|
全文2.3万字左右，接待列位看官耐心阅读。别的， 为对AI+Semicondutor感爱好的朋友找一个交换的地方，有爱好的朋友，可以加入，配合交换AI在半导体集成电路范畴各个场景下的利用。 前面能够由于人数缘由，需要约请才能进入，前面的朋友可以在我的主页上找我的联系方式，我来约请。  引言关于机械进修在半导体范畴的利用这一话题，今朝互联网上的著作已经汗牛充栋，本文也仅仅是停止冰山一角似的先容。 今朝Machine Learning大概AI已经在超大范围集成电路的诸多偏向发生了利用，不管是学术界还是产业界都做了响应的摸索，而且在诸多方面获得了成功。是以，本文的撰写目标是：1）今朝有哪些在产业界已经落地的项目；2）还有哪些今朝学术界和产业界照旧在摸索中进步。别的，下文中，假如出现的包括Machine Learning、AI、ML，大数据分析，我们都将其称之为AI，虽然严酷意义上不能画等号。还有一点说明，虽然是说半导体产业还是还是讲的集成电路产业，虽然不能画等号。 今朝AI在半导体制造业范畴的利用首要集合在以下几个方面：1）面向集成电路首要产业链，集合在集成电路设想、制造、封装；2）面向集成电路支持产业，材料和装备以及EDA等软件公司。  产业界最好理论本章节首要从产业界视角，按拍照关报道对半导体产业（现实上照旧是集成电路产业为主）中利用AI/ML技术的玩家停止相关的综述。与其他研讨报告分歧的是，本章节不但仅从芯片制造商（包括IDM、Fab）的角度展开，也会对包括材料商、装备厂商、软件公司（EDA软件公司、数据分析软件公司）、OSAT等多个角度展开。是以，在综述本章节内容的时辰，会触及到包括Intel、Applied Materials、Micron、TSMC、ASML等诸多公司。 Intel（英特尔）作为全球顶尖的半导体制造商，Intel早就将AI利用于半导体制造范畴。Intel针对AI在半导体制造范畴的利用公布了白皮书《High-Value AI in Intel’s Semiconductor Manufacturing Environment》。在其公布的白皮书中，Intel先容了今朝在其工场中所采用的AI技术，以下图所示。今朝而言，英特尔公司正在生产数千款野生智能模子。  图 The adoption of AI in Intel’s factories includes various applications 上图揭露了Intel在摸索AI与半导体制造的连系，其利用处景普遍。比如ML-based Advanced Process Control属于集成电路范畴很是重要的APC范畴；Process Tool Matching属于工具治理范畴，在集成电路中很多情况下将Fab中的装备大概装备叫做Tool；Automatic Defect Classification属于缺点分类范畴（Defect Classifying），这个范畴也是半导体中AI利用较为普遍的范畴。此外还有包括RCA（Root Cause Analysis）、测试等诸多范畴。 在白皮书中，Intel不但仅先容了他们的AI利用，其还先容了Intel是若何展开AI在半导体制造范畴利用的考量，大概叫做方式论，也可以叫做原则。固然了，Intel将其称之为框架（Prioritizing AI Use Cases to Optimize Business Value）。经过这个框架，Intel来分析和决议将AI利用于工场的具体场景中。 在这个被称之为优先级框架的架构下，其三个首要部分别离是：（1）本色性的营业代价；（2）可行性；（3）实现代价的时候。具体以下图所示。  图 Prioritization matrix for AI projects. 连系上图，在停止AI/ML计谋时，实施和计划团队可以连系以下具体题目展开。比如： 1）有本钱、生产力或良率收益吗？ 2） 方针利用法式能否具有容错性？也就是说，偶然出现的假阳性可以接管吗？ 3） 该处理计划可以真正实现大范围的自动化吗？也就是说，它能否可以将野生智能模子集成到现有的野生智能制造自动化系统中 4）该处理计划可以真正实现大范围的自动化吗？也就是说，它能否可以将野生智能模子集成到现有的野生智能制造自动化系统中？ 在白皮书中，Intel说起到其AI/ML技术的实施和利用提到了其围绕清楚的方针展开，同时借助POC（Proof of Concept）等手段，获得了不错的功效，并罗列了三个AI利用相关的案例。这三个案例别离是：1）ADC with Computer Vision and Machine Learning；2）Root-Cause Analysis；3）Sort Test Probe Card Inspection。具体这三个案例，我将会在前面的具体章节中展开。 此外，Intel也在白皮书中做了对大数据分析项目失利案例的思考，以及针对AI/ML在半导体制造业范畴的利用的呼吁。 TSMC（台积电）TSMC一般指台积电，是一家今朝执半导体制造之牛耳的半导体制造厂商。关于TSMC在半导体制造中利用AI技术的报道已经有很多了。在这里首要简单的援用两个材料。 早在2020年8月份，就已经有国外媒体报道，台积电（TSMC）已经在利用野生智能和机械进修技术来改良他们的芯片生产。 TSMC在其官网上先容道[1]，“公司先辈、灵敏和智能的操纵系统继续鞭策出色制造。台积电整合野生智能、机械进修、专家系统和先辈算法，构建智能制造情况。智能制造技术普遍利用于调剂和调剂、员工生产力、装备生产力、工艺和装备控制、质量防御和机械人控制，以优化质量、生产力、效力和灵活性，同时最大限度地进步本钱效益并加速整体创新。台积电还整合了智能移动装备、物联网和移动机械人等新利用，并连系智能自动化材料处置系统（AMHS），整合晶圆制造数据收集和分析，有用操纵制造资本，最大限度地进步制造效力。是以，该系统供给了快速启动、短周期、稳定的制造、定时托付和整体质量满足度，并供给了极大的灵活性，可以在需要时快速支持客户的告急拉入请求。”。 下图所示为TSMC在“Agile and Intelligent Operations”中所提到的Intelligent Fab。  Intelligent Fab with self-diagnosis and self-feedback capabilities. Source：TSMC 关于TSMC在Metrology中连系AI技术的先容，主如果来自于其团队在VLSI Workshop上所做的报告[2]。TSMC的Yi-hung Lin在其报告《Metrology with Angstrom Accuracy Required by Logic IC Manufacturing-Challenges From R&D to High Volume Manufacturing and Solutions in the AI Era》中对AI时代的半导体量测技术做了回首和展望[3]。 其对今朝半导体制造中的Metrology的现状和未来的展望以下图所示。  图 半导体制造中的量测技术的AS-IS与TO BE 以后，Lin先容了今朝在半导体量测技术中的量测技术以及他们今朝将AI与之连系做得尝试。包括将AI与Optical Critical Dimension (OCD) Spectroscopy、Transmission Electron Microscopy（TEM）、1.3.Scanning Electron Microscopy（SEM）等技术的连系。 在报告中Lin等人还对将AI与Metrology连系的技术要求做了总结，相关内容将会在后文的半导体量测与AI连系的章节中展开描写。 Micron（美光）Micron是一家全球领先的半导体处理计划供给商。今朝一篇名为《Using Machine Learning in Fabs》[4]的文章中，援用了Micron相关职员的信息，从中可以梳理出Micron将AI与半导体制造连系的结构。按照文章所述，Micron首要在以下范畴将AI与半导体制造技术停止了连系。第一个范畴是Defect Classifying，第二个范畴是来自于装备大概机台的猜测性保护。 在文章中，Micron主如果先容了其在AI-ADC，行将AI利用于ADC（自动缺点分类）范畴的利用。Micron在其位于马塞诸塞州的Fab中摆设AI-ADC，该工场首要生产DRAM、NAND和NOR Flash等产物，并将其在其他工场中停止扩大。 在AI-ADC中，Micron将数百万个已经保存的缺点图像放进Hoodoop中，并操纵NVIDIA的深度进修平台停止进修，并对进修成果停止打分，一旦该模子打分充足高，即对其停止解冻，并起头利用。下图所示为Micron供给的一份神经收集图。  A neural network is a function that can learn Source: Micron 缺点是经过AI-ADC来系统性的检查与分类的，而对于那些较为不常见的缺点则还是由操纵员停止分类。 如我们所知，查找和分类缺点仅仅是全部半导体Fab中的一部分，现实上在半导体制造中的关键是要找到引发这些缺点的底子身分，而且追求到处理计划，并消除这些身分的影响。 多年来，猜测性保护（Predictive Maintenance）一向是FAB中的一项关键技术。这个想法是监视和猜测装备的性能，以削减故障和下降。为此，芯片制造商利用常规的FAB检测方式来定位和猜测故障。 固然，今朝也有一些新奇的方式。例如，在Fab 6中，Micron摆设了所谓的声学异常检测。为此，Micron将麦克风放在装备四周的机械人上。利用机械进修，对系统停止了练习，来检测声学异常，以识别装备的潜伏故障和变化。 在工场中，该技术（Predictive Maintenance）用于提醒保护团队。它可以避免不定期的停机时候。声学技术已经成长了很多年，最少对于某些人来说，它在Fab中很有用。今朝可以依靠于AI技术中所触及到的丰富的算力来对该技术场景下的噪声停止过滤和分析。 Applied Materials（利用材料）作为全球最大的半导体装备公司，Applied Materials（利用材料，AMAT）在将AI与半导体制造业连系方面也是走得很是靠前。关于Applied Materials将AI与半导体制造连系的信息，本文首要引述以下几个层面的信息，便于大师对这家全球最大的半导体装备制造公司有所领会。 Applied AI（X）Actionable Insight Accelerator 2021年4月5日，Applied Materials公司公布了其AIX TM平台。下图所示为Applied的AIx平台[5]。  图 Applied AIx TM平台 AIx是可操纵洞察加速器的缩写，使工程师可以实时观察半导体工艺，对晶圆和单个芯片停止数百万次丈量，并优化数千个工艺变量，以进步半导体性能、功率、面积和上市时候(PPACt)。AIx平台适用于一切益用材料工艺装备、eBeam计量系统和检测系统，并可从尝试室扩大到工场。经过为工程师供给在研发进程中识别创新配方的才能，AIx加速了他们的转移，并进入了多量量生产(HVM)。AIx明天已经在利用了，它改良了逻辑芯片和内存芯片的PPACt。 AIx平台包括： ChamberAITM：利用材料工艺室的新传感器和机械进修算法，为工程师供给变量的实时分析，包括化学、能量、压力、温度和延续时候。 On-board metrology：怪异的真空计量，使新薄膜在堆积时被丈量，以埃级精度。 Inline metrology：基于利用材料公司eBeam计量的怪异算法，相对于传统方式可以供给100倍的丈量速度，并进步50%的分辨率。工程师每小时可以获得跨越100万个3D晶圆丈量值，以便在纳米标准上评价配方中的细小变化若何影响芯片上的器件和结构。 AppliedPROTM：工艺配方优化器天生数字工艺舆图，帮助加速材料和配方的开辟，削减可变性和扩大工艺窗口。AppliedPRO可用于优化单个腔室和工具，以及加速跨系统的婚配。 Digital twins：AIx平台包括选定的利用材料室和系统的数字孪生模子，使虚拟尝试可以加速配方开辟，改良婚配和斜坡转移，并优化大产量生产的输出和产量。 Computing：AIx平台包括利用机械进修和野生智能算法来存储和分析大量数据所需的计较资本。 ExtractAI寻觅缺点下降半导体工场运营本钱 2021年，在一篇报道中，AMAT提出其ExtractAI工具经过寻觅缺点来帮助半导体工场下降其运营本钱[6]。 可以说芯片是我们物种中最复杂的野生制品之一，需要数十亿纳米级的部件协同工作。一个小缺点能够会致使全部芯片变得无用，大概致使今后出现意外题目。 为领会决这个题目，芯片制造商历来扫描半导体寻觅题目——但在如此微观的范围上，这些尽力能够需要数天时候。 Applied希望利用新的光学扫描仪Enlight对全部芯片和题目地区停止更普遍的扫描，时候约为15分钟。然后，将利用更先辈的电子显微镜停止仔细观察。 借助于内部开辟的ExtractAI软件，显微镜可以找出已知的故障点（其中大约1000个）停止分析，而不是检察全部芯片。基于野生智能的系统会领会这些地址的位置，并寻觅表白它应当搜索其他地区的迹象。这个进程大约需要一个小时。 经过依靠野生智能，Applied Materials宣称它可以节省时候、更早地发现题目并下降制造本钱。理想情况下，它应当可以帮助半导体制造商分析缺点是若何发生的，并能够随着时候的推移下降缺点率。 该公司暗示，自 2019 年以来，与客户停止的早期测试已发生跨越 4 亿美圆的节省。 ASML既然提到半导体制造业的最好理论的话，不管若何也绕不开ASML这做高峰。作为全球最大的高端光刻机厂商，ASML也在积极鞭策AI技术在光刻技术中的利用。 2017年，ASML在国际光学工程学会SPIE的光掩模技术大会上颁发了《Machine learning assisted SRAF placement for full chip》[7]（机械进修帮助SRAF放置全芯片）的论文，与传统的RB-SRAF相比，ASML将深度卷积神经收集利用于芯片结构中，且提升了光刻速度。 在其提交论文的Abstract部分，ASML做了以下先容。亚分辨率帮助功用 （SRAF）普遍用于计较光刻中的工艺窗口（PW）增强。基于法则的SRAF(RB-SRAF) 方式适用于简单的设想和法则的反复形式，但需要一个触及Litho、OPC和设想工艺协同优化（DTCO）工程师的较长开辟周期。此外，RB-SRAF是基于启发式的，不能保证SRAF放置对于复杂形式是最好的。相比之下，利用指导图构建 SRAF的基于模子的SRAF（MB-SRAF）技术足以为32nm及以下节点供给所需的工艺窗口。它为全芯片供给了改良的光刻余量，并消除了手动开辟复杂法则以帮助2D结构的应战。在ASML Brion Tachyon 平台上开辟的机械进修帮助SRAF放置技术使其可以进一步鞭策 MB-SRAF的极限。利用由Tachyon逆光刻引擎完全优化的持续传输掩模（CTM）练习深度卷积神经收集（DCNN）。然后利用神经收集天生的SRAF指导图来帮助全芯片SRAF放置。这与当前的全芯片 MB-SRAF方式分歧，后者操纵掩模灵敏度的指导图来进步光刻方针图案边沿的光学图像对照度。ASML期望机械进修帮助的SRAF放置可以实现比MB-SRAF方式更好的工艺窗口，而且全芯片负担得起的运转时候明显快于反向光刻。其将描写机械进修帮助SRAF技术的现状，并展现其在全芯片掩模分解中的利用以及它若何扩大计较光刻线路图。 东电电子（TEL）前面提到了Applied Materials、ASML等半导体装备公司，那还是沿着半导体装备公司的线路往下写。这里要提一下东电电子（TOKYO ELECTRON LTD.，TEL），东电电子是日本最大的半导体装备制造商。 这里首要按照其对外的一篇报告展开。TEL针对AI在半导体范畴的利用给出了以下图所示的报告《Applying Machine Learning to R&D for Semiconductor Process Development》。  图 《Applying Machine Learning to R&D for Semiconductor Process Development》. Source：TEL TEL在利用ML来停止半导体工艺开辟的时辰，具体论述了其项目标布景、方针、利用的技术（包括了Python、PCA分析等多种技术），除了纯真的工艺开辟和优化之外，还有材料和工艺的协同优化。固然了，包括数据的收集和处置，在报告中，TEL也做了响应的先容。  图 Process and Materials Research & Development Flow. Source：TEL  图 《Applying Machine Learning to R&D for Semiconductor Process Development》Summary. Source：TEL 在报告的总结部分，TEL给出了操纵Python的机械进修方式在半导体工艺开辟的研发阶段具有不错的结果，同时亦可以将工艺和材料协同优化经过ML的方式停止。终极，TEL也对接下来的步调做了展望，即操纵ML去寻觅新材料和开辟新工艺。可是，其也提到了在这个进程中需要更大的数据集，以及更多的模子参数，比如增加材料参数等。 其他制造厂商、软硬件厂商与办事商固然在半导体制造业还有很多的制造厂商、设想公司、软硬件厂商与办事商将AI/ML用于半导体制造业。这里不逐一具体先容。在后文的具体利用处景中，将会为大师延续展开先容。 AI在半导体制造场景下的利用（The application of AI in semiconductor manufacturing scenarios）关于AI在半导体制造场景下的利用，Intel针对AI在半导体制造范畴的利用公布了白皮书《High-Value AI in Intel’s Semiconductor Manufacturing Environment》[8]。以下3个案例：1）ADC；2）RCA；3）Sort Test Probe Card Inspection均摘自该白皮书。 ADC与计较机视觉和机械进修具有计较机视觉和机械进修功用的 ADC 是Intel在 HVM 中摆设的首批 AI 处理计划之一。在线缺点计量有助于在纳米硅芯片结构中检测偏移并捕捉题目，免得它们成为严重的良率和质量题目。 ADC 有助于从泉源上查明题目。 如图下图所示，培训职员以 90% 的正确率手动分类缺点能够需要 6 到 9 个月的时候。 即使在培训完成后，由于多种缘由，专家操纵员凡是也只能连结 70-85% 的正确率，包括：1）工作高度反复；2）流程变更能够致使需要进一步培训的新缺点范例；3）对IC 缺点停止分类原本就很困难。 一些缺点需要设想结构穿插援用才能正确诊断，而另一些缺点则底子没法被人眼和大脑感知。  Defect measurements – accuracy vs. time. 清楚地了解了题目陈说后，Intel团队在工作中与其内部由工艺、产量、缺点量测和装备工程师组成的跨职能团队合作，实施了机械进修（包括深度神经收集）ADC 处理计划。 该处理计划已在 TD 和 HVM 中摆设在英特尔制造的每个技术节点中，包括英特尔 至强 可扩大处置器和英特尔 傲腾 技术。 摆设自己需要支出庞大的尽力和投资才能将 AI 算法集成到工场自动化系统中。 集成包括几个条理：1）带有缺点检测系统的输入端；2）用户侧答应缺点工程师和技术职员标志图像并设置响应的方针结构信息；3）工场运营方面自动天生统计进程控制 (SPC) 警报并暂歇工场批次。 ADC 使Intel可以以所需的正确率对英特尔工场生产的晶圆上的大部分缺点停止丈量和分类，与其他处理计划相比，其总具有本钱没有任何增加。 此外，还可以在晶圆后制造进程中利用现有的成像装备来实现具有计较机视觉和机械进修功用的 ADC，这有助于尽早避免毛病并在不增加本钱的情况下进步产量。  Root Cause Analysis大范围机械进修和高级分析的另一个很好的例子是 RCA 处理计划，Intel已经在其一切工场的一切技术节点上提高了该处理计划。 在半导体制造中，快速找到良率和质量题目标底子缘由对于盈利才能和客户满足度都相当重要。 题目：在英特尔的制造范围上，找出良率题目标底子缘由凡是需要挖掘数十亿个参数，触及电子测试、SPC、工具、操纵、缺点、排队时候 (QTimes)、工艺时候、晶圆槽顺序、 装备日志和很多其他数据范例。 这类似于大海捞针。 精通分析的工程师，具有丰富的范畴常识和多年的经历，能够可以在几小时或几天内智能地挖掘一切可用数据； 但即使是两名工程师也很难分享这些常识，更不用说在英特尔的一切工场之间分享了。为了使 RCA 民主化，Intel开辟了可诠释的机械进修引擎（包括增强的决议树、新奇的委员会方式、特征挑选和法则归纳技术），可以处置大量、喧闹、异构和经常丧失的非随机 (MNAR) 制造数据。 这些引擎为诸如 RCA 之类的使命供给领会决计划，但首先需要支出很大的尽力才能将数据转换为可分析的形式。 Intel团队应用半导体范畴的专业常识建立了一个定制的大数据存储根本设备，为 RCA 所需的多维数据供给很是快速的数据拜候； 与数小时或数天相比，工程师现在可以在几分钟内找到潜伏的底子缘由。 经过在即用型快速数据根本设备之上无缝集成机械进修分析，大大削减了查找、提取、清算和毗连数据的反复性使命。 Sort Test Probe Card Inspection英特尔工场摆设的另一个适用 AI 处理计划发生在排序测试时代（Sort test）（以下图所示）。 排序测试是晶圆制造的最初一步，在该步调中测试晶圆上的各个裸片以肯定良率（及格裸片的数目）。 技术职员利用一种称为探针卡的硬件将测试形式传送到晶圆上的芯片，其中测试器引脚与探针卡停止物理打仗。在该场景下碰到的题目是由于打仗的物理性质酿成的。 探针卡轻易磨损，这反过来又会混淆测试成果。 从历史上看，技术职员会定期利用显微镜手动检查探针卡。 这项使命吃力、耗时，而且存在严重的人体工程学风险。  Probe Card defects – from manual to AI inspection. Intel采用多阶段方式为探针卡构建全自动检测系统。在每个阶段，Intel都构建了削减技术职员工作量的中心利用法式。整体处理计划现在合并了这些利用法式。例如，当探针卡在测试装备上时，一个利用法式会自动收集图像数据。检查工具仅标志探针卡的异常地区。另一个利用法式答应技术职员轻松标志数据，这反过来又答应建立标志数据集来练习深度进修 AI 系统。经过从最小可行产物起头并慢慢增加功用，Intel开辟了一个对技术职员有用的处理计划，即使他们帮助实现了完全自动化的方针。该系统现已完全自动化并摆设在多个工场，明显进步了生产力：之前每个工场每周需要长达 46 小时的使命已削减到不到 60 秒。 AI在半导体量测范畴的利用（AI+Metrology）前面提到TSMC团队提到的AI在Metrology范畴的利用，这里对相关内容做一个展开。 半导体行业的一个方面（或很快将）严重依靠野生智能支持——半导体工艺表征的计量，不管是在初始工艺开辟/启动时代，还是在鞭策延续工艺改良的在线检测。 半导体加工的每个方面，从光刻设想法则标准到延续的良率分析，根基上都依靠于关键尺寸 (CD) 光刻图案和材料成份的正确牢靠数据。在VLSI 2020 钻研会上，台积电先辈计量工程组司理 Yi-hung Lin 就半导体计量技术的现状以及野生智能方式供给需冲要破以支持未来工艺节点开辟的机遇颁发了引人注视标演讲。 下图说了然计量技术的利用顺序。 在开辟进程中对制造材料规格和光刻方针停止初步分析。 一旦工艺过渡到制造，就会实施在线（非破坏性）检查，以确保变化在高良率的工艺窗口内。 随着时候的推移，分歧设想的广度，出格是在多条晶圆厂生产线上引入工艺，需要关注尺寸婚配、晶圆到晶圆、批次到批次以及晶圆厂到晶圆厂的生产线。  “预进修”机遇表白，初始进程启动计量数据可用作 AI 模子开辟的练习集，随后利用于生产。 理想情况下，这些模子将用于加速实现多量量生产的时候。 OCD 光谱照旧是进程计量数据的关键来历。 它快速、廉价且无损——但是，OCD 的利用在深亚微米节点中发生了变化。 下图说了然光学光源在概况计量中的利用。  入射（可见或越来越多的 X 射线）波长被供给给概况的 3D 模拟模子，该模子求解电磁方程以猜测散射。 将这些猜测成果与丈量光谱停止比力，并对模子停止调剂——当丈量成果和 EM 模拟成果收敛时，便可以实现计量“处理方百铮当适当的（1D 或 2D）“光栅状”图案用于入射光的反射衍射时，OCD 照明最适用。 但是，应战在于当前的概况描摹绝对是三维的，而且感爱好的材料丈量不类似于平面光栅。 光学 X 射线散射法经过这些 3D 描摹供给了更高的分析精度，但它是一种极为缓慢的数据收集方式。 TSMC 利用术语 ML-OCD 来描写源自其他计量技术的 AI 模子如作甚融合 EM 仿真方式供给有用的替换计划。 以下图所示，ML-OCD 光谱数据将作为模子开辟的输入练习数据集，输出方针是（破坏性）透射电子显微镜 (TEM) 的丈量值，接下来将停止会商。  TEM 操纵聚焦电子束，该电子束被指导经过很是薄的样品——例如 100nm 或更薄。 由于电子波长小很多（比光学光子小 1000 倍），由此发生的（黑白）图像供给了材料横截面的高倍放大细节。  TSMC团队夸大了两个范畴，其中 ML 技术将是 TEM 图像的理想挑选。 第一种将操纵熟悉的图像处置和分类技术自动提取 CD 特征，这对于“模糊”TEM 图像出格有用。 第二个是作为 ML-OCD 的练习集输出，如上所述。 TSMC团队指出，利用 TEM 数据停止 ML-OCD 建模的一个题目是需要大量 TEM 样本数据作为模子输出方针。 （与入射 OCD 曝光的场相比，TEM 图像的邃密分辨率加重了这个题目。） 此外，AI/ML还可以与SEM连系。ML 方式可利用于 SEM 图像以停止缺点识别和分类，并经过将缺点与特定工艺步调相关联来帮助肯定底子缘由。  今朝半导体制造业中诸多装备，针对分歧的空间标准和时候标准均有对应的装备，不外随着技术的成长，先辈的量测技术也在成长。相信会有更多和AI连系的机遇。 关于集成电路中的工艺检测装备，可以参阅《集成电路产业全书》。这里做一个简要描写。工艺检测装备[9]是利用于工艺进程中的丈量类装备和缺点（含颗粒）检查类装备的统称。在集成电路芯片生产进程中，在线工艺检测装备要对每一道工艺（或数道附近工艺）的圆片停止无损的定量丈量和检查，以保证工艺的关键物理参数（如薄膜厚度、线宽、沟/孔深度、侧壁角等）满足工艺目标，发现能够出现的“致命”缺点并对其停止分了，剔除分歧格的圆片，避免后续工艺的浪费。同时，工艺检测装备可以帮助工程师实时找诞生产装备或工艺流程出现的偏移或题目，实时停止改正或处理，从而保证芯片（Die）的制品率，以及终极生产线芯片出货的稳定性和可预期性。工艺检测装备的另一个重要感化是帮助工程师在工艺开辟和试生产时优化生产类装备（如光刻、薄膜、刻蚀、CMP等装备）的运转参数和光掩模的设想，查找影响芯片工艺质量的缺点，发现并消除缺点来历，继而优化全部工艺流程，收缩开辟时候，快速提升制品率并实现量产。是以，工艺检测装备是保证集成电路芯片生产线快速进入量产阶段并获得稳定的高制品率和高经济效益的关键性装备。集成电路芯片制造工艺流程中在线利用的工艺检测装备品种繁多，利用于前端芯片制造工艺的首要检测装备分为以下4类。 （1）圆片概况的颗粒和残留异物检查，以及工艺工程中圆片的缺点和异物的检查和分类。 （2）薄膜材料的厚度和物理常数（如折射率、消光系数、组分和应力等）的丈量。 （3）圆片在光刻胶曝鲜明影后、刻蚀后和CMP工艺后的关键尺寸（CD）和描摹结构的参数丈量。 （4）套刻瞄准的误差丈量。 在后段封装工艺中，芯片倒装（Flip-Chip）、圆片级封装（Wafer-Level Package）和硅通孔（Through Silicon Via，TSV）等先辈工艺要求对凸点（Bump）、通孔（TSV）、铜柱（Copper Pillar）等的缺损/异物残留及其外形、间距、高度的分歧性，以及再布线层（Redistribution Layer，RDL）停止无打仗定量检查和丈量。在集成电路产业成长的早期，检测凡是是在无图形的监控圆片上停止的。随着制造工艺的成长，单个芯片的代价越来越高。为了获得只管高的芯片制品率（Die Yield），需要严酷控制圆片之间、同一圆片上芯片之间的工艺分歧性。是以，对工艺进程中的圆片停止在线检测成为必定，这就要求检测装备必须具有智能化的图像识别功用，可以快速、正确地找到工艺流程中规定的丈量地区去完成检查和丈量，而且自动地将数据实时上传至生产线控制终端系统，为各工艺段的生产装备的参数微调供给根据，并预警装备异常，从而保证每道工艺均落在允许的工艺窗口内，使整条生产线平稳、持续地运转。对于一个24h不中断生产的现代化量产线，总检测次数非常庞大，是以检测装备的吞吐量也成为与灵敏度、正确性、稳定性一样重要的目标，是检测装备更新换代和同类装备之间比力的一个重要参考。针对集成电路芯片制造工艺中采用的分歧材料及结构，工艺检测装备别离采用了包括宽波段光谱（紫外到红外）、电子束、激光和X射线等多种分歧技术。随着工艺不竭向纤细化成长，集成电路单元的多少尺寸越来越小，器件构成进程中的结构也越来越复杂，并由传统的二维平面结构向三维结构改变（如FinFET、3D NAND和TSV等），这些都对检测装备的灵敏度、可适用性及稳定性等不竭提出了新的应战，也为工艺检测装备的技术成长和进步供给了动力。工艺检测装备不但要确保集成电路芯片生产线快速实现量产和获得高制品率，还要对生产类装备停止定量的监控，确保生产类装备一般运转，为生产装备的保护、调养和验收供给根据，帮助工程师排查生产装备出现的异常。随着芯片结构的不竭纤细化和工艺的不竭复杂化，工艺检测装备在先辈的前段生产线中起着越来越重要的感化。按拍照关数据统计，今朝工艺检测装备投资占全部前端工艺装备总投资的10%—15%。如同其他集成电路产业公用装备，工艺检测装备的供给商首要集合在美国、日本、以色列等少数国家。 利用处景：机械进修在良率进修和优化范畴的利用良率进修和优化（Yield Learning and Optimization）对于先辈集成电路设想和制造来说相当重要。机械进修的最新停顿为进步集成电路（IC）良率进修和优化的性能和效力带来了很多新机遇。Yibo Lin在《Machine Learning for Yield Learning and Optimization》[10]一文中，总结了以Yield Learning and Optimization为目标的，利用各类机械进修/深度进修技术的一些最新功效，包括不肯定性下的性能建模、具有转移/自动进修的光刻建模、光刻热门检测和IC掩模优化。诠氏缢最早辈的方式，并会商了其应战/机遇。 Machine Learning for hotspot detection今朝，业界已经提出了各类可制造性设想 (DFM) 技术，以弥合设想需求与当前支流 193nm 光刻技术引入的制造限制之间的庞大差异。 但是，由于光刻系统的复杂性和工艺变化，照旧会发生没法打印特定图案的情况，称为坏点（hotspot）。  Example of hotspot patterns 光刻hotspot检测凡是需要高贵的光刻模拟。 是以，高效且正确的光刻hotspot检测对于邦畿整理和设想收敛是非常需要的。 现有的hotspot检测方式首要分为三类：光刻模拟、形式婚配和机械进修。 光刻模拟牢靠但耗时。 形式婚配方式首先建立一个hotspot形式库。 任何要检测的新形式城市与库中的现无形式停止比力，假如找到婚配项，则将其标志为hotspot。 这类包括模糊形式婚配在内的技术缺少猜测从未见过的hotspot形式的才能。 另一方面，机械进修方式已经证实了识别看不见的hotspot形式的杰出泛化才能。 这些方式凡是对标志的数据集停止一次性练习以获得机械进修模子并有用地猜测新的结构形式能否为hotspot。 机械进修技术在光刻hotspot检测方面获得了庞大成功。 但是，为了标志充足多的结构图案以预备练习集，需要停止大量的光刻模拟。 出格是对于新技术节点早期的邦畿设想，标注数据样本的数目是有限的。 是以，在连结模子的高检测性能（即进步数据效力）的同时，用更少的练习实例构建机械进修模子照旧具有应战性。 有几种方式可以进步热门检测的数据效力，例如半监视进修和自动进修。 半监视进修能够是削减与练习模子相关的前期本钱和时候的可行挑选。 它操纵标志和未标志的样原本帮助模子练习并减轻对大量标志练习数据的依靠。 Machine Learning for Mask Optimization掩模分解在后端设想流程中需要大量时候。 掩模分解的典型流程以下图所示。  Mask synthesis flow 下图所示为将机械进修中的GAN利用到OPC中去[11]。  Neural network architecture of GAN-OPC 虽然将机械进修技术利用于 OPC 和 SRAF 获得了成功，但照旧存在应战。对于 GAN-OPC，有两个首要应战。首先，练习很难到达很好的收敛性，这是 GAN 中的一个常见题目。虽然利用自动编码器停止预练习等技术能够会有所帮助，但分歧初始化的性能差别很大。其次，在利用天生模子发生ILT引擎的起点后，运转时瓶颈照旧由ILT引擎主导。是以，为了进步运转时候，天生模子需要到达更高的精度，从而可以进一步削减 ILT 迭代。在 SRAF 天生中，机械进修模子用于一次对一个像素停止猜测。对于具有 M ×N 像素的结构剪辑，需要 MN 猜测。由于芯片结构凡是具有微米级的宽度和高度，精度应具有纳米级，是以M和N相当大。这终极限制了利用复杂模子来获得更高的猜测精度。是以，逐像素建模方式存在运转时瓶颈，以进一步进步处理计划的质量。像 GAN-OPC 这样的天生模子是处理这个题目标一种很有前途的方式。 利用处景：AI在芯片设想范畴的利用众所周知，今朝EDA是集成电路产业软件的焦点技术和产物之一。EDA的成长也是陪伴着集成电路自动化设想方式学的成长而来的。 今朝EDA分类的话，主如果以下图所示的这一类分类方式。固然也可以依照EDA软件在研发设想与生产制造等环节的介入情况停止分类。  EDA工具软件分类 图片来历：东兴证券《全球EDA芯片设想软件行业深度报告》 上文提到的其他的分类方式，可以参照概伦电子招股说明书中提到的[12]，依照研发设想、生产制造的形式停止分类，具体以下图所示。  集成电路设想和制造流程、关键环节及响应 EDA 支持关系 一个完整的集成电路设想和制造流程首要包括工艺平台开辟、集成电路设想和集成电路制造三个阶段。各阶段首要内容及细分环节以下： ①工艺平台开辟阶段首要由晶圆厂（包括晶圆代工场、IDM 制造部分等）主导完成，在其完成半导体器件和制造工艺的设想后，建立半导体器件的模子并经过 PDK 或建立 IP 和标准单元库等方式供给给集成电路设想企业（包括芯片设想公司、半导体 IP 公司、IDM 设想部分等）。 ②集成电路设想阶段首要由集成电路设想企业主导完成，其基于晶圆厂供给的 PDK 或 IP 和标准单元库停止电路设想，并对设想成果停止电路仿真及考证。若仿真及考证成果未达设想目标要求，则需对设想计划停止点窜和优化并再次仿真，直至到达目标要求方能停止后续的物理实现环节。物理实现完成后仍需对设想停止再次仿真和考证，终极满足目标要求并托付晶圆厂停止制造。在大范围集成电路设想进程中，由于工艺复杂、集成度高档身分，电路设想、仿真及考证和物理实现环节常常需要频频停止。 ③集成电路制造阶段首要由晶圆厂按照物理实现后的设想文件完成制造。若制形成果不满足要求，则能够需要返回到工艺开辟阶段停止工艺平台的调剂和优化，并重新天生器件模子及 PDK 供给给集成电路设想企业停止设想改良。 上述三个设想与制造的首要阶段均需要对应的 EDA 工具作为支持，包括用于支持工艺平台开辟和集成电路制造两个阶段的制造类 EDA 工具以及支持集成电路设想阶段的设想类 EDA 工具。其中，设想类 EDA 工具按照设想方式学的分歧，依照设想层级自下而上，可进一步细分为晶体管级、门级、RTL 级、系统和行为级EDA工具，各层级EDA工具的仿真和考证精度依次下降、速度依次提升，其拟实现的方针和利用处景也有所分歧。例如高层级的系统和行为级仿真和考证首要适用于产物设想早期的原型考证，评价产物原型的性能和功用；最底层的晶体管级仿真和考证则首要决议了终极产物的性能和良率。针对于大范围集成电路，设想方式常常从系统和行为级设想起头，逐层设想、仿真、考证和实现，并输出可以托付制造的晶体管级邦畿信息。 EDA也履历了多个阶段，一样集成电路自动化设想方式学也从曩昔的方式，走向了DTCO和MSCO等多种方式学。AI在芯片设想范畴的利用，总结下来可以分为两种：AI inside和AI outside。所谓AI inside就是若何经过AI加速大概赋能EDA等工具；而AI outside就是经过其他工具来打造AI产物。 Machine Learning in VLSI Computer-Aided Design在《Machine Learning in VLSI Computer-Aided Design》[13]一书中，对于AI/ML若何加速和帮助超大范围集成电路入彀较机帮助设想做了以下总结。  半导体器件建模（Semiconductor Device Modeling）之所以写半导体器件建模，主如果由于半导体器件建模是EDA中的焦点技术之一。之前与人合作写文章的时辰，还是刚入行的时辰，对于很多工具也是听他人说说，现在自己回头来研讨的话，发现其中的众多妙处，直至现在方能体味。而关于半导体器件建模方面，仍然有很多的与AI连系的地方。 关于半导体器件建模，张傲与高建军在其著作《硅基射频器件的建模与参数提取》[14]一书中，做过以下先容。 半导体器件建模是将半导体器件的物理特征转化为数学题目标进程，并与电路仿真软件相连系，为工艺和电路设想搭建桥梁，使得设想和工艺制造尽能够分歧。器件模子的切确性是影响电路设想精度的重要身分，模子越切确，设想电路时的仿真成果越接近终极芯片流片测试成果。随着电路范围的扩大，频段和目标的不竭进步，对器件模子的精度要求也越来越高，对器件建模工作提出了新的要求，需要不竭建立新的器件模子来指导电路设想。 半导体器件模拟软件是指经过度析器件物理结构、求解响应的泊松方程和电流持续性方程等，最初获得器件的输出特征（如直流和交换特征），用以制造器件设想和生产。与此同时，也可以反应器件物理结构参数（如场效应器件的栅长、栅宽和双极性晶体管的基极、发射极尺寸）对器件输出特征的影响。这些半导体器件模拟软件大多是二维或准二维模拟器，操纵这些模拟器可以对射频微波半导体器件的物理结构停止分析，然后制成邦畿停止生产。 半导体器件建模流程 半导体器件建模就是追求一种等效电路模子，以便用它来取代元器件停止电路设想和分析。模子应当满足以下条件： （1）可以实在反应元器件工作时的物理特征； （2）在很宽的频带内仍能保证充足的精度； （3）在保证精度的条件下，模子参数尽能够少； （4）构建的模子参数必须轻易提取； （5）可以正确猜测线性特征和非线性特征等。 器件建模流程图以下图所示。  器件建模流程图 器件的流片测试：建模的条件是有现实测试的器件数据，是以需要首先将器件流片制造出来，搭建测试平台，获得建模所需要的各类数据。 模子的构建与参数提取：连系现实丈量数据或仿真数据相关特征，提出最合适器件特征的等效电路模子息争析计较式，并提取模子中的拟合参数和物理参数。值得留意的是，在停止数据处置的进程中会触及去嵌技术和模子参数提取方式的挑选。 模子考证：当参数提取终了后，需要把建好的模子嵌入计较机帮助软件中停止仿真考证，模子在计较机帮助软件中嵌入后，可以将器件测试数据或仿真数据与模子模拟成果停止比力，看两者能否分歧、精度能否到达目标要求，假如没有，则需要点窜模子，重新提取模子参数，直到测试数据与模子数据的误差值在答应范围之内，至此建模进程竣事。 换一个角度——TCAD： TCAD to SPICE model generation flow 关于TCAD的先容，实在在本专栏《半导体行业的局外人与局中人》[15][16][17]中已经做了一些先容，不外针对为何挑选TCAD来做半导体器件建模为SPICE模子提参这一块，之前先容得比力少。不外，没有关系，接下来可以具体先容一下。 在前文已经提到，对于半导体器件建模除了可以用compact model等多种方式来构建之外，别的就是可以经过TCAD来做半导体器件建模。在《Introducing Technology Computer-Aided Design (TCAD): Fundamentals, Simulations, and Applications》[18]一书中对此有较为具体的先容。众所周知，TCAD既可以做器件模拟，又可以做工艺仿真。下图所示为，若何采用TCAD构建半导体器件模子并用于提参。  TCAD to SPICE model generation flow 那末为什么需要用TCAD来停止半导体器件建模呢?首要缘由是有的时辰很多器件模子还是处在构想中，上来就造吧，能否成心义呢？其次，对于基于compact model等方式的模子面向新型器件的时辰，还是需要经过量测的方式发生大量的数据。是以，采用TCAD停止器件模子的构建未尝不是一件好事。而且按拍照关数据显现以及行业案例，ITRS已经颁发过数据，大如果TCAD可以从时候维度和资金维度为foundry厂下降40%左右的本钱。 别的就是compact model的开辟跟不上今朝对于器件和技术开辟的节奏，而电路仿真需要compact model。下图所示即为对新型的compact model的需求。比如斟酌到应力应变工程等诸多内容。  Requirements for the development of advanced compact models 基于上述TCAD停止半导体器件建模的典型流程大致以下： 仅利用器件模拟来提取SPICE参数：（1）界说测试结构；（2）利用经过校准的器件模子天生I-V数据；（3）提取SPICE模子参数。 基于工艺和器件的TCAD的SPICE模子参数提取：（1）校准现有/成熟技术的TCAD模子；（2）履行工艺仿真以优化新的工艺配方/方针；（3）履行器件仿真以优化新的器件方针；（4）天生I-V和C-V数据；（5）利用参数提取工具（例如Paramos）提取SPICE模子。 关于半导体器件建模就临时写到这里吧，有爱好的朋友可以具体看一些专业书籍停止进修，比如本部份内容参考的：（1）《硅基射频器件的建模与参数提取》；（2）《Introducing Technology Computer-Aided Design (TCAD): Fundamentals, Simulations, and Applications》。 关于AI与TCAD的连系，首要集合在包括用AI加速TCAD计较效力，大概说AI连系TCAD重新构建模子。具体内容可以参考本专栏的文章： 而关于今朝学术界在TCAD范畴的研讨热门，可以参照该题目下，我的回答[19]。 TCAD范畴学术界在研讨什么？产业界的利用又是什么情况呢？未来远景若何？ - 李剑的回答 - 知乎 https://www.zhihu.com/question/328487447/answer/2681547111 利用处景：AI在半导体装备范畴的利用集成电路装备简介集成电路产业一向遵守“一代装备，一代工艺，一代产物”的形式成长。正由于如此，集成电路制造与检测装备成为了产业技术升级和成长的先导与焦点[20]。  集成电路制造常常需要经过上千个工艺步调才能完成，每个工艺步调都要依靠特定装备的加工处置才能实现。制造与检测装备是集成电路的焦点技术及工艺载体，是产业成长的根本，集人类超邃密加工技术之大成，代表着现今天下微细制造的最高水平。是以，集成电路产业是一个国家高端制造才能的综合表现，是全球高科技国力合作的计谋必争制高点。 芯片集成度的不竭进步，不但使芯片内在结构和生产工艺不竭创新，对生产工艺赖以实现的装备技术也提出了新的需求。今朝，很多加工技术的精度已经趋近于物理极限，使得集成电路制造装备的性能要求越来越高，先辈装备的研发也更具有应战性。  随着集成电路制造技术的成长，在集成电路制造进程中其制造流程变得更加复杂，所需装备众多[21]。     Fab厂建厂本钱分化：装备本钱比重越来越高 半导体装备在晶圆生产线的本钱支出中占比接近八成，且呈增加势头。依照均匀水平， 晶圆代工场的扶植本钱组成中装备占比约 80%，地盘和厂务等占约 10%，人力本钱占 5~10%。随着制程的进步，晶圆制造生产线的投资越来越高，且半导体装备在本钱支出中比重越 来越大。假定12英寸90nm 晶圆生产线的扶植本钱是 20 亿美圆，那末 12英寸20nm一样范围的晶圆生产线的扶植本钱则高达 67 亿美圆。在 90nm 生产线的扶植本钱中装备占比约 70%，那末 20nm 生产线中装备占比为约 85%，进步了 15 个百分点。在 20nm 的晶圆制造生产中的装备投资高达 56.95 亿美圆。晶圆生产线中最重要最关键的半导体装备是光刻机（Lithography），其先辈水平间接决议了生产线的制程节点。今朝全球只要荷兰的 ASML 和日本的 Nikon 两家可以供给先辈的光刻机，是以，光刻机及相关装备在晶圆生产线的装备本钱组成中占比最高，约占 30%。此外，刻蚀（Etch）、物理气相堆积（PVD）、化学气相堆积（CVD）、检测（Metrology）装备也是较为重要的装备，本钱中所占比例也较高。 在晶圆加工进程中，晶圆生产线不但需要开动装备，也需要不竭地消耗各类半导体材料和化学品，比如硅片、抛光液、清洗液等。由于装备价格高昂，是晶圆生产线投资中所占比重最高，是以，在晶圆（Wafer）的制造本钱中，装备和厂房的折旧占比很是高。 以 8 寸线的晶圆制造本钱为例，装备厂房折旧占比为 51.7%，备件及保护占 8.8%，职员人为占 9.5%，水电设备占4.5%。材料和化学品在本钱中的占比约 25%，其中又以硅片最为重要[22]。 关于集成电路装备的先容，有爱好的朋友可以检察本专栏下的文章： 仿真与AI在集成电路装备范畴的利用集成电路装备的仿真一向是装备制造商关注的重点。其触及到多标准仿真技术。而多标准仿真技术现在面临的题目是： 1）能否算得准？ 2）能否算得动？能否算得动，存在两个题目：1）能否可以在空间上处置计较、仿真模拟的系统；2）能否可以在时候标准上模拟充足的时候标准。 3）能否通用？ 在多标准仿真范畴今朝有多种方式想来尝试买通多标准仿真，包括参数传递方式、暴力计较、包括周期性鸿沟条件等，今朝来看随着AI技术的成长，AI能够是一个比力重要的偏向。能够经过AI的方式可以供给一种比力好的偏向。经过AI能够可以处理维数灾难，经过AI也可以为优化供给加速器。具体的案例可以参照上文中提到的TCAD与AI的连系。 那末现实上集成电路多标准仿真主如果触及：1）宏观标准，装备结构设想；2）宏观标准，温度场、热场、流场、浓度场散布；3）微观标准，包括纳米剖面分析；4）微观标准，化学反应机理研讨；5）多物理场耦合等。 关于集成电路多标准装备与工艺仿真研讨，可以参考以下这篇文章。 这里需要指出的是TCAD中也有Process Simulation，可是和装备厂商的Process Simulation不是一回事。 关于AI在这里的利用，我们可以从材料发展这个角度切入。关于晶体发展今朝有诸多软件可以利用，包括宏观层面的ANSYS Fluent、Comsol Multiphysics、Star-CCM+等，不外这些都是通用软件，在专业性上还是得看包括STR公司的CGsim等软件，即使如此，也只是偏宏观层面的。现实上晶体发展是一个多标准题目。 关于晶体发展的多标准模拟方式，西安交通大学刘立军教授团队颁发过相关的文章《晶体发展数值模拟范畴的多少研讨停顿》[23]，该文章不但先容了晶体发展的多种方式，而且先容了若何将AI与CFD技术融合实现智能优化。有爱好的朋友可以具体参阅。 晶体发展热场和工艺的优化一向是学术界和产业界出格感爱好的研讨偏向。可是假如仅仅经过数值模拟停止优化研讨的话，常常需要停止多组耗时的模拟分析才能对某一变量停止定性优化，而对于像晶体发展进程这类多变量多方针参数题目标优化则显得力所不及。针对这个题目，日本名古屋Ujihara教授研讨组针对溶液法发展碳化硅的进程，将数值模拟获得的800组练习样本对神经收集停止练习，练习后的神经收集可以正确地对分歧工艺参数下坩埚内活动状态与碳原子过饱和度停止猜测，而且计较速度相较于数值计较进步了10e7倍。下图为基于神经收集的猜测模子与基于CFD模拟获得的溶液中过饱和度和流速散布对照分析，可见神经收集猜测成果可以正确反应溶液的活动特征。该方式可以与优化算法连系，对工艺参数停止高校而正确的优化。这一方式的提出将使得以获得高质量大尺寸半导体晶体材料为方针的多目题目目停止优化成为能够。  AI在半导体材料范畴的利用关于AI在半导体材料范畴的利用，实在已经有很多摸索了。首要集合在材料发现、材料性能猜测等多个方面。在包括材料基因组以及材料信息学范畴的工作中有大量的描写，其中也包括了包括Intel和Samsung等公司在停止新型存储材料研发时采用了相关技术。包括IBM也操纵AI停止新型光刻胶材料的研发。 IBM连系野生智能和量子力学计较技术停止光刻胶材料的研发[24]，并在1年时候内发现并分解了一种新的光刻胶用份子。主如果由于在光刻胶中有一种Photoacid generators（PAGs）。一般意义上，要发现和分解1种新材料根基上要花费10年时候，接近1亿美金。而IBM团队借助于其端到真个AI使能工作流程，发现了3种候选物，算是破了记录，这类效力和速度是人类科学家所没法完成的。  关于AI在半导体材料范畴的利用可以参考以下两篇文章。 别的深势科技也颁发了《2022 AI4S全球成长观察与展望》[25]，其中也有很多相关的内容，有爱好的朋友也可以去看看。 若何展开AI在半导体制造业中的利用关于若何展开AI在半导体制造业中的利用这一主题，我们需要比力稳重的考量。今朝，关于AI的利用的研讨很多。可是AI自己在分歧的场景中的利用情况也不尽不异。虽然很多行业都在号称利用AI技术，这里需要说明一下，在本文中将AI与大数据分析强行画上了等号，可是现实上这两者之间又不能混为一谈。 AI与大数据项目为何频遭折戟？看看Intel的贵重经历AI大概大数据项目虽然有很多公司都尝试了相关的利用，可是仍然有很多公司的相关项目终极都折戟了，这是什么缘由呢？缘由很多了！由于本文首要研讨AI与大数据项目在半导体范畴的利用，是以，我们还是参照本行业的Leader的经历展开。 在报告AI与大数据技术在半导体范畴的利用的时辰，我们没法绕开的就是Intel，这门第界顶级半导体器件制造商。其在综述曩昔将AI技术利用于半导体制造范畴的时辰，公布了一份白皮书——《High-Value AI in Intel’s Semiconductor Manufacturing Environment》。这份白皮书中具体的分析了为什么很多大数据相关的项目终极折戟的缘由，固然，此份白皮书中仍然有很多其他的类容，包括Intel是若何停止AI在半导体制造范畴的理论的，有哪些用例（use case）等，还有Intel是若何构造团队停止AI在半导体范畴利用理论的。 在这份白皮书中，Intel讲到互联网上有大量文章夸大野生智能跨行业和大数据项目标庞大失利率。野生智能项目标失利率在60%到85%之间。野生智能项目失利的首要缘由之一是，有些项目标建立时没有斟酌到明白的用例。Intel以为，野生智能不应当成为寻觅题目标处理计划。下图所示为收集上总结的野生智能项目失利的缘由分析。  一个高级分析处理计划的构建块 在互联网上，虽然对野生智能有大量投资，但野生智能项目标失利率在60%到85%之间。Intel以为，野生智能项目失利的首要缘由之一是，其中大大都项目标建立都没有斟酌到明白的用例。 除了挑选一个特定的用破例，野生智能项目成功的另一个方面是采用全局思考的方式和角度，这里面包括四个根基要素：1）了解题目；2）处理计划摆设；3）建模和4）数据治理。疏忽其中一个身分会使全部项目处于危险当中，极有能够致使竹篮吊水一场空的失利处境。 Key 1： 了解要处理的题目/营业了解 虽然它只代表了饼状图的10%，但了解要处理的题目是相当重要的。没有任何法子可以替换该范畴的专业常识。野生智能的实现不能与终极将摆设处理计划的营业功用隔离。我们首先将范畴专家——工艺工程师、装备工程师和良率工程师——引入一个工作小组，在天生概念证实（POC）AI处理计划之前，首先领会题目声明和相关的营业代价。PoC经过了范畴专家的完全考证，并鄙人一步之进步行了迭代完善。 Key 2：处理计划摆设（DevOps） 处理计划摆设(DevOps)占全部全局的别的10%。DevOps是在全部构造中提高复杂算法的唯一方式。即使在PoC阶段，我们也已经在计划若何实现面向HVM（大范围生产）的摆设，其中包括将该处理计划集成到我们的工场自动化系统中，以确保被采用。 Key 3：建模（Modeling） 建模代表了高级分析派的30%。在这里，我们遵守两个法则： (1) 首先利用简单的可诠释技术，如鲁棒的线性模子或单一决议树，然后利用不太通明的野生智能方式，如集成或更重的神经收集。 (2) 利用为其数据域定制的最好的AI引擎（算法）。具体来说，Intel在那些性能很是优异的引擎上投入了大量资金，它们可以处置半导体数据的怪异特征——高度不服衡的数据、缺失的数据、分类数据，以及经常出现的“龌龊”数据。Intel不竭地将定制野生智能引擎的性能和正确性与天下各地数百万数据科学家利用的开源引擎停止基准测试。按照用例的分歧，Intel能够会利用自界说的AI引擎或开源引擎，大概两者的夹杂。 Key 4：数据治理 数据治理是全部项目中的最大部分——大约占50%。但是，它常常是高级分析中最不使人兴奋的一个方面。数据的题目是，它以分歧的格式存在——结构化和非结构化、视频文件、文本和图像——并存储在分歧的地方，具有分歧的平安和隐私要求。Intel在该进程中面临的数据应战与其他公司类似；不外他们已经经过量个数据计划处理了这些题目，并继续改良它们。 按照上文的论述，实在这里面讲了一个重要的点就是：不要为了AI而AI，其次就是要用AI发生代价。 别的，按照上文的描写，我以为现实上AI在半导体制造业的利用应当算是一个数据治理工程，也是一个数字化转型计谋的表现。 麦肯锡以为成功大范围实施AI/ML的6个关键身分关于AI在半导体制造业的现状，很多研讨机构与实施AI+Semiconductor计谋的公司均做了响应的展望，比如麦肯锡、Intel等等。 麦肯锡在其报告《Scaling AI in the sector that enables it: Lessons for semiconductor-device makers》中做了相关的总结。在报告中，麦肯锡以为成功大范围实施AI/ML的6个关键身分别离是：（1） creation of a strategic road map（建立计谋线路图）；（2）Talent and organization（人材与构造）；（3）Technology（技术）；（4）Data（数据）；（5）Adoption and scaling（采用和扩大）；（6）Agile delivery（灵敏托付）。具体以下图所示。  图 麦肯锡总结的成功大范围实施AI/ML技术的6个关键身分 行动计划为对AI+Semicondutor感爱好的朋友找一个交换的地方，有爱好的朋友，可以加入，配合交换AI在半导体集成电路范畴各个场景下的利用。 前面能够由于人数缘由，前面的朋友可以在我的主页上找我的联系方式，我来约请。 参考
|
微信扫一扫
