中文 英语

AI检查,计量和测试

AI系统正在进入IC制造和装配,但它的速度缓慢 - 故意。

人气

AI / ml在FAB和包装房屋内爬进多个过程,尽管它最初是目的的目的。芯片行业刚刚开始学习AI在哪里有意义,它没有。

一般来说,AI.作为一种工具,在拥有深厚领域专业知识的人手中效果最好。人工智能可以很好地做某些事情,尤其是涉及到跨广泛数据集的模式匹配时。在计量,测试和检查,它与具有多年经验的工程师那么有效。但是,AI Plus经验丰富的人经常会产生比每个人都能够单独实现的更好的结果。

“人类的眼睛能看到的东西没有多少机器学习可以,“首席执行官Subodh Kulkarni说讯连丝器。“这就是现在一些复杂性开始发生的地方。我们目前的系统使用原始的AI技术。查看图像后,您可以看到一个问题。我们的AI机器没有看到。但是你去了深入学习的算法,在那里你有非常严肃的博士学位,级别人员编程一算法一周,他们可以检测到所有这些东西。但是,它需要一个星期的时间来编制这些事情,今天是不实用的。“

这开始改变。“我们看到了更快的深度学习算法,可以更容易地编程,”Kulkarni说。“但是缺陷也越来越难以通过机器捕获,因此仍然存在差距。降压最大的爆炸不会来自改善摄像机或投影仪或我们用于生成光学图像的任何设备。它将是解释光学图像。“

相同类型的思维开始在其他传统制造过程中应用。但对于计量学,仍然需要微调何时以及如何使用AI / ml。

“你希望能够在计算产品副总裁David Fring说:”你希望能够控制这一过程。“林研究所。“您希望实时主动控制进程以获得正确的结果。您实时看到的唯一数据是工具生产的数据。如果您有正确的传感器可以做正确的控制,那就太好了。但如果你不这样做,你所拥有的只是前地计量。您在流程后测量晶圆。这是一个很好的信息,但不幸的是该过程在那一点完成。你不能回去控制它。“

在测试方面,AI / ml被视为提高覆盖率和提高效率的潜在方法。例如,FormFactor正在使用机器学习。匹配类似于测试的设计。“机器学习已进入我们的MEMS过程以及我们的设计过程,”产品营销总监ALAN LIAO说构成因素。“因此,这些芯片中的每一个以及每个客户订购的探测卡都是针对其特定应用程序或芯片进行的定制。能够优化探针卡以满足他们的需求是在晶圆上获得高收益的关键。我们为该类型的应用程序或设计应用了大型客户数据库,然后他们可以利用我们的库,该库旨在运行机器学习算法来查找,例如,符合此匹配的10个设计。现在正在使用我们的设计工具自动在幕后完成。“

机器学习在哪里起作用,在哪里不起作用
尽管如此,各地使用AI / ml的益处并不总是显而易见的。正在测试的一些新的芯片和系统在其逻辑中具有AI / ml的元素,这使得识别一致的模式更具挑战性。

“如果你考虑系统级测试,那么有一个自定义界面,你必须开发来执行系统级测试,但是没有大量的算法智慧,”科技与战略副总裁Keith Schaub说安置的美国。“它启动了,自己运行了一堆测试,然后它告诉我们,‘它很好,’或者‘它不好。如果现在它嵌入了某种AI模型,而AI模型会随着时间的推移而改变,你该如何进行测试?所以他们想测试的一件事就是所有的高速巴士是否都在工作。他们需要确保内存正常工作。他们需要确保CPU正在与内存对话,它可以传输视频,并正确地保存视频,当B和C发生时,所有这些工作都能正常进行。他们会在上面预装一些特定的期望基于他们所期望的百分比准确率。如果它通过了,这个AI就是好的。如果没有,他们将通过他们的人工智能载体进行全面追踪。”

正是在哪里/ ml适合所有这些过程,以及如何最好地利用它,是正在进行的。

现在机器学习的一些基本用途是:

  • 晶片检查
  • 缺陷检测、分类和预测
  • 扫描电子显微镜(SEM)图像去噪

研发还有更多的研发,但随着时间的推移,他们将仍然有效地证明他们对芯片行业的效果。

“We’re trying to understand advanced correlations between some of the ex-situ metrology data generated after the process has completed, and results obtained from machine learning and AI algorithms that use data from the sensors and in-process signals,” said Lam’s Fried. “Maybe there’s no reason that the sensor data would correlate or be a good surrogate for the ex-situ metrology data. But with machine learning and AI, we can find hidden signals. We might determine that some sensor in a given chamber, which really shouldn’t have any bearing on the process results, actually is measuring the final results. We’re learning how to interpret the complex signals coming from different sensors so that we can perform real-time in-situ process control, even though on paper we don’t have a closed-form expression explaining why we’d do so.”

定义问题
AI和机器学习是毫不滥用的,这增加了另一个困惑的混乱。这些标签周围有大量的炒作,通常由营销部门驱动,以夸大他们在其产品中的内容。

“每个人都想这些天希望使用这句话机器学习,”先进解决方案副总裁丹尼斯卡普拉斯说PDF解决方案。“有些人会说机器学习,而所有的人都在做的就是斧头= B在引擎盖下。没有任何涉及神经网络或AI算法,而是他们作为机器学习销售它。“

人工智能是一个总括的术语,包括使系统模仿某种形式的人类智能的所有部分。机器学习及其子集-神经网络,深度学习神经网络 - 是AI系统的一部分。作为系统中的大脑,机器学习必须接受培训来查看数据并进行分类,决定,推荐 - 推理。机器学习是动态的。它也必须接受培训,以不断调整自己的推理。机器可以在不明确编程的情况下学习。

“如果您考虑机器学习的定义,它包含了很多人们不一定会在他们的头顶拨打机器学习的很多东西,”PDF解决方案AI解决方案副总裁Jeff David说。“例如,线性回归。那是机器学习。我20年前正在做线性回归。那时我没有打电话给IT机器。这是一个简单的例子。机器学习变得更加复杂。“

它还交叉多个部门。线性回归通常用于机器学习。它还属于统计数据。

许多系统上显示的系统eBeam倡议的最近发表的名单深度学习半导体制造业的机器学习计划也在使用深度卷积神经网络(DCNNs)。“深”意味着多层。cnn(卷积神经网络),RNNs(循环神经网络),和生成对抗神经网络(GANs)也出现在列表中。

例如,Hitachi High-Tech Corp.正在使用DCNN来增强图像质量,以检测SEM评论中具有高灵敏度的缺陷。Nuflare Technology,Inc具有使用DCNN的SEM缺陷分类器。IMEC利用AutoEncoder神经网络深度学习改进了OPC计量分类。TASMIT使用用于半导体晶片计量和检测系统的RNN和GAN。西门子EDA使用传染媒介驱动的神经网络,在其口径分析和热点检测中,通过深入学习,通过检测产量限制器来加速测试芯片开发并提高FAB中的产量和可靠性。

KLA的第一个具有AI的过程控制系统是ESL10 E-梁图案化晶片缺陷检查器。根据该公司的说法,ESL10使用深度学习算法找到微妙的缺陷信号和模式和过程噪声。

图1:光学关键尺寸(OCD)与基于AI物理的建模相结合,以提高计量性能。来源:进入创新

同样,Cyber​​Olectics一直在使用机器学习,用于晶片级和先进的包装检查和计量的缺陷检测。“并非所有机器学习系统都是平等的,”Cyber​​optics的R&D副总裁蒂姆雪橇说。“您希望您的机器学习算法有效。你想快速获得良好的表现。例如,诸如AI2之类的机器学习算法,您可以通过显示良好/缺陷的图像或缺陷的图像来教学,可以改善过程和产量。操作员可以快速地教导监视,从结果中学习并通过更新培训集来改进和适应如果需要。我们设计了我们的机器学习算法,以偏离没有逃脱的目标,因此没有糟糕的产品离开了工厂。“

获取数据和正确推理的速度很慢
为了避免代价高昂的错误,半导体设备行业及其客户正在谨慎行事。在对这些数据进行机器学习之前,构建训练集并从各种设备中获取干净的数据是最重要的第一步。

“自动化可以是劳动密集型的。今天,机器学习算法仍然需要接受标记数据培训,“营销和应用副总裁Mark Shirey说:心理契约。“关于检查,最初,它需要投入时间来建立分类缺陷库。但是,一旦完成这一点,算法就准确和纯度而工作很好。最终,通过产生更好的质量数据,它们减少了识别缺陷来源并采取纠正措施所需的时间。看到今天的机器学习算法有助于建立明天的AI筹码,我们很乐观地,无监督的机器学习应用程序将继续在整个半导体生态系统中生长。“

这需要了解机器学习是否正常工作。

“这个行业使用的是培训数据和验证数据集,”Advantest的Schaub说。“验证数据集用于全面检查ML是否工作正常。我们可能需要建立一个持续的培训和监控程序。流程会漂移,也就是说数据会漂移,这意味着你需要持续监控数据,并在流程漂移时触发再培训。我们知道怎么做。挑战在于知道要训练多少,多久再训练一次。在我触发再培训之前有多少漂移?”

在某些情况下,建立培训数据并获得清洁数据必须同时发生以进行进步。实际上,您需要信任正在生成的数据。

“用户应该始终验证和监控它正在制作这些预测的内容。这导致了模型的解释性,以及为什么这很重要,“PDF的大卫说。“一旦你训练模型,很多次 - 几乎总是 - 你必须了解它是什么是模型来做出决定。培训后,某些类型的模型将在获得预测时告诉您某些类型的信息有关它使用的内容。所以用户必须看那个,说,'哦,这是有道理的。“那里必须有一些用户直觉。这在我们所做的很多东西中都很重要。我们实际上花了很多时间,确保我们可以解释我们的预测,以及在此下面的吨和大量的钻孔。“

当它归结为使用模型来预测失败的地方,以避免进一步昂贵,不必要的测试,“对于我们的客户相信该模型非常重要,”大卫说。“如果他们不相信它,他们不会部署它并相信它。如果您处于在您不断重新培训您的模型的情况下,它将提出进入该模型的新输入。用户将要查看它,并确保他们不断同意这是有意义的。“

因为人工智能专用芯片可能为系统提供动力,所以不断收集地面信息非常重要。该公司产品高级总监Nir Sever表示:“我们的深度数据方法是通过跟踪大量路径上的时间间隔,持续监控性能,当时间间隔小于预定义阈值时发出警报。Proteantecs.。“此外,我们持续监控芯片的环境,包括电压、温度、电源、时钟网络完整性的影响,当然还有压力。”

确保运行推断的人工智能芯片工作,纠正是不平凡的。“的确,这是一个真正的挑战,我认为行业仍在努力寻找这些设备的良好测试方法,”Sever说。“很多工作都是通过模拟来完成的,并且假设如果你的设备是正确制造的,随着时间的推移它仍然会正确地运行。老化可能会与这种假设相冲突,所以你需要找到方法来监控时间退化,而不是功能验证。”

靶向ai / ml
尽管如此,对于工厂和装配厂的某些流程来说,这项技术被证明是有用的。

“AI非常了解一些事情,”先进的包装开发和集成副总裁Mike Kelly说安靠。“在一个非常简单的层面上,它就像最小二乘优化。但它的统计。它的好坏取决于用于驱动它的统计数据和数据集。它看起来仍将是一个非常好的优化工具,用于管理热点或时钟相移等可以动态优化的事情。”

尚未清楚的是绘制边界的地方。

“系统级设计是关于理解单个部件的性能,理解其可变性,它们在什么范围内,并确保它们以一种与最终目标兼容的方式连接在一起,”PDF的Ciplickas说。“这决定了你在芯片中放入什么,你如何测量,你的测量工具的能力是什么,以及产生什么类型的数据。你的分析系统有什么能力来处理所有这些从而得到最终的表征结果?你必须考虑每一个单独的组成部分。它能做什么?它的规格和变体是什么?然后,这些因素是否共同构成了你的蓝图?”

当然,数据更好,结果越好。

“在大公司里,经常会有大量失败的数据。你也会看到只发生一两次的故障,”安迪·海宁说Fraunhofer IIS'自适应系统工程部。“在这一点上,要找到相关性,你真的可以使用人工智能。但问题是,你可能会发现很好的相关性,但通常你找不到根本原因,因为人工智能不会帮你找到根本原因。你只有相关性。这是有帮助的,但您需要大量的数据。当你遇到故障时,你会看到成千上万张来自同一故障或同一设备的照片,然后你就会看到一些相关性。”

来自产量管理数据仪表板的帮助
最终,这一切都归结为清洁数据。并且数据更清晰,更好

“现实地说这是你在整个AI系统中可能出错的主要原因之一,”大卫说。“这不仅仅是机器学习组件。您必须确保您的数据实际上存在。“

如果数据足够干净,则测试数据的仪表板承诺使生命工程师和项目经理更轻松。这些仪表板还可以提供强制清洁数据点,因为它们可以从制造和测试中的所有点摄取数据,使得可操作的机器学习成为可能。

其中一些涉及产量和生命周期管理,预计将增加机器学习技术的增加。Synopsys具有灵活的分析仪表板工具,可从制造和测试中涉及的设备中获取所有数据,并在视觉上展示。这有助于,因为人类大脑可以在可视数据中快速点点模式。

人工智能的使用也正在蔓延到其他领域。Lavorro Inc.正在开发一款用于半导体制造的人工智能/ ml驱动智能机器人,它使用PDF解决方案的平台来填充其仪表板上的数据。Cimetrix Sapience是一种通用的数据收集接口和数据分发网络,支持工厂车间的混合设备。

不过,弄清楚这些数据的意义仍然具有挑战性。一些人质疑,半导体制造过程中的数据是否需要浓缩到模型中。

“所描述的模型类型的构造需要四件事 - 处理高密度数据,设备专业知识,数据科学专业知识的能力,以将大量数据降低到较小的集合,以及构建可以相关的模型的软件能力林研究室设备智能副总裁Jason Shields表示,杰森·盾牌结束。“大数据和机器学习的机会需要在过程设备供应商和设备制造商之间密切合​​作,实现解决方案以提供这些结果。流程设备供应商从其设备提供大数据管理,并授予条件数据并实现数据减少。设备制造商提供线路结果结束。实现相关性的软件通常由设备制造商提供,因为它们将优化其设备的设备的性能。迄今为止,第三方或客户驱动的解决方案尚未能够实现与设备供应商模型相似的性能水平,因为它们缺乏足够大的设备数据集或有效减少数据的知识。“

结论
使用机器学习技术的人工智能系统现在被用于半导体的检测、计量和测试。最后,随着芯片行业越来越熟悉如何应用、调整和维护机器学习,这些智能系统可能有助于加快检查、计量和测试工作负载。

“设备制造商正在加大对大数据管理和数据科学团队的投资,以开发在线模型,评估每个晶圆的质量,”Shields说。“工艺设备供应商正在与设备制造商合作,以实现设备预测模型,从而以与传统计量方法相同或更低的风险和成本交付所需的晶圆质量。”

除此之外,工程师们还需要学习如何最好地利用和应用这项技术。这可能是更大的问题。

- Anne Meixner为此报告做出了贡献。



发表评论


(注意:此名称将被公开显示)