中文 英语

数据问题安装在芯片制造中

主数据实践使产品工程师和工厂IT工程师能够处理各种数据类型和质量。

人气

对于收益管理系统来说,旧的计算格言“垃圾输入/垃圾输出”仍然是正确的。对齐和清理数据仍然是一件麻烦事。

随着半导体供应链中的数据的增加,现在在那里有两种并联运行的供应链。一个涉及正在创建的物理产品,而另一个包括与每个过程步骤和制造工具相关联的数据。为了成功,芯片制造商需要紧紧管理两者。

在晶圆、组装和测试制造设施,数据可以在产品测试程序、步骤和设施之间进行对齐。一旦完成,可以通过数据管理基础设施中的检查、修复和警报来管理这种对齐。每当数据看起来不对劲时,系统就会对其进行控制,以便工程师检查并确定原因。

对于希望从半导体数据中提取信息的工程师或数据科学家来说,数据争论——获取干净的数据进行分析——可能会耗费大量时间。在某些情况下,它会占用他们80%到90%的时间。简化这一进程的努力已经进行了将近二十年。最初的目标是制造过程的前端,但最近注意力已经转移到后端晶圆测试、组装和最终测试。

后端仍然是半导体的最不理解的区域数据分析,很大程度上是因为它是一项涉及数据生成器的乏味工作。对于数据科学家来说,令人兴奋的事情包括基于数据的分析、自适应流和预测模型。

Exensio解决方案总监Greg Prewitt表示:“目前还不太了解整个供应链数据一致性的复杂性和解决方法。PDF解决方案。“设备和各自数据的谱系对于复杂ML模型的训练很重要。复杂性包括在不同步骤中使用不同的标识符,以及反向BOM(物料清单,一个单元到多个设备),然后是BOM(多个设备到一个单元)。”

最大的挑战之一是测试和组装设备存储数据的方式存在差异。该公司技术和战略副总裁Keith Schaub表示:“在Advantest具有良好可视性的后端流程中,从一个插入到另一个插入的数据可能有不同的格式,这使得它难以在其他插入中使用。效果显著美国。“我们正在做的最重要的事情是使数据能够在多个测试插入中使用,并最终在整个测试生命周期中使用。”

其他人报告说看到了同样的问题。该公司产品营销副总裁Shai Eisen表示:“测试单元和测试程序数据缺乏通用数据格式。Proteantecs.。“如果该行业聚集在共同的结构上,这将有所帮助。数据还有一个技术限制。仅仅是数据的解析、翻译和扩充,以及数据的清理,都是非常耗费资源和时间的。这不仅仅是一个通用的数据结构。重要的是你读什么,怎么读,怎么存储,怎么格式化,怎么使用。”

如今,工程团队正花费精力调整和修复后端产生的制造数据。虽然这不是一个技术障碍,但如果做错了,就会导致数据无法使用。这是IT领域中主数据概念背后的推动力,开发主数据是为了处理企业级业务系统中的竖井和不一致的数据。该过程包括确定特定类型信息的主要来源,为相关数据指派负责方,以及建立数据维护程序。

为什么测试和装配数据未对齐
尽管如此,将该概念应用于半导体制造。

英特尔软件产品管理总监Mike McIntyre表示:“目前有两个主要驱动力打破了半导体制造领域的数据连接和对齐。上的创新。第一种情况发生在材料或材料的某些组成部分在公司之间转移时。当没有足够的自动化来支持设备及其数据生成和收集需求时,就会出现主数据实践的第二次中断。”

在无图案晶圆片和最终封装单元之间,实际上有数百个工艺步骤。每一个都是复杂的,这使得管理数据成为一项艰巨的任务。最重要的是,铸造模型在设计和制造过程之间设置了一个边界。虽然idm在某些领域可能有优势,但他们也会外包一些制造步骤。

让事情更混乱的是,工厂在命名惯例和操作实践上有所不同。有时,这种情况存在于同一家公司内部,反复收购往往会使问题变得更糟。


图1:2017年Fabless / Foundry数据供应链来源:全球铸造厂

更多问题源于遗留设备生成测试程序。由于有几个原因,它更难将旧组装和测试设施中的数据与测试设施保持一致。首先,他们有更多的材料来追踪。其次,后端操作在整体材料流程中具有更多样化的步骤,因此有更多的机会对数据正确性,清洁和对准的问题。第三,遗留设备和较少的工厂自动化促成了所有这些问题。

由于业务的性质,高混合/低批量设施具有更具挑战性的时间,具有数据对齐,因为产品到产品的数据一致性较少。每个产品都有一个由不同工程师编写的独特的测试程序,并且经常在测试单元设置,ATE,载体和处理程序中不同。在一天内,单个测试细胞位点可能会改变三到四次。

不一致的数据阻碍了产量工程师对整个供应链的分析。它还阻碍了产品工程师使用自适应测试流的能力。

“我们如何识别数据库键,以正确地将数据从一个进程链接到下一个进程?”尽管软件公司进行了大量的营销宣传,但这很少是一种直接的实践银河半导体。“了解哪些产品是在哪些机器上加工的,对应于哪些工艺数据是一项艰巨的任务。通常,链接数据的唯一关键是时间戳。”

数据对齐很乏味
没有人能避免纠正数据对齐问题的繁琐工作。它需要不同的涉众在同一个房间里。这种努力可以用几周或几个月来衡量。

“在许多情况下,这些人不在同一个部门甚至在同一部门,”麦金塔尔说。“具有使数据开始的目标或目标是必不可少的。在最好的情况下,在几周内可能会解决一个充满未对准的工厂。在某些情况下,它已经花了几个月或季度来解决。“

预先计划好的对齐通常需要更多的努力。迈克尔•Schuldenfrei与主要客户共享早期数据对齐练习:“从某个日期和向内开始,他们实际上为所有新产品奠定了一组指令,以确保数据始终记录。我们在现场基础上与它们坐在一起,并设置规则,以捕获在接受格式之外或相关查找范围之外的所有可能更改的值。“

尽管新的任务,但数据并不总是满足所需水平的一致性。这导致产品组进行了变化的现有发布测试程序。“这是一个非常繁琐的问题,因为你在比赛中发现了太晚了,”Schuldenfrei说。“最终他们开始在他们开发他们的测试程序的方式中集成流程,以确保在发布测试程序时,它已经达到了数据记录的规则。”

暂时搁置数据文件
收益管理系统添加自动化来管理客户主数据。如前所述,对每个字段中的有效数据进行编码并检查发送的文件是否正确需要大量的投资。当数据不正确时,就会触发警报。

一旦基本的初始工作完成,绝大多数对齐工作都可以通过自动化进行监控和控制。然而,当你拥有一家在供应链中有多个分包商的无晶圆厂公司时,要建立它并不简单。要弄清楚所有的偏差以及为什么会发生这些偏差需要时间。

“通常具有大客户(数百万晶片,数百种产品)它需要我们大约两个月的时间来完成学习过程,”Silicon Lifecycle Management的分析总监Paul Simon说:Synopsys对此。“然后我们有非常干净的数据,只有0.5%左右的数据被搁置,我们可以手动处理。在我们的YMS平台中,我们有一个客户看不到的数据集成平台。它清除了所有数据问题。我们对每一个产品都进行了设置,以便在数据进入数据库之前,我们检查其完整性和准确性。如果出现问题,数据集成平台会自动修复数据。如果我们不能自动修复,数据就会被搁置。工程师试图找出数据问题的根本原因,然后更新数据和配方,以反映该如何处理这个特定的数据问题。”

Simon指出,在这个学习过程中,工程师可以找到错误数据的根本原因,并将其发送回数据供应商,以便他们可以修复它。这可能包括输入错误的批号,收到错误或不完整的文件,以及缺少测试数据。

但由于遗留系统的存在,并不是所有的数据问题都能得到解决,所以工程师们不会使用这些数据。在根据制造业数据做决策时,不完全准确的数据胜过完全不准确的数据。

提高数据对齐
在工厂测试步骤之间以及在制造和产品组之间映射数据属性通常发生在事后。产品、工厂和IT工程组织也可以通过调整数据、业务和操作流程来预先解决这个问题。

材料标识标准在这里有所帮助。“一个经典的挑战是缺乏通用的数据模式来有效地协调数据和构建唯一的标识符,”DeukYong Yun说,他是Amkor自动化团队的成员安靠。“我们正在使用SEMI标准。例如,E142有一个基底映射的规范,但是它没有定义材料。我们希望该标准能尽快更新,以适应现代半导体单元级溯源(ULT)的需求。”

在工厂或产品组业务流程(AKA运营实践)上融合时,工程团队需要考虑更精简的流程 - 更简单的步骤。GlobalFoundries的经理分享了他最近的比较和调整各种工厂之间数据的经验,以及分享BKMS的自然尝试。

该公司应用情报解决方案高级总监苏尼尔•纳拉亚南(Sunil Narayanan)表示:“你希望带来你的BKM,但业务流程并不总是相同的。GlobalFoundries。“除非你在基本业务流程上达成很大程度的一致,否则从技术上讲,你只能在标准化方面付出这么多努力。”

对齐提供了在自动化或进行自动化改进之前进行简化的机会,这是很重要的。Narayanan说:“否则,如果你在标准化之前试图将其自动化,你将把问题从业务方面转移到技术方面。”这意味着你需要继续修复它。你增加了要背负的技术债务。”

然而,在工厂中有多个数据源产生大量数据(工厂每天生产pb级数据)的情况下,您如何确定主数据问题首先在哪里?

他说:“过去几年,我们一直强调主数据管理。”“我们有一个独立的组织,但当数据量如此之大时,一个组织不能单独解决这个问题。我们的数据分散在多个领域和各种数据存储系统中。一个组织不能解决我们的MDM挑战,除非他们有工具告诉他们问题在哪里,问题在哪里?我们有一个主要的计划叫做数据编目。通过利用技术,我们正试图自动化许多事情,以清楚地显示数据沿袭,数据从哪里产生,数据注入在哪里发生,以及数据最终在哪里。”

概括
半导体制造业在主数据管理方面继续取得长足进步,并为工程师提供更清洁的数据,以解决产量偏差、质量问题和设备问题。仍然存在的挑战更多的是操作上的,而不是技术上的。不过,分析和自动化专业人士普遍认为,更多的标准化将有助于行业发展。这可能包括测试数据标准、工厂自动化标准,以及更好的工程纪律,以简化操作和商定术语。这种情况发生得越多,对齐数据的负担就越少。

同时,当一个无晶圆厂的公司或工厂引入一个产量管理系统时,一致性揭示了他们对不一致性的贡献。“当你引入一个系统时,客户开始意识到他们在调整数据时遇到的问题,”邵达晖说。“这往往会推动他们参与项目,以改善他们在事实前的一致性。他们开始明白,只要他们在调整之前的工作作为过程的一部分,他们可以做更多的事情,可以创造更多的价值。”

产量管理系统和制造自动化解决方案可以通过支持主数据系统,数据可视化和预测模型来实现工程团队。预测模型不能在没有完整,准确和对齐的数据的情况下表现良好。对齐数据的努力需要掌握掌握掌握数据管理过程的侦探工作。

有关的故事
汽车芯片对可追溯性的需求
驱动到更高级别的ADA需要了解制造过程的每一步。
基础设施影响数据分析
收集制造业数据只是问题的一部分。有效地管理这些数据对于分析和机器学习的应用至关重要。
太多的Fab和测试数据,低利用率
目前,收集到的数据的增长已经超出了工程师的分析能力。
电子供应链信任标准出现
碎片化仍然猖獗,但有进步的迹象。



1评论

雷Bunkofske 说:

虽然上面提到的所有问题都是真的,但这在很大程度上是一个已解决的问题。三IC制造商,我曾在过去的20年里我可以坐在电脑请求数据产品、日期范围、线等,晶片的历史,内联计量,FDC,浓度梯度法和排序数据中返回一个文件,准备分析在几分钟到几小时(等待时间)。这在很大程度上是内部完成的,因为可用的商业解决方案都在这方面或那方面存在不足。是的,这需要一些工作,但是在各种开源解决方案中都有通用的数据模式等。

发表评论


(注意:此名称将公开显示)