半导体生产：数据革命

在我们关于“半导体生产的数据革命——技术进步如何解锁新见解”的富有洞察力的小组讨论中，我们涵盖了几个主题，包括机器学习、边缘计算和基于云的数据管理。我们讨论了一些问题，包括：我们是否创建了正确的数据并做了足够的工作？需要做些什么才能使数据具有可操作性？过去几年的技术进步是如何在半导体价值链中实现和部署的？边缘在做什么？谁拥有这些数据？还有更多。

他们分别是：

Michael Campbell，高通CDMA技术公司工程部高级副总裁

Preeth Chengappa，微软Azure半导体和EDA行业主管

Advantest America，Inc.应用研究与技术副总裁Ira Leventhal。

小组讨论由proteanTecs业务发展副总裁Nitza Basoco主持。

机器学习（ML）

问题：有一件事引起了我的注意，那就是机器学习应该是所有测试和产品工程师的要求。我并不反对，但由于机器学习是一个非常宽泛的术语，可能会变得非常复杂，所以很高兴知道哪些机器学习子集被推荐为对产品和测试工程师最有价值的子集。机器学习的简单例子包括校准（尤其是RF）、线性回归和插值（监督学习）。一些人认为2D和3D可视化算法是无监督学习的好例子。正如Ira所提到的，通过预测修剪代码而不扫过所有可能的值来减少测试时间的修剪算法也属于机器学习领域。许多产品和测试工程师都很了解这些任务。ML的复杂应用可能包括用于评估和分类shmoo图的图像识别，基于测试场地、操作员或设备的产量预测，或晶片图上的聚类分析。您对产品和测试工程师需要学习的机器学习的特定领域有什么看法？

Mike的回答：机器学习/AI理解作为一门基础科学，应该是对行业工程师，特别是半导体行业产品和测试工程师的要求的一部分——这是我的普遍信念。行业中的数据集很大，数据“可重复”，在我看来，可以通过ML/AI算法来增加增量价值。在我看来，工程师应该知道培训的概念，以及如何编写用于执行学习和分析算法的“Python脚本”。浩瀚的数据海洋等待着更好的分析。例如，可以自动审查产量、测试时间、参数分布等，并且可以使用ML/AI算法来完成至少一阶分析。Ira在评论中提到了Advantest平台上的EDGE盒子，以及如何将其用于实时测试分析和减少。

Ira的回答：机器学习和人工智能已经从主要由这些领域的专家使用的技术迅速发展到现在所有工程师都可以使用，作为他们解决问题工具箱的一部分。我认为它们是必不可少的工具，因为需要分析对于手动分析或简单数据分析来说过于庞大和复杂的数据集。为了满足这些要求，算法的可用性和威力将继续大幅提高。同样，没有大量半导体测试领域知识的ML/AI专家在开发和应用算法以有效可靠地解决现实世界领域特定挑战的能力方面也将受到限制。具备ML/AI知识的测试和产品工程师处于独特的地位，能够弥合这一差距，并在其领域开发强大的解决方案。就ML的特定领域而言，我认为在没有足够的先前失败数据来训练有效的监督学习模型的情况下，使用无监督学习算法来检测异常值或其他异常行为具有很大的潜力。

问题：对于测试数据的机器学习，我们如何将其目标设定为测试时间、设备规模以及各种故障和故障类别的成本的理想平衡？

Mike的回答：您需要考虑的一些想法是，缺陷密度、面积和测试设计（DFT）覆盖率可以结合起来，以获得DFT向量的实际有效性，或者绘制每个块的测试时间与每个块的实际测试时间的理论工具预测图，并开发一个实用的测量工具，或者……等等。ML/AI算法允许您在基本级别上自动化许多任务，为相同的旧数据提供额外的价值。

‍Ira的回答：随着技术节点的不断缩小和异构集成封装的广泛采用，半导体价值链变得过于复杂，无法在不全面考虑各种设计、制造和测试步骤如何相互作用的情况下，将优化工作集中在工艺的每一个单独步骤上。简单的基于Excel的分析以及静态制造和测试流程将需要被使用ML或其他高级数据分析的实时分析和决策以及对每个单独步骤和/或整体流程的动态调整所取代。云、网络、边缘计算和安全技术将继续发展以支持这一需求。

问题：通过预测器件性能产量和可靠性，您今天从晶圆厂设备（如几何和材料计量）到进一步向左转移，有多大的用处？也就是说，我们看到了可变性和缺陷，一步一步地处理，甚至在第一次电子测试之前。

迈克的回答：所有数据都是有价值的。ML/AI允许用户通过自动分析找到价值。相对于数据集，模型可能会被错误地调整。然而，通过数据集的互相关，发现和消除误差的能力非常高。

问题：如果工厂知道哪些特性真的不会影响我们的最终产量，他们能集中精力控制那些重要的特性吗？

Ira的回答是：半导体价值链上更大的数据协作和共享，再加上基于ML或其他先进的数据分析，将有助于数据驱动的决策，而不是依赖晶圆厂数据和最终产量之间的理论或历史相关性。

‍

出口合规性和安全问题

问题：数据分析/跟踪如何帮助半导体公司遵守美国出口管制税？

Preeth的答案：简单的答案是，你对IP或芯片在其生命周期的任何时候所做的事情的数据越多，你对来源、处理、制造、测试、供应链、系统使用等各个方面的信息就越多。所有这些都有助于跟踪你的需求。例如，在美国政府的RAMP计划中，微软帮助国防部和合作伙伴实现了安全设计能力，使他们能够遵守ITAR等法规。正确的数据也有助于遵守出口管制报告。

问题：在我过去的生活中（15多年前），当我管理EDA/Fab合作伙伴关系时，访问晶圆厂数据以确保EDA工具和方法对共同客户来说是最新的，从而提高上市时间（TTM）是非常具有挑战性的。有许多安全问题和许多公司参与其中，现在微软等云公司也加入其中。现在情况好转了吗？如果是，如何？

Preeth的回答：我们看到每个人都出于各种原因保护数据，包括控制自己的数据、谁可以访问数据以及如何使用数据。云可以解决数据管理问题，提供安全访问和控制，包括限制出口。现在，您可以定期看到所有铸造厂使用Azure来分发其PDK和库。GDSII移交，甚至一些预硅制造步骤都在云端完成并共享。虽然NDA仍在离线完成，但在行业需求的推动下，随着设计适应最新技术的要求，进展稳步。每一家无晶圆厂半导体公司、EDA/工具供应商、铸造厂、晶圆厂和测试设备制造商以及OSAT都将在使协同设计成为可能方面发挥作用。

Ira的回答：随着ML/AI技术及其计算生态系统的革命性改进，安全技术也得到了革命性的改进。基本的用户名/密码访问已被先进的基于密钥的安全性、复杂的加密方案、基于区块链的访问控制和其他支持零信任安全模型的技术所取代。虽然合作的基础现在已经建立，但未来需要的是动力。随着协作的好处越来越明显，我们将看到安全从被视为协作的障碍演变为我们必须用最先进的解决方案来应对的挑战，以充分获得协作的好处。

‍问题：在未来，当设计者研究与包/测试/系统级测试（SLT）相关的问题时，知识的交叉授粉将如何发生？反之亦然？

迈克的回答：数据是有价值的。设计师在设计过程中开发了测试用例。他有计划的回应。在一个“透明”的世界里，设计师可以在没有产品和测试的情况下查看矢量、访问测试时间、产量与模型、参数响应和其他基本调试步骤的数据。产品和测试将负责驱动ML/AI工具来构建分析，并深入分析基本面。这个模型中每个工程师的附加值都在上升。

数据共享、标准化和所有权

问题：连接跨域数据的优点是毋庸置疑的。橡胶与道路的交汇点在于平衡技术效益和商业效益。纠正措施的技术优势与由于连接数据的财务反弹而造成的业务缺陷相比。例如，如果一家无晶圆厂公司使用晶圆厂数据指向晶圆厂，并要求对晶圆定价进行折扣，这将阻碍跨领域共享。你有什么想法？

Ira的回答：是的，如果无晶圆厂的公司只是想在价格谈判中使用额外的数据作为“武器”，那么你所描述的情况正是会发生的。相反，真正和成功的合作始于目标和互利的完全一致，并建立在信任的基础上。随着这种方法取得更多成功，无晶圆厂和晶圆厂的竞争优势将变得越来越明显，从商业角度来看，忽视这些优势是危险的。

‍问题：我们已经在最复杂的公司中看到了数据泄露。如果发生这种情况，谁拥有所有权？

Preeth的回答：Azure提供了一套工具，可以在基础设施和平台级别以最高的安全级别存储、管理和保护数据。数据所有者负责选择和实施各个级别的工具和协议，以确保安全。

问题：您如何看待测试单元中数据生成和收集标准的工作？在测试中采用行业标准的速度很慢。即，数据格式和内容的多样性如何影响跨实体共享的能力？

Ira的回答：近年来，SEMI CAST（半导体测试合作联盟）将重点放在了标准工作上，包括RITdb（丰富的交互式测试数据库）和TEMS（半导体测试仪事件消息），这些标准旨在支持测试单元内以及整个半导体价值链中不断发展的数据生成和收集需求。我认为这是一个迭代过程，新一代标准需要根据早期采用者的反馈进行发展，然后才能在行业内获得关键的采用量。

问题：本次网络研讨会提到的一件事是与其他公司合作。公司在数据共享方面进行了哪些合作；是否有某种标准化或协议；有财团吗？是否努力制定跨生产链数据生成和共享的通用标准（如MSA）？

Preeth的回答：虽然每家无晶圆厂公司都对自己的数据感兴趣，但晶圆厂和测试设备供应商、铸造厂和OSAT必须处理多公司、多供应商的数据，并将其提供给合适的客户。微软愿意与业界合作，提供这样做的工具和能力。流程、协议、协议的标准化和组建联盟都处于早期阶段。

Ira的回答：除了SEMI CAST，还有其他半导体行业的努力正在进行中，包括SEMI智能数据人工智能倡议。此外，2022年2800亿美元的《美国芯片和科学法案》包括对ML/AI研发产生直接或间接影响的举措的主要资金。

‍问题：我们如何确保当硅设备报废时，云中的所有数据也被擦除/删除/永久锁定？

Preeth的回答：设计良好的云协议将支持适当级别的备份/DR功能，包括低成本的长期存储选项和离线备份。

‍问题：对“我”来说，这是什么？设计优化、设计关闭时间、下线时间、生产时间、收入时间？

Preeth的回答：最先进的设计需要合作。更好的产量需要改进设计以克服工艺特点。高级打包需要协同使用数据。随着摩尔定律的放缓，硅生命周期的每一步都需要小的增量来提供PPA所需的增益，这将在很大程度上取决于整个生命周期的数据。

数据质量

问题：我们的许多测试运行仅用于调试代码或设备。我怎么知道我们没有针对已知的不良数据进行培训？

Preeth的回答：除了常识性的控制之外，我们还有非常强大的协议，可以将已知的良好数据用于训练。我们过去的经验有助于为我们负责任的人工智能流程和协议提供信息。

Ira的回答：我认为在未知的坏数据上进行训练的风险更大，这基本上会将潜在的测试逃逸纳入决策算法。这就是我认为以互补的方式使用监督和非监督学习算法而不是依赖于一种方法的巨大好处。

如何开始

问题：假设我们目前正在登录CSV文件并在Excel和JMP中进行处理，您会建议一个小团队（2-3人）如何开始？

Ira的回答：我建议您从仔细考虑应该购买哪些现成技术开始，而不是您希望团队专注于哪些技术以获得竞争优势。如果没有积极的决策，很容易走上逐步建设基础设施的道路，而这最终将成为保持最先进甚至支持的挑战。定位自己，在构建解决方案的基础技术方面乘势而上。