過去幾年，應(yīng)用材料公司在探索半導(dǎo)體制造業(yè)的大數(shù)據(jù)分析方法上一直走在業(yè)界前列。除了贊助美國(guó)、亞洲和歐洲先進(jìn)制程控制(APC)大會(huì)等重要的相關(guān)技術(shù)會(huì)議，應(yīng)用材料公司在此方面的工作還體現(xiàn)在《IEEE半導(dǎo)體制造會(huì)刊》(IEEE Transactions in Semiconductor Manufacturing)等同行評(píng)審期刊上發(fā)表的相關(guān)論文。公司在瑞士曼迪匹艾(MDPI)的開放期刊 Processes 上發(fā)表的一篇此類文章，獲得了2016年和2017年度“最佳論文獎(jiǎng)”。該文探討了半導(dǎo)體制造業(yè)大數(shù)據(jù)分析的發(fā)展趨勢(shì)和機(jī)遇，并提供了相應(yīng)的路線圖，闡述了如何采用分析技術(shù)為缺陷檢測(cè)到預(yù)防式維護(hù)等一系列應(yīng)用提供支持。本文對(duì)這篇論文的要點(diǎn)予以介紹。

塑造智能制造分析技術(shù)的前景

智能制造(SM)一詞通常用于描述制造業(yè)這樣一種發(fā)展方向：供應(yīng)鏈上下游整合，實(shí)體功能與線上功能整合，運(yùn)用先進(jìn)信息提高靈活性和適應(yīng)能力。智能制造充分利用數(shù)據(jù)在數(shù)量、速度、多樣性、真實(shí)性(即數(shù)據(jù)質(zhì)量分析技術(shù))方面的巨大優(yōu)勢(shì)，即利用通常所謂的“大數(shù)據(jù)”技術(shù)，通過大數(shù)據(jù)分析來改進(jìn)現(xiàn)有分析功能并提供預(yù)測(cè)式分析等新功能。

圖1總結(jié)的這些改進(jìn)功能和新功能屬于“先進(jìn)工藝控制”(APC)擴(kuò)展技術(shù)的一部分。

圖1.APC和APC擴(kuò)展能力的定義。

半導(dǎo)體制造中設(shè)備和工藝分析技術(shù)的出現(xiàn)和發(fā)展，一定程度上是行業(yè)三大挑戰(zhàn)促成的結(jié)果。這些挑戰(zhàn)數(shù)十年來一直存在，并非是特定于智能制造或大數(shù)據(jù)革命時(shí)代才出現(xiàn)，但可以說是半導(dǎo)體制造業(yè)所獨(dú)有。半導(dǎo)體制造業(yè)面對(duì)的這三大挑戰(zhàn)是：(1)設(shè)備和工藝的復(fù)雜性，(2)工藝的動(dòng)態(tài)性和背景豐富性，以及(3)在準(zhǔn)確性和可用性方面表現(xiàn)不良的數(shù)據(jù)質(zhì)量。

這些挑戰(zhàn)使人們意識(shí)到半導(dǎo)體行業(yè)的分析解決方案不能完全由數(shù)據(jù)驅(qū)動(dòng)。機(jī)臺(tái)、工藝和分析領(lǐng)域的專門知識(shí)或?qū)W科專業(yè)知識(shí)(SME)也是大多數(shù)晶圓廠分析解決方案的關(guān)鍵組成部分。因此，在設(shè)計(jì)和運(yùn)用半導(dǎo)體制造業(yè)工藝分析技術(shù)時(shí)要始終謹(jǐn)記這一點(diǎn)。實(shí)際上，SME的運(yùn)用機(jī)制通常按照數(shù)據(jù)收集、數(shù)據(jù)處理、參數(shù)選擇、模型構(gòu)建、模型和臨界值優(yōu)化以及解決方案部署和維護(hù)等方面來正式界定。

了解半導(dǎo)體制造分析技術(shù)的組成

過去十年中，分析方法呈爆炸式增長(zhǎng)，許多利用大數(shù)據(jù)的分析方法已經(jīng)形成。這些分析方法需要加以辨別和分類，其中一種方法就是對(duì)分析技術(shù)的能力維度進(jìn)行界定，然后詳述或繪制出與這些維度相關(guān)的分析能力。圖2對(duì)與半導(dǎo)體制造業(yè)中的分析技術(shù)相關(guān)的維度進(jìn)行了細(xì)分。

圖2.分析能力維度，將半導(dǎo)體制造業(yè)慣常采用的APC解決方案與這些維度相對(duì)應(yīng)。(現(xiàn)象模型是體現(xiàn)工藝知識(shí)的實(shí)體模型形式;利用統(tǒng)計(jì)數(shù)據(jù)來調(diào)整或修改)

有了這些維度，對(duì)于一項(xiàng)分析應(yīng)用或分析技術(shù)，就可以根據(jù)其能力在每個(gè)維度中的價(jià)值對(duì)其進(jìn)行界定。例如，在多變量分析(MVA)、故障檢測(cè)(FD)和設(shè)備健康狀況監(jiān)測(cè)(EHM)中經(jīng)常使用的主成分分析(PCA)屬于無監(jiān)督、應(yīng)答式分析。多變量分析通常是靜態(tài)的、無狀態(tài)的，并不正式納入SME。在分析應(yīng)用方面，當(dāng)今晶圓廠的故障檢測(cè)很大程度上是無監(jiān)督、應(yīng)答式、單變量、無狀態(tài)和以統(tǒng)計(jì)為基礎(chǔ)的，在故障檢測(cè)模型的開發(fā)階段會(huì)納入SME。使用這些和其他維度來界定分析技術(shù)和分析應(yīng)用，提供了一個(gè)可以明確能力差距、前進(jìn)機(jī)會(huì)以及長(zhǎng)期改進(jìn)路線圖的框架。

半導(dǎo)體制造業(yè)APC應(yīng)用的最新發(fā)展，體現(xiàn)了從應(yīng)答式到預(yù)測(cè)式、甚至到主動(dòng)式工廠控制的轉(zhuǎn)變。這在很大程度上依賴于大數(shù)據(jù)爆炸，后者為更大容量和更長(zhǎng)期的數(shù)據(jù)存檔提供支持，在一定程度上使預(yù)測(cè)式解決方案能夠破譯參數(shù)的多變量交互的復(fù)雜性，刻畫系統(tǒng)的動(dòng)態(tài)性，抑制干擾并濾除數(shù)據(jù)質(zhì)量問題。

在許多情況下，必須重寫這些解決方案中的算法，才能充分利用大數(shù)據(jù)解決方案賦予的并行計(jì)算能力來及時(shí)處理數(shù)據(jù)。此外還可以開發(fā)更適應(yīng)大數(shù)據(jù)的新算法。例如，早期的預(yù)測(cè)式解決方案依賴于單核CPU和串行處理，但是隨著大數(shù)據(jù)時(shí)代的到來，偏最小二乘(PLS)和支持向量機(jī)(SVM)之類的算法就可用于服務(wù)器場(chǎng)的并行計(jì)算。同樣，自組織映射(SOM)和生成式拓?fù)溆成?GTM)等無監(jiān)督的數(shù)據(jù)探索技術(shù)也要經(jīng)過重寫，以便處理大量數(shù)據(jù)，使用戶能夠快速獲得有用的分析結(jié)果。類似地，可以將諸如隱馬爾可夫模型(HMM)和粒子群優(yōu)化之類耗時(shí)的統(tǒng)計(jì)技術(shù)重寫，以求大幅提高計(jì)算效率。

但是，擁有眾多技術(shù)和大量數(shù)據(jù)并不一定會(huì)帶來更多有用的分析結(jié)果和更強(qiáng)的預(yù)測(cè)能力。筆者認(rèn)為，沒有一種方法或方法組合是放之四海而皆準(zhǔn)的。具體采用的方法需要根據(jù)手頭的數(shù)據(jù)，針對(duì)具體的應(yīng)用進(jìn)行定制。不論怎樣，我們相信SME將在解決方案的開發(fā)和維護(hù)中繼續(xù)發(fā)揮引導(dǎo)作用。

人工智能的崛起和新的大數(shù)據(jù)親和分析技術(shù)

人工智能(AI)一詞可用于描述能感知其環(huán)境并采取相應(yīng)行動(dòng)以實(shí)現(xiàn)目標(biāo)的任何裝置或分析技術(shù)?，F(xiàn)今，這一術(shù)語通常指模仿人腦功能的裝置或分析技術(shù)概念，例如自動(dòng)駕駛汽車應(yīng)用中采用的裝置或技術(shù)。人工神經(jīng)網(wǎng)絡(luò)(ANN)就是這種分析技術(shù)的一個(gè)例子，這種AI分析技術(shù)數(shù)十年前就已出現(xiàn)，如今隨著大數(shù)據(jù)的發(fā)展演變而再度興起。例如，深度學(xué)習(xí)是一種非常類似于結(jié)構(gòu)化ANN的技術(shù)，它利用分層抽象方法來提高大批量數(shù)據(jù)分析的質(zhì)量和速度。

深度學(xué)習(xí)可用于解決大數(shù)據(jù)分析中的一些高維問題，包括從二維圖像(例如晶圓圖)中提取復(fù)雜模式。深度學(xué)習(xí)技術(shù)受益于數(shù)據(jù)量的增加，并使用數(shù)據(jù)驅(qū)動(dòng)的監(jiān)督學(xué)習(xí)技術(shù)來發(fā)現(xiàn)數(shù)據(jù)中的關(guān)系。這種技術(shù)的主要缺陷是相對(duì)來說在模型的開發(fā)和維護(hù)階段無法納入SME?，F(xiàn)有開發(fā)好的模型通常無法直接使用，因此很難評(píng)估，而半導(dǎo)體制造分析中涉及的背景豐富性和動(dòng)態(tài)性使得深度學(xué)習(xí)技術(shù)無法利用大量的一致性數(shù)據(jù)。最近的研究工作集中在將SME與AI技術(shù)相結(jié)合，這種方法有望未來應(yīng)用于生產(chǎn)車間。

另一項(xiàng)受到重視的大數(shù)據(jù)分析能力是利用通常稱為“爬蟲”的解決方案來進(jìn)行背景分析。這類“爬蟲”應(yīng)用程序在后臺(tái)挖掘數(shù)據(jù)，尋找相關(guān)的模式或分析結(jié)果，例如接近故障狀態(tài)的部件。然后，它們通過異步方式通知工廠控制系統(tǒng)等應(yīng)用程序，以便采取適當(dāng)?shù)拇胧?。該方法還能提高診斷和預(yù)測(cè)的重新配置能力。

展望未來：分析技術(shù)發(fā)展路線圖

隨著我們邁向智能制造，分析技術(shù)顯然將繼續(xù)發(fā)揮更大的作用以最大程度提高吞吐量并降低成本，同時(shí)實(shí)現(xiàn)高良率。大數(shù)據(jù)領(lǐng)域的進(jìn)步，將推動(dòng)這些分析技術(shù)快速發(fā)展，筆者相信目前取得的進(jìn)展已經(jīng)帶來了一些重要的研究發(fā)現(xiàn)，并且有助于最大限度地發(fā)揮這些分析技術(shù)的作用。

第一項(xiàng)重要發(fā)現(xiàn)是，業(yè)界正在尋求開發(fā)或增強(qiáng)的許多分析解決方案可以利用相同的模型開發(fā)(“靜態(tài)數(shù)據(jù)”)和模型執(zhí)行/維護(hù)(“動(dòng)態(tài)數(shù)據(jù)”)結(jié)構(gòu)。例如，PdM的六步模型開發(fā)過程(圖3a和3b作了總結(jié))可用于虛擬量測(cè)甚至是良率預(yù)測(cè)。利用通用方法不僅可以節(jié)省提升這些技術(shù)所耗費(fèi)的時(shí)間和精力，還使得制造商能交叉利用分析方法上不斷取得的進(jìn)步成果。

第二項(xiàng)重要發(fā)現(xiàn)是智能制造將擴(kuò)展這些分析技術(shù)的應(yīng)用范圍。例如，將診斷、控制和預(yù)測(cè)的使用從晶圓廠內(nèi)部擴(kuò)展到供應(yīng)鏈，這將有助于更好地把握客戶需求并增強(qiáng)解決現(xiàn)場(chǎng)良率等問題的能力。

第三項(xiàng)，也許是最重要的一個(gè)發(fā)現(xiàn)是，SME將繼續(xù)在我們行業(yè)的分析技術(shù)應(yīng)用中發(fā)揮重要作用。未來的應(yīng)用千變?nèi)f化，但設(shè)備和工藝專業(yè)知識(shí)(SME)仍將是半導(dǎo)體制造分析解決方案的關(guān)鍵組成部分。

圖3a.利用MVA預(yù)測(cè)器及其元件的PdM方法，包括故障時(shí)間趨勢(shì)和以置信度或區(qū)間表示的預(yù)測(cè)結(jié)果。

圖3b.PdM方法，利用線下模型構(gòu)建和優(yōu)化來提供一種納入SME的機(jī)制，可用于實(shí)現(xiàn)多種APC預(yù)測(cè)能力。