深入了解器件行为和市场需求将对整个半导体供应链产生广泛影响。

半导体设备供应商开始在他们的工具中添加更多传感器，以改善晶圆厂的正常运行时间和晶圆产量，并降低拥有成本和芯片故障率。

从这些工具中收集的大量数据预计将提供比过去更多的关于多种类型和变化来源的详细信息，包括变化发生的时间和地点以及设备故障的发生方式，时间和原因。结合现场设备故障的数据，以及设计布局和验证等内容，可以创建芯片设计，制造和出现问题的详细时间表。反过来，这可以用于提高质量，识别潜在的缺陷来源，并提高工艺流程的效率。

图、（a）3D迷彩。 split-fab，（b）面对背（F2B）3D IC，（c）面对面（F2F）3D IC，（d）线缆提升分裂器，（e）2.5D无源内插器IC，（f）2D IC

“我们有机会利用我们自己实验室的数据，并与我们的客户合作，将我们的数据与他们的数据相结合，使我们的工具更可靠，并使半导体资本设备的预测性维护梦想成为现实，” Lam Research的**技术官Rick Gottscho表示。 “这种想法已经被承诺和谈论了几十年，你看到它发生在其他行业。有理由说，在我们的行业中，它可能更像是一场斗争，但它会发生。“

这相当于半导体制造业是地震式的重大转变。例如，不仅可以检查或测试die，而且可以收集和挖掘来自数百万个die的所有数据以用于图案和像差。但它也需要重新思考各种操作的执行方式和时间，以及为什么它们有时会导致缺陷，从而影响长期的工作方式。虽然业务方面有潜在的意外收获，但可能会导致一些工艺参数的动荡。

图.（a）**3D分裂工厂设计流程，（b）我们伪装的3D分裂工厂布局处理器子集。 方阵表示μbump

“设备在工厂中运行的方式以及在工厂中进行维护的方式将受到干扰，”Gottscho说。 “客户显然会更加重视公司的数据产品，他们的数据战略是什么，以及它如何与他们自己的战略保持一致。这对行业来说是一个巨大的挑战。你一直听说数据就是一切，拥有数据的人都有很大的优势。这有点过于简单，但人们从字面上理解这一点，因此存在着试图囤积数据的倾向。这对每个人都适得其反。我们必须找到以公司可以保持竞争优势的方式共享数据的方法。这些数据非常有价值，但同样重要的是领域知识。挑战在于调整数据并知道如何过滤数据，仔细观察它并将其转换为对给定应用程序有用的东西，而这一切都与领域知识有关。

因此，虽然从更多地方连续收集数据的好处很重要，但可能需要一些时间才能实现全部的收益。

“该设备的传感器正在分析工具操作和晶圆工艺监控数据，”Coventor**技术官David Fried说。 “例如，传感器和数据日志正在获取有关哪个晶圆进入哪个腔室的信息，机器人手臂在任何时间点的位置等等。所有这些数据都必须进入一个可以收集和分析的系统。即时的。而这仅仅来自一件装备。在一个工厂，你有这种设备的车队，然后你有各种其他设备和不同的工艺制造过程。这是一个巨大的大数据挑战，你真正想要开始做的就是学习和分析这些数据。“

波动

这种分析的主要目标之一是变化，这在整个供应链中越来越成问题，而且往往很难确定。半导体制造业始终存在变化，但随着先进节点和先进封装的容差越来越严重，以及随着芯片越来越多地用于汽车，医疗和工业等**关键市场，对其来源的了解变得越来越重要。这种变化可能涉及使用EUV扫描仪的所有内容，以及薄膜中材料的纯度，或者它可能是完全随机的错误。结果也可能根据制造过程的方式和地点以及用于开发这些芯片的材料供应链中的控制有多好而有所不同。

“所有工艺工具都会增加总体变化，”应用材料公司半导体技术和战略总经理Regina Freed说。 “关键部件是光刻的临界尺寸均匀性（CDU）覆盖和线边缘粗糙度（LER），以及CDU和沉积和蚀刻的负载。蚀刻和材料修改技术可用于降低LER，这对于转向EUV的客户非常有用。但是在3nm 的工艺难度还没有克服。所有这些变化都将转化为边缘放置错误问题。因为我们正在处理系统性和非系统性变化，所以在制造设计（DFM）中考虑这一点是不够的。这就是为什么我们与客户密切合作，以实现新的和创 新的图案化方案，目标是使用材料工程消除EPE错误。“

如果没有足够的数据来构建更紧密的分布来显示导致异常数据点的原因，这些问题尤其难以追踪。

“零缺陷成功的*大障碍之一是所谓的潜在缺陷，”KLA上等主管Rob Cappel说。 “这些缺陷的大小或位置可能*初不会杀死裸片，或者它们可能位于裸片未经测试的区域，这对于复杂的SoC来说是一个日益严重的问题。结果，有风险的die通过电气测试并逃逸到供应链中。高温，高湿度和高振动的苛刻汽车环境有时会激活这些潜在的缺陷，导致过早失效。长期以来，业界一直依赖电气测试作为剔除坏模的方法，但潜在缺陷通过电气测试，因此需要其他方法来阻止成本较低的源附近的逃逸。行业估计，它所经过的每一层集成的逃逸成本都会增加10倍，从而难以有力地发现了晶圆厂潜在的潜在缺陷。可变性既波动性是潜在可靠性缺陷的重要来源 - 尤其是任何类型的光刻图案化相关变化，例如CD，覆盖，线边缘粗糙度和局部光刻可变性。这些变化源可能并且确实会导致部分空隙或桥接，然后在极端的汽车操作环境中会发生故障。对于蚀刻（部分蚀刻）和CMP（CMP凹陷）的任何图案化问题也是如此。“

共享数据的价值不断增长

使用工厂内工具的更多传感器数据可以对许多这些问题产生重大影响，但是这些数据也需要放入其他数据的上下文环境中，例如芯片布局和结构，设计和材料。实际上，它必须包括更广泛的供应链。虽然某些设备的流程可能已经足够成熟，但新的流程节点和更新的技术（如印刷电子设备）需要比过去更多和不同类型的数据。实际上，该行业并没有停滞不前，需要为所有事物开发新的工具和数据源。

“对于可能是油墨的金属复合结构，失效通常更具机械性，”Brewer Science设备工程和产品开发总监Ryan Giedd说。 “*糟糕的问题是长期漂移。这有两个部分。一个涉及质量控制。基本上，您需要同时以相同的方式测试每个传感器。**部分是了解设备在现场的表现。我们合作的大多数人都非常合作，因为他们希望确保一切正常。但我们也想弄清楚如何让它变得更好，有时这需要我们回过头来比任何人想要解决漂移问题。漂移可能是由环境中的杂质到基材或阻隔层的一切引起的。“

所有这些步骤的数据也需要放在上下文环境中。事情需要打破来看，以了解他们如何以及为什么会发生。

“我们从非破坏性测试开始，因为我们有X射线，因此我们可以查看模块和组件，看看我们认为出错的是否出错了，”Delta ASIC销售和营销上等副总裁GertJørgensen说道。师。 “然后我们尝试对装配模块或组件进行破坏性测试，以找出根本原因。这通常是不同类型的失败。它可能是电子，静电放电，闪电，太多电压（EoS） - 我们在电子元件上看到的不同故障机制。“

走向预测分析

过去，由于两个主要原因，有关制造和现场故障的数据供不应求。首先，一些大型数据挖掘公司嘲笑半导体行业产生的数据量，特别是与云中的数据挖掘相比。其次，由于竞争原因，晶圆厂对他们从运营中收集到的数据非常保密。

在过去几年中，情况发生了很大变化，这些变化正在不断发展。首先，较少的代工厂在前沿节点上竞争，现在它们的流程明显不同。此外，代工厂已经认识到，为了获得大批量芯片，他们需要与他们的EDA和IP供应商及其上等客户更紧密地合作。因此，数据开始流动得比过去更加自由，随着更多传感器被添加到工具中，数据流将会增加甚至进入芯片本身。

“这不仅仅是质量问题，”Optimal Plus的企业技术研究员Michael Schuldenfrei说。 “这也是制造成本问题。您可以提高产量并减少废料。在汽车行业，我们使用AI进行检查。但我们也在使用数据来预测电子组装中的故障，尤其是焊接时的故障。“

这里的*终目标是预测分析，其中工具和流程可以在问题发生之前进行调整。但这增加了混合的另一个复杂性。虽然拥有更多数据是好事，但并非所有数据都是好的。

“如果你没有很好的数据，就很难进行预测分析，”PDF Solutions营销副总裁David Park说。 “这不仅仅是这个行业。使用电池，您可能会在发生故障之前看到尖峰。在没有失败的情况下，您可能有50个周期，这可能会告诉您现在有一个月。这对于车队很有用，因为它们永远不会停止服务。但是如果你没有好的数据，你需要很好的学习模型。我们看到一家大型半导体公司，根本原因分析似乎是一个随机错误。但是，如果您可以进行多变量分析，您可以找到人类永远找不到的东西并防止失败。这允许你做的是找到一个你永远不会发现的共性，因为有太多的数据。如果你搜索这个，你可能会发现15次中有8次随机失败。“

这就是人们开始利用AI的地方，因为它可以快速识别可以针对特定目的进行培训的数据模式。

应用材料公司副总裁Sanjay Natarajan表示：“我们正在将AI纳入我们的设备中，以更好地处理数十亿比特的数据。” “工具有传感器和执行器收集数据并对数据做出反应，并且在大多数系统中都是通过算法进行的。新兴的AI功能*终将实现推理方法，其中数据可用于训练和推断，因此工具将根据检测到的数据字段进行相应调整。

这提供了对之前出现的故障模式的可见性。

“你也可以看到比使用算法方法更好的东西，”Natarajan说。 “我们可以获得的大量训练数据令人难以置信。这些工具日复一日地生成这些数据，收集重要的输入和输出，并且实际上不需要了解从输入到输出的动态，因为数据被添加到训练引擎中。然后，这可能潜在地导致在前馈模式中使用该信息来控制材料的厚度或相位，或何时停止工具。这样就可以控制工具以及晶圆的质量和变化。“

Advantest的新概念产品计划副总裁Ira Leventhal表示，这种方法也可用于为小批量和更具针对性的应用定制流程。 “标准的数学优化导致次优调度，”他说，并补充说，未来将需要深度强化学习调度来利用这些数据。

更细化，更集成

这里的关键是理解数据如何应用于特定的制造部分，这可能涉及多步操作中的一个步骤，以及这将如何影响其他步骤。由于各种原因，这种跨工具，跨流程数据更像是一种方向陈述，而不是现实。首先，它需要从刚刚在现场测试的新设备中提取数据。因此，对于无人驾驶汽车中的AI系统，现实世界的数据不足以超越当今的模拟和各种类型的一次性测试方法。

展望未来，挑战将是了解运行中的设备数据，特别是在一系列用例下对信号和数据进行各种类型的片上监控，然后将这些数据循环回整个供应链。所有这些数据都需要在如何使用的背景下进行削减和理解，这为所有这些增加了另一层复杂性。

“在芯片环境中，数据太多了，”UltraSoC**执行官Rupert Baines表示。 “关键是要有低成本智能和低成本过滤，以大幅减少数据量。如果您只是使用2GHz时钟和64位总线对信号进行哑测，那么对于一条迹线，您的速度就达到每秒100千兆位。所以你很快就会说太字节或千兆字节。为了将数据的screeds转化为高价值的智能信号，进行智能的局部滤波是优良必要的。“

这在制造方面和在芯片级别上都是如此。

图、SoC芯片设计供应链中的各种玩家以及每个玩家引入的**威胁

“我们可以收获每一个工具上的每一个工具，但是你也希望将它与每一个在线计量，内联缺陷检测分类相结合。在线电气测试，一直到全功能测试，“Coventor's Fried说道。 “所以你拥有所有这些不同的数据源。 **类问题是一个大数据问题 - 将它全部转化为可用的结构和格式，因为我们正在处理来自大量不同格式的源的大量数据。 解决格式问题听起来并不困难，但是考虑一下沉积工具中的温度传感器与浆料罐中的浆料pH监测器相比，它可以供给CMP工具。 它是使用不同单位集以不同方式采样的不同类型的数据。 只需将其置于一种可以对数据集进行操作的格式就是一个巨大的数据问题。“

而这个问题需要在其他大量数据的背景下解决。 因此，虽然每个人都希望获得更好的数据，并且能够更好地了解更好的数据，但这并非易事。