半導體製造是個極度複雜且漫長的生產過程 走向智能化必然趨勢

半導體製造是個極度複雜且漫長的生產過程，且每個製程步驟的良率都必須接近100%，才能確保最終生產良率維持在可接受的水平。

因此，半導體製造業者很早就開始在產在線設置各種數據擷取機制，並藉由大數據分析等方法進行製程控制。

人工智慧(AI)的興起，則讓半導體製造業者有了節省人力，提升分析效率的新方法。

為了確保最終良率，每家半導體業者都必須在晶圓生產過程中安插或多或少的製程控制(Process Control)節點。

這些節點除了可監控晶圓製程的良率變動外，也能早期發現有問題的晶圓，避免其進入下一個製程步驟，徒然浪費時間。

然而，製程控制是相當昂貴的，除了要設置對應的檢測機台外，檢測本身也需要時間，更需要人力來判讀機台數據背後所代表的意義。

因此，製程控制究竟該如何進行，才能在效率與良率間取得平衡，遂成為每家半導體製造業者都必須回答的問題。

製程數據浩瀚如煙海 AI加快分析速度

台大資工系教授張智星表示，對晶圓製造業者而言，從製程機台取得數據只是第一步，後續的數據分析才是能否從數據中萃取出關鍵信息，進而改善營運、提升良率的關鍵。

過去他曾經領導一支研究團隊，利用台積電提供的數據，結合機器學習技術，發展出可自動對晶圓缺陷分布圖進行分類的軟體應用。

這項研究的成果，就為台積電帶來很大的經濟效益。

張智星解釋，晶圓上不合格晶粒的分布狀況，是用來分析製程缺陷成因的重要數據。

某些特定的缺陷分布狀態，可以回推出造成晶粒缺陷的原因，例如當不合格晶粒在晶圓上呈線型分布時，晶圓在製作過程中被刮傷，就是最可能的原因。

圖2是幾種典型的缺陷分布型態，對人類來說，這種缺陷分布的圖樣是很容易分辨的，因為其輪廓特徵的差異十分明顯，例如缺陷高度集中在晶圓的某個特定角落、中央或是環狀分布在晶圓的邊緣，而這些圖案之所以出現， 跟前面的某幾道製程步驟有關。

因此，晶圓缺陷分布圖是製程工程師檢視製程狀況非常重要的工具。

幾種典型的晶圓缺陷分布狀態

過去台積電的製程工程師每天都要耗費不少時間檢視不良晶粒的分布圖。

而隨著台積電的產能規模越來越大，工程師耗費在這上面的時間也越多。

張智星指出，根據台積電當時提供的數據，2013年第一季，該公司總共生產了388萬片晶圓，相當於每天產出4.3萬片晶圓。

這意味著當時台積電的工程團隊每天得看4.3萬張分布圖，耗費的人力跟時間是相當可觀的。

而隨著台積電的產能規模越來越大，這項成本花費只會更高。

也因為如此，台積電很早就開始把腦筋動到機器學習上，因為圖形辨識跟分類，正是機器學習最擅長的應用。

若能成功導入，每年可以省下至少100萬美元以上的人力成本。

張智星表示，因為他的主要研究領域是信息工程，對半導體製程所知有限，因此在與台積電合作的過程中，只專注在圖像辨識上。

在他的研究團隊拿到台積電提供的數據集之後，就開始分析，這些缺陷分布圖究竟有那些特徵，是可以被萃取出來的。

其中，最直觀的就是圖形的輪廓，這是人類的眼睛一眼就能看出的特徵。

但還有其他不那麼直觀的特徵可以利用，例如雷登變換(Radon Transform)。

也可以用統計取樣的技巧來對缺陷圖進行分析，例如對整片晶圓進行2乘2矩陣取樣，然後予以編碼，也能得出有意義的數值。

DNN應用有其限制

不過，張智星也提醒，雖然神經網絡是一項很紅的技術，但神經網絡不是所有數據分析問題的理想解答。

以深度神經網絡(DNN)為例，這項技術要能派上用場，先決條件是要有大量的數據集，而且最好是影像數據。

其次，必須有非常強的運算硬體支持，不然會跑不動。

換言之，如果可以用來訓練神經網絡的數據集不夠，或是手上可用的運算硬體效能不足，最好還是別使用神經網絡。

此外，DNN還有一個特性，是所有想利用DNN發展應用的開發者都必須注意的--DNN系統雖可產生預測結果，但卻無法解釋這個預測結果是怎麼來的。

換言之，DNN只知其然，不知其所以然。

如果應用需求不只要預測結果，還要進一步解釋為何是這個結果，最好別使用DNN。

了解每個工具的特長，用最適合的工具來解決問題，是很重要的。

設備業者看AI--產品加值/升級的關鍵

由於半導體設備很早就已經實現機台聯網跟數據互通，因此對半導體設備商來說，如何用人工智慧提升機台的產能/稼動率，或是加快新機台研發的速度，是比較關切的話題。

Lam Research副總裁暨首席工程師Keith Wells指出，AI技術已經成熟到可以對產業應用產生影響，而且成本合理的地步。

在Lam Research內部，針對AI應用的議題，發展方向比較偏向智能製造的層面，例如透過其Equipment Intelligence套件，讓機台具備自我感知、自我維護與自動適應的能力。

自我感知指的是機台對於其內部零件具備感知能力，包含零部件的種類與零部件過去、現在的狀態。

自我維護則是指機台能知道何時需要維修，並且會自動進行維修。

自動適應則是指機台能因應製程跟來料變化自動進行補償，以便把生產良率維持在一定水平之上。

就設備供貨商的角度來觀察，半導體設備的智能化跟晶圓生產的智能化，是未來必然要走的路，因此整個生態系，包含機台本身、整個晶圓廠與機台零部件的供貨商都必須攜手合作，實現數據共享。

Lam Research對於以AI為基礎的半導體智能製造有很強的承諾，並且正與其客戶合作，共同打造能符合未來需求的解決方案，包含更強大的數據存取系統，以及先進分析工具環境。

但對半導體設備供貨商來說，最大的挑戰來自於客戶需求的多樣化。

每家客戶對於如何利用AI來提高生產力這個議題都有自己的想法，而且彼此之間或多或少有些出入。

因此，客戶通常都想要客制化的解決方案。

但客制化通常意味著更長的開發時間與更高的開發成本，因此業界必須創造一個大家都能接受的標準化框架，才能加快產品交付到客戶手上的速度。

科磊(KLA-Tencor)對AI的應用方向，看法也跟Lam Research有些類似。

該公司資深副總裁暨營銷長Oreste Donzella表示，由於科磊的主力產品是半導體檢測設備，涉及到很複雜的光學設計，因此在產品開發過程中，用機器學習來進行各種條件仿真，加快新產品設計開發的速度，已經是行之有年的作法。

至於晶圓檢測設備所產生的大量數據要如何利用人工智慧進行分析，通常是由客戶端主導，科磊則扮演從旁協助的角色。

因為這些數據是客戶的商業機密，所以數據要如何分析跟使用，還是要由客戶做決定。

不過，針對後段封裝跟測試，情況就不太一樣了。

Donzella指出，跟前段晶圓製造相比，封裝業者分析跟控制數據的能力比較不成熟，因此封裝業者要發展自己的人工智慧系統進行數據分析，難度相對較高。

因此科磊也正在評估，自家的軟體跟服務部門能如何協助封裝業者，在導入人工智慧的路上向前邁進。