麥肯錫：半導體制造行業的進階分析，關注晶圓廠改革之路

編者按：晶圓廠商們希望簡化半導體設計和制造的流程，但創新的分析工具會提供他們需要的解決方案嗎？由麥肯錫帶來的這篇商業分析，可能會帶給我們答案。在本文中，麥肯錫采訪了進階分析公司motivo的首席執行官bharath rangarajan，為我們帶來了一些深刻的見解。

進階分析、機器學習和人工智能的應用，正在使傳統的制造和營運方法遭受沖擊。雖然半導體制造公司在應用這些技術方面有些限制，但可能很快就會有所改變——并且它們也有很好的理由去改變。現在，要想将一款新的內建電路推向市場，所需要的時間在每個節點上都在逐漸上升。新的設計和制造技術，是造成這個問題的一個原因。但是，更複雜的檢查、測試和驗證程式，也是産生延誤的原因。

半導體産業鍊的現狀表明，晶圓廠需要多個領域的共同協助。在過去幾年的設計過程中，測試和驗證時間增加了50％。新産品引進和更新，現在通常需要12到18個月的調試和調整。類似地，組裝和測試過程中30％的資本支出，都是不給産品增加任何價值的測試。晶片進入市場後，問題也不會停止：客戶可能會遇到意想不到的性能問題，并要求半導體公司幫助解決這些問題 ——這是一項艱巨的任務，因為廠商們沒有辦法追蹤晶片從生産到使用的所有過程。 此外，許多晶圓廠沒有有效地記錄生産過程中遇到的問題，也沒有采取措施來嘗試解決這些問題。

在許多情況下，出現問題的原因，是因為盡管有一定程度的自動化，重要任務仍然需要頻繁的手動操作幹預。為了改進這一流程，許多技術公司正在建立分析工具。這些工具，可以幫助晶圓廠用基于事實的知識、模式識别和結構學習，來代替猜測和人類的直覺。除了減少錯誤、精簡生産和降低成本之外，這些工具甚至可以幫助晶圓廠發現新的業務模型，并擷取額外的價值。

盡管這些分析工具才剛剛開始獲得晶圓廠的關注，但半導體制造商已經有很多選項可供選擇。因為，許多技術人員最近已經開發出專門的解決方案，來簡化晶片制造過程。我們從大量創新者中選出了三家公司，作為新生攪局者的代表性例子。我們通路了他們的業務部門和技術部門的上司，以進一步了解其能力。我們的目标不是選擇性地認可某一家公司，而是為可能不熟悉新産品的半導體公司，提供不同的新興解決方案。

進階資料分析，可以在虛拟或數字設計檔案中，測試和标記出可能的故障點，為晶圓廠提供了極大的友善。不需要測試成品，半導體公司就可以提前糾正實體設計中的錯誤，提高産量和可靠性。 晶圓廠商還可以使用相同的技術，來生成和運作虛拟晶片進行測試 ，進而允許他們識别和消除邊際效應的同時，進行流程優化。最後，進階資料分析可以讓晶圓廠将來自傳感器的資料大量輸入，與廣泛的流程級資訊相結合，建立豐富的多變量資料集。然後，它們可以快速診斷晶片或裝置故障的可能來源，進而為潛在的問題提供早期警告。這些工具，可以從先前的設計中進行初步學習，并随時間增強檢測故障的能力。為了更多地了解這些防範錯誤的新工具，我們與motivo首席執行官bharath rangarajan進行了訪談。motivo是一家進階分析公司，通過使用專有算法、機器學習和人工智能，來增強預測分析能力，進而提供更多的有洞察力的診斷，防止複雜的晶片故障産生。

麥肯錫：你能談談我們看到的晶片生産中的一些問題，特别是錯誤檢測問題嗎？

bharath rangarajan：每個工廠都有數千個工藝步驟，而這些步驟又有數千個參數可以用于不同的組合。因為有這麼多的因素，是以才導緻了很多晶片故障或缺陷。但是每個誤差的頻率往往非常低，因為在設計和生産過程中，參數很少會是一樣的。這使得，即使是最強的工程團隊，也難以預測發生問題的地點和時間。

由于晶圓廠傳統上幾乎沒有分析工具，是以他們試圖通過制作模型、運作測試晶片和執行基本分析來發現出現較多的問題。換句話說，他們會改變一個設計或過程，看看是否消除了一個常見的錯誤。在僅需要改變幾個參數的情況下，這種方法會降低一些高頻問題，但這并不能幫助晶圓廠識别出更廣泛存在的、更難發現的低頻和中頻誤差。它也不能識别隻能通過改變許多參數來解決的高頻誤差，而這些錯誤，很多時候是産量降低的原因。

傳統的糾錯方法，還存在另外一個問題，那就是很難從過去的經驗中進行學習。正如我所說，晶圓廠已經能夠通過調整多個參數來消除缺陷，但這僅僅有助于他們處理目前批次的産品。他們的測試方法，并不能讓他們了解導緻問題的内在原因。我的意思是，他們沒有顯示出改進的确切變化，是以可能會在将來重複同樣的錯誤。許多設計團隊和負責流程的工程師之間存在溝通問題，他們在描述問題、甚至共享過去故障資訊的方式上并不相同。我可以了解為什麼會發生這種情況 —— 很多時候，設計和流程人員甚至都不在同一個地點辦公。他們使用不同的語言，有些甚至可能不知道已經存在一些問題。

麥肯錫：你的工具如何工作？

bharath rangarajan：首先，我們分析客戶的實體設計 —— 通常是圖形資料庫系統ii（graphic-database system  Ⅱ）或開放藝術品交換系統标準檔案（open artwork system interchange standard file） —— 這些檔案類型，是目前內建電路分布系統的資料交換的行業标準。我們的工具從簡單的幾何圖案和複雜的結構圖案中，提取出所有的特征群組合。然後我們再确定這些之間是如何互相連結的。

處理完這些資訊後，我們可以在拓撲網絡映射中，識别出導緻故障的單點或節點。例如，我們的圖例中，将顯示故障節點是如何連接配接到普通節點的，進而找出問題所在。我們的圖例還幫助客戶确定要測量和測試的特征和節點，這有助于優化産量。現在的測試都是随機選擇節點來進行分析，而我們在這個基礎上做了優化，有助于提高産品的産量和測試的效力。最終，廠商會得到很好的統計資料。

一些較舊的基于實體的模型，在找到錯誤方面仍然存在一定的作用。但還沒有任何一個老舊的模型，可以預測在先進的制造過程産生的所有可能的結果。而且由于晶片複雜度的增加，它們所能做的還不夠。

麥肯錫：晶圓廠在這個領域可以期待什麼樣的結果？

bharath rangarajan：通過先進的資料分析，我們有潛力大幅改變現有的範式。現在，晶圓廠所制造的多批晶圓，經曆了多次昂貴的疊代循環，以消除問題。由于處理矽晶片所需的長周期，該方法也是非常耗時的。如果公司在晶片設計方面更加開放一些，那麼它們可以縮短産量上升的爬坡期，并将大幅縮減流程問題所需的疊代次數，将新産品的流程效率提高十倍。這将對産品生産時間表和矽片消耗産生重大影響。在測試中，兩家半導體公司都發現了故障和相關故障的模式，用時從幾個季度縮短到了幾個星期。

半導體設計和制造的檢測工具越來越專業化，每個工具的使用場景都都隻是工藝流程中的一小部分。 晶圓廠可能需要十幾個的大型、昂貴的機器，來完成在晶片生産過程中的的數百個步驟。這使得資本預算和用地條件都十分捉襟見肘。但最值得注意的，是工具本身的技術限制：裝置之間的資料傳輸、增加工藝流程、上新裝置來檢測問題，可能都很困難。在許多步驟中，人工的檢查員必須經常審查工具中的資料—— 這可能需要将數百或數千個晶圓運送到檢測室和實驗室，但這增加了損壞的風險，并且無法實時進行過程控制和擷取産出資料。nanotronics公司負責建構包含人工智能的自動顯微鏡。為了了解晶圓檢測的新技術，我們與nanotronics的兩名官員進行了交談，：首席營收官justin stanwix和首席技術官julie orlando。

麥肯錫：請告訴我們，貴公司的技術如何在晶片檢測中使用呢？

julie orlando：我們的顯微鏡将納米級、微觀和宏觀成像與機器學習、人工智能相結合。他們可以自動發現新的缺陷，并通過網絡共享這些資訊。這使得像圖像标記一樣的——通常必須手動完成、容易出錯的流程不再必要。我們的顯微鏡還有一個便利因素，那就是晶圓廠可以将它們用于晶體生長、光刻、蝕刻和其他工藝，而不是像原來一樣，使用很多不同的工具來完成這些檢測。另一個變化是顯微鏡可以檢查透明、半透明和不透明的晶片，以及微處理器單元、mems（微機電系統）器件和封裝的晶片。

麥肯錫：你可以在一些細節上描述手工檢查的差異嗎？

julie orlando：我們的顯微鏡可以在幾分鐘内分析100,000個晶片，而手動檢查員可能需要30分鐘才能檢視50個晶片。如果使用我們的顯微鏡，晶圓廠也可以檢查到更多的晶片層，而不是手動檢查。我們與一家公司合作，之前他們人工可以檢查25層，但用顯微鏡将其增加到了300層。然後，晶圓廠從人工檢測轉向顯微鏡時，處理量和産量也都會增加。

麥肯錫：您的軟體如何讓顯微鏡共享資料？

justin stanwix：我們的軟體，可以連接配接晶圓廠或晶圓廠網絡中的所有顯微鏡。是以，工程師可以開發新的算法，來找出那些問題的識别資料，和工具裡過程參數之間的相關性。然後，他們可以通過更新軟體立即将新算法納入顯微鏡網絡。我們的開放式軟體平台和api接口使這一切成為可能，因為它們允許我們的顯微鏡連接配接到其他工具，包括晶圓廠可能已經擁有的工具。

想要提高品質的産品工程師，通常會遇到一個嚴重的阻礙：難以從産業鍊上的其他廠商那裡擷取資料。他們經常收集存在于系統或應用程式晶片中的不完整資訊，但找不到解決問題的重要部分。我們與optimal plus（一家專門從事大資料分析軟體的公司）讨論了分享資訊的更好政策。下面是對optimal plus的首席技術官michael schuldenfrei和業務發展副總裁yitzhak ohayon的采訪。

麥肯錫：告訴我們一些貴公司的技術。

michael schuldenfrei：我們建立了一個跨行業的平台，用于将原始裝置制造商（oem）與供應鍊中的半導體公司相連接配接。它可以跟蹤單個産品的所有資料，包括制造的地點和時間、功能和電氣測試的每條資訊、制造裝置的資料以及使用條件 、 濕度水準或操作門檻值等因素。是以，基本上，工程師可以檢視全套有關産品及其元件的資訊，進而更容易發現問題。我們的平台還允許工程師配對和比對來自特定制造環境的裝置。這可以真正提高許多使用者端應用可靠性的方法。

麥肯錫：你能告訴我們你的平台如何工作嗎？

yizhak ohayon：第一步，我們清理和規範化資料。它必須在所有地點和産品中完整、準确和一緻。然後，我們将資料輸入平台，幫助客戶克服最重要的資料斷開之一：晶片制造商和電子oem之間的資訊交流不足。晶片制造商負責晶圓的分類測試，電子oem中又分為主機闆使用者和系統使用者，負責最後的測試。在通過我們的平台比較來自這些測試的資料後，同意交換資料的電子産品銷售商和半導體供應商，可以确定結果是否與特定晶片高度相關 —— 結果可能是該晶片運作良好，或者該晶片存在差異。例如，晶片制造商可以使用其電子産品客戶的資料，來确定哪些測試信号預測了下遊存在的故障、哪些信号不影響最終産品。這意味着晶片制造商可以調整其篩選參數，進而優化産量。換句話說，改進篩選條件之後，會減少那些潛在具有問題的裝置的數量。

麥肯錫：你們的平台有什麼樣的結果？

yayhak ohayon：在2016年，我們分析了超過500億台晶片。我們已經看到測試所需時間、營運效率、産量和測試結果都有所改善。

有一次，我們與一家電子裝置oem合作，希望将一款主機闆級設計迅速推向市場。該公司遇到了很多晶片問題，并提供給供應商所有的相關資料，以換取有限的晶片資訊。将這些測試資料與原始元件供應商的晶片資料相關聯後，我們找到了出問題的地方。這些發現減少了客戶分析故障所花費的時間。結果是該産品的産量有了顯著的提高，上市時間提前。

一家電子産品oem報告說，使用這一技術，它們已經将量産所需的時間減少了一半。該廠家也減少了“錯誤”晶片的數量，在重新測試中将錯誤率降低了百分之五十。這些晶片是客戶報告存在問題的批次，通常是與其他晶片組合使用中存在問題。但是當制造商自行重新測試時，這些晶片工作正常。了解産品故障所需的時間，從三個月下降到了一周。新技術也提高了測試效率，因為oem們少了很多不得不進行大量測試的晶片。

麥肯錫：你看到使用技術或類似技術有任何障礙嗎？

michael schuldenfrei：資訊交流上有一些障礙。從我們技術的角度出發，我們需要半導體公司及其客戶将比現在更自由地分享資訊。說服供應商分享資訊可能很難，因為他們可能會懷疑客戶是否會在談判中使用他們的産品資料。希望我們的平台，可以通過作為供應商和客戶之間的第三方中介，來減少一些擔憂。他們不必直接交換資訊，當我們共享資料時，它們都是非常受控制的。當問題出現時，我們隻會釋出資訊 —— 通常是品質問題 —— 并且将資料交換降至最低。我們還看到一些情況，電子産品制造商通過反向整個過程，向其供應商提供測試資料來解決問題。這是另一種可能的解決方案。

願景是明确的：将産品和流程更快地轉換到晶圓廠的生産環境中，縮短新晶片設計的上市時間，降低由更高、更可預測的産量帶來的總體成本，以及通過供應鍊的可追溯性用于預測單個晶片。想要使這些成為現實，将需要在我們的能力範圍之内進行技術創新。但是在我們看來，半導體行業至少要在四個次元上進行實際的工作。

天賦

我們正在經曆半導體行業的人才幹旱。隻有少數具有資料分析功能的新畢業生，将半導體作為為他們所選擇的領域。而他們之中，隻有更少的人仍然相信這是一個難以置信的、會取得重大創新進展的機會。放眼整個北美，隻有不到1萬名認證的資料科學家。其中絕大多數人，隻針對有限的領域進行研究，其中大部分涉及改善廣告或營銷内容的個性化。這種扭曲的分布，對于希望将機器學習和進階分析應用于其操作的半導體公司而言，是一個問題。為了吸引和保留合适的人才，半導體公司必須創造出令人信服的工作環境。資料科學需要被認可、獎勵和給予與其他技術人員相同的尊重。

組織

功能群組織邊界會帶來更清晰的前景，但這也是掣肘很多公司的原因。例如，許多晶圓廠正在努力優化晶片設計和工藝技術，但是它們缺乏整個流程的制造技術，難以發現問題并支援更快的産量爬坡。他們需要通過讓設計者和開發者組織在共同上司下更緊密地結合起來，朝着同一個目标努力，進而打破邊界。否則，即使是最有吸引力的進階分析方法，可能也無法提供需要的結果。

投資

工程是晶圓廠和晶片設計組織的核心，而不是資料科學。這就是為什麼晶圓廠隻能對進階分析進行有限的投資，盡管有數十億美元之多。當半導體公司建立資料分析組時，他們傾向将其歸入資訊技術或制造技術的領域，很少将其視為一大功能領域。這需要改變。如果半導體公司，沒有對包括機器學習和人工智能的應用在内的分析領域進行大量投資，那這一産業就将要落後。

合作與夥伴關系

分析和機器學習供應商，往往對進入半導體市場很猶豫。除了擔心客戶群體正在固化，許多人認為半導體公司喜歡内部開發解決方案。這種看法可能會持續存在，因為很少的軟體或分析公司正在與半導體廠商合作，特别是在設計和營運方面。未來，半導體廠商必須與技術研究公司建立積極的夥伴關系，以提出新的想法、應用和思維方式。過去，半導體行業通過合作夥伴關系加強了制造和加工技術，如與國際研究中心sematech和imec的合作夥伴關系。現在是我們為進階分析、機器學習和人工智能做同樣事情的時候了。

半導體行業提供了創新和實驗進階分析的獨特機會，因為沒有其他産業能夠創造出如此多的、可以為整個産業鍊帶來改進的過程資料。許多新公司，包括本文中讨論的新公司，已經認識到這一個機會，并将真正的資料科學帶入半導體領域。使用這些工具，加上在上司層面對資料分析的重視增加，可能會使半導體公司成為資料分析行業上司者。

主動防止錯誤，進而優化産量

bharath rangarajan：首先，我們分析客戶的實體設計 —— 通常是圖形資料庫系統ii（graphic-database system Ⅱ）或開放藝術品交換系統标準檔案（open artwork system interchange standard file） —— 這些檔案類型，是目前內建電路分布系統的資料交換的行業标準。我們的工具從簡單的幾何圖案和複雜的結構圖案中，提取出所有的特征群組合。然後我們再确定這些之間是如何互相連結的。

加強晶圓檢查

連接配接半導體和電子供應鍊

向前邁進将需要什麼

本文轉自d1net（轉載）