提升半導體制造水平的新障礙：數據處理

半導體制造過程的每一步都在收集更多數據，這提高了以新方式組合數據以解決工程問題的可能性。但這遠非如此簡單，合并結果并不總是可能的。

半導體行業對數據的渴望從制造過程中創造了數據的海洋。此外，大大小小的半導體設計現在都有片上電路，它提供了流入這些數據海洋的額外電氣測試信息。工程團隊需要管理大量的數據，他們需要促進不同工程團隊使用數據。

與過去相比，可以將更多數據連接在一起，但不是全部，也不是 100% 的時間。即使在可能的情況下，它通常也需要預先協調一致的工程努力。對于任何一種產品，將所有數據源連接到一個系統或模型中對于日常工程來說不一定實用或必不可少。

CMOS 技術的復雜性增加了制造過程中收集的數據的數量和類型。在大多數情況下，工程師以孤立的方式使用這些數據，特別是在晶圓制造、組裝過程和相關的測試過程中。為了應對先進 CMOS 工藝節點（22nm 及以下）的挑戰，工程師越來越多地轉向合并不同類型的數據以滿足良率和質量目標。例子包括：

• 工具歷史數據和單元級測試結果，以確定根本原因產量偏差；

• 產品物理布局數據和體積測試，以提高可制造性；

• 片上電路監控和測試數據以調整測試通過/失敗限制；

• 100% 檢驗和測試數據，以優化測試成本。

“將許多多方面數據源結合起來的愿望已經盛行了很長時間。Synopsys數字設計部門產品營銷經理 Guy Cortez 表示，擁有許多不同的數據源可用于分析與獲得更高質量的結果之間存在直接關聯，因為您可以將更多數據關聯在一起以幫助隔離問題。“然而，阻礙客戶的是他們無法收集所有各種數據——如果他們有數據，了解如何在合理的時間內解析、對齊、規范化、合并和堆疊數據。”

片上監視器在安全和關鍵任務應用中變得越來越普遍，在這些應用中，設備有望在更長的使用壽命內始終如一地運行，只會增加生成的數據量。

西門子 EDA 的Tessent 硅生命周期解決方案產品組合戰略高級總監 Aileen Ryan 表示：“在我們實施硅生命周期解決方案時，數據管理問題非常重要。“現在有很多數據源。制造過程（包括制造測試）是其中之一。但是嵌入在芯片中的功能、結構和參數監視器也可以在初始啟動和調試階段收集信息，并貫穿芯片在現場的整個生命周期。”

這種結合不同數據源的趨勢也可以在成熟的技術中觀察到，這些技術通常具有較低的 ASP。在這些技術中，結合不同的數據源使工程師能夠更快地響應產量偏差，并在最終測試中將產量提高 2% 到 3%。在先進和成熟的封裝技術中都可以觀察到相同的相似之處。

“25 多年來，先進的制造設施一直在結合數據以改進運營。對于成功的制造設施而言，這并不是一項新活動。近年來，由于大規模數據庫的性能變化和架構能力的進步，這項活動已成為主流，” Onto Innovation軟件產品管理總監 Mike McIntyre 說。“由于這些數據庫現在可以超過 100 或200 TB，它們仍然可以有效地及時檢索請求的數據。在數據進入數據庫之前幫助處理和清理數據的工具，以及普通用戶可以導航以訪問這些數據的界面，有助于使這些大型數據存儲變得更加有價值。”

信息和智能制造技術的推動者
工程師總是重視更多的數據，但它需要有上下文來支持實時和數月甚至數年的決策。數據存儲和數據庫架構提供了進行工程查詢的基礎。計算選項緊隨其后，它們需要考慮正在做出的決策類型。 這些決定從簡單到復雜不等，后者提高了對計算架構的要求。統計過程控制圖和產量儀表板等標準分析分別有助于對工廠運營和產品健康狀況進行一般監控。將其提升一個檔次是能夠在晶圓圖中組合大量測試數據，然后允許深入識別異常和工具歷史特征。 二十多年來，工程團隊一直依靠機器學習進行晶圓和封裝檢測。但是，連接更多不同數據集的前景——檢查、晶圓測試、單元測試、工具歷史——促使工程師和數據分析平臺供應商通過深度學習計算深入研究數據海洋。 為了滿足高質量和可靠性的期望，100% 檢測正在擴展到更多的晶圓層和組裝工藝步驟。這導致要管理和使用的數據顯著增加。傳統上，工程師使用這些數據作為特定設備和處理步驟的反饋。現在，它們正在為某些應用程序前饋檢查數據，以增強測試中的通過/失敗決策。 數據泛濫的另一個原因是工廠采用物聯網以及隨后的物聯網傳感器數據流。這使得數據的實時處理成為可能，從而對感知到的異常做出實時反應。 “在晶圓前端工程流程（例如，蝕刻、沉積、原子層沉積）中，嵌入式設備具有更多功能，這使得計算資源可以直接應用于數據處理、流傳輸和集成。它可以在本地發生，也可以在生成數據的儀器附近發生，或者在更遠的地方聚合在一起，”泰瑞達的Eli Roth 智能制造產品經理說。“改進的帶寬和邊緣計算能力支持流分析。時間序列分析在流程或流程中集成了不同的實體，可以識別連接和推理。規范性分析將所有這些新的相互關聯的數據轉化為可操作的情報。” 連接不同數據的關鍵是在工廠設置中集成。 “使我們的客戶能夠接受端到端產品數據的重大變化是工廠集成與更強大的工具/設備連接、更復雜的設備和測試儀，以生成更多數據，以及大規模可擴展的基于云的分析解決方案，提供更低的成本。PDF Solutions的 Exensio 解決方案主管 Greg Prewitt 說：“通過更高性能的存儲和數據檢索以加快分析速度，降低了每 TB 的數據存儲成本。” 在組裝和測試服務的后端，工程團隊還可以利用物聯網實時傳感器數據來調整下游設備。使用數據可視化查看來自數百個測試單元的測試層的數據可以減輕識別低效率的負擔。所有這些都需要對用于存儲、網絡和計算的 IT 基礎設施進行更多投資。 Amkor Technology全球測試服務副總裁 George Harris 指出：“Kubernetes、人工智能算法以及帶有傳感器的連接設備和設備是最近的關鍵技術進步。” “數據傳輸和更高計算架構（在源、邊緣、數據中心和云）以及專用處理器（CPU 與 DSP 與 GPU）和內存/存儲的出現對于移動和處理呈指數增長的數據至關重要。” 云存儲、云計算和機器學習是應對來自不同數據源的海量數據所必需的。 “最重要的是云托管的數據分析平臺，它可以將來自多個來源、站點和地理位置的深度數據上傳到一個連貫且可擴展的數據湖中。然后，機器學習是從這些大數據集中處理和產生有意義且可操作的見解的最佳方式，” proteanTecs產品營銷高級總監 Nir Sever 說。“最佳方法是首先知道在生成數據時要尋找什么。如果在提取數據時考慮到分析，這將為手頭的問題提供更加連貫的畫面。” 其他人同意需要在考慮分析的情況下提取數據。“隨著數據規模的增長，特定的數據類型標記變得至關重要，”Onto Innovation 應用程序經理 Melvin Lee Wei Heng 說。“隨著數據規模的增長，數據標簽引用數據的準確度和速度變得多么重要。未來收集數據時，接近實時的數據處理可能會成為一種常態。” 組合數據的挑戰
計算架構、數據庫結構和數據存儲技術的最新進展支持不同數據類型的組合。但運營障礙仍然存在，以完全實現這一目標。兩個常見問題是裝配設備中缺乏標準化的數據格式，以及不符合ATE 生成數據的現有STDF格式。此外，半導體器件供應鏈的碎片化使得利用來自不同來源的數據變得復雜。 這些問題是可以克服的，但并非沒有繁瑣的工程工作。雖然確實存在一些用于從晶圓廠、組裝和測試設備移植數據的標準，但沒有命名約定（也稱為數據治理）的標準。 “一個關鍵挑戰是數據命名能力。例如，有人稱其為 WAT（晶圓驗收測試），有人稱其為 WET（晶圓電氣測試），有人稱其為 SST（劃線結構測試），” Onto 的 Heng 說。“此外，數據格式結構也是一大挑戰。隨著后端包裝在供應鏈中變得越來越重要，仍然沒有標準格式的數據結構。我們目前在市場上觀察到的情況是，許多公司都在為后端包裝世界中大量可用設備的不同格式輸出而苦苦掙扎。在加載到數據庫結構之前解析和格式化數據成為一項常見的任務。” 一個經常被忽視的挑戰是，沒有一個工程師或工程團隊了解存儲在本地或云端的浩瀚海洋中的所有數據。在代工廠/無晶圓廠模型中尤其如此。考慮到任何設計公司的 IC 設備可能至少有兩個代工廠和兩個 OSAT 制造他們的產品。由于數據治理問題和數據安全問題，在這些工廠之間對齊數據以便設計公司可以查看整體情況是一個操作障礙。 “其中一個關鍵挑戰是行業的分解和向合同制造流程的轉變。在這些情況下，不同方擁有作為數據來源的工具，而不是在多年前占主導地位的 IDM 模型中，一切都在‘一個屋檐下’，” Advantest America 的戰略業務創建經理 Ken Butler 指出。“這些新的邊界使得整合來自不同參與者的數據源并仍然維護每個人的信息安全和知識產權變得更具挑戰性。” 雖然無晶圓廠/代工廠生態系統繼續表現出嚴密保護工藝和設計 IP 的緊張局勢，但這種情況正在開始改變。 “IDM 具有固有優勢，可以減少跨設計、制造和測試領域共享數據的障礙，” KLA戰略合作高級總監 JayRart 說。“但是代工廠有很大的動力去尋找以適當的粒度級別共享數據的途徑，以保留他們的工藝 IP，但它允許測試工程師更好地為每個傳入設備選擇合適的測試方案，以減少發生低可靠性芯片逃逸到現場。” 結論
工程師受益于連接整個半導體制造供應鏈的不同數據源。以新的方式組合數據支持他們提高質量和產量的使命，同時降低制造成本。 目前存在連接多個數據源的分析平臺。然而，管理半導體設備制造數據的海洋仍然是一項不平凡的任務。并不是因為工程師沒有存儲和組織數據的技術。這更多是因為連接數據需要領域專業知識來確定哪些數據源要相互連接。最重要的是，存在數據治理問題和數據安全問題，這阻礙了工程師有效地連接各種數據類型。因此，不同數據類型的集成并不總是順利，但工程團隊堅持不懈地努力實現這些連接。 “數據導致知識，而知識導致一個人有效解決問題的能力，”Onto 的 McIntyre 說。“從根本上說，這是促使我們的客戶將最初高度分散的數據合并到一個有組織的數據存儲庫中的動機。如果沒有這種數據組合，工廠的工程師將無法解決日常問題。”