圆进到哪个腔体的信息，所有数据则进入可收集与实时分析的系统内。因此，厂商可从整个厂房角度来看，藉此达到预测变化的目的，而非各自调整某个出错的环节。

Fried也指出，如果要在制程一开始就发现问题，当工具产生数据后，必须再与在线量测、在线瑕疵检测分类、电子测试甚至一路到功能性测试加以整合。他也指出，由于有不同数据来源，因此，接下来需解决格式问题，让数据达到可收集与存取，以便厂商开始采用基本机器学习并与电子测试及量测数据整合。一旦出现趋势及模式后，再藉由算法去补偿出现的偏差。

Fried认为，目前发展已从机器学习转往真正AI，一旦厂商解决大数据挑战后，将可继续迈进更大规模与整合性的数据组以及更深入AI，让厂商从良率、产出、元件效能角度去看厂房的目标，掌握正确信息适时调整整个流程。

当进入更小节点后，噪声与介电质等问题开始浮现后，Fried则指出，每一代节点都会有物理问题出现，包括新的机制、数据与问题等。而随着其影响被了解后，将其包含至预测模型内并开发相关技术试图加以解决。

至于目前出现的存储器瓶颈(memory bottleneck)问题，Fried认为，随着更新的工作量出现后，为存储器带来极大需求。AI、机器学习与大数据都是属于会在存储器与处理器之间驱动大量数据来回的应用。

不过，虽然在存储器密度、每位元价格与存储器扩充上已取得进展，但仍需要通道(pipe)让数据进出，显示存储器与其技术需求已超越现有基础建设的脚步。