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、亞洲和歐洲先進(jìn)制程控制（APC）大會[1]等重要的相關(guān)技術(shù)會議，應(yīng)用材料公司在此方面的工作還體現(xiàn)在《IEEE 半導(dǎo)體制造會刊》（IEEE Transactions in Semiconductor Manufacturing）[2] 等同行評審期刊上發(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”[3]。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)為缺陷檢測到預(yù)防式維護(hù)等一系列應(yīng)用提供支持。本文對這篇論文[4] 的要點予以介紹。
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、真實性（即數(shù)據(jù)質(zhì)量分析技術(shù)）方面的巨大優(yōu)勢，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)革命時代才出現(xiàn)，但可以說是半導(dǎo)體制造業(yè)所獨有。半導(dǎo)體制造業(yè)面對的這三大挑戰(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。機(jī)臺、工藝和分析領(lǐng)域的專門知識或?qū)W科專業(yè)知識（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)計和運(yùn)用半導(dǎo)體制造業(yè)工藝分析技術(shù)時要始終謹(jǐn)記這一點。實際上，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，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應(yīng)。（現(xiàn)象模型是體現(xiàn)工藝知識的實體模型形式；利用統(tǒng)計數(shù)據(jù)來調(diào)整或修改）
有了這些維度，對于一項分析應(yīng)用或分析技術(shù)，就可以根據(jù)其能力在每個維度中的價值對其進(jìn)行界定。例如，在多變量分析（MVA）、故障檢測（FD）和設(shè)備健康狀況監(jiān)測（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)計為基礎(chǔ)的，在故障檢測模型的開發(fā)階段會納入SME。使用這些和其他維度來界定分析技術(shù)和分析應(yīng)用，提供了一個可以明確能力差距、前進(jìn)機(jī)會以及長期改進(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)測式、甚至到主動式工廠控制的轉(zhuǎn)變[5]。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期的數(shù)據(jù)存檔提供支持，在一定程度上使預(yù)測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算能力來及時處理數(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)器場的并行計算。同樣，自組織映射（SOM）和生成式拓?fù)溆成洌℅TM）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)化之類耗時的統(tǒng)計技術(shù)重寫，以求大幅提高計算效率[6]。
但是，擁有眾多技術(shù)和大量數(shù)據(jù)并不一定會帶來更多有用的分析結(jié)果和更強(qiáng)的預(yù)測能力。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)行動以實現(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，例如自動駕駛汽車應(yīng)用中采用的裝置或技術(shù)[7]。人工神經(jīng)網(wǎng)絡(luò)（ANN）就是這種分析技術(shù)的一個例子，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)的主要缺陷是相對來說在模型的開發(fā)和維護(hù)階段無法納入SME[8]?，F(xiàn)有開發(fā)好的模型通常無法直接使用，因此很難評估，而半導(dǎo)體制造分析中涉及的背景豐富性和動態(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[9]。
另一項受到重視的大數(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[10]。這類“爬蟲”應(yīng)用程序在后臺挖掘數(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，同時實現(xiàn)高良率。大數(shù)據(jù)領(lǐng)域的進(jìn)步，將推動這些分析技術(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)）可用于虛擬量測甚至是良率預(yù)測。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)場良率等問題的能力。
第三項，也許是最重要的一個發(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（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)測器及其元件的PdM方法，包括故障時間趨勢和以置信度或區(qū)間表示的預(yù)測結(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，可用于實現(xiàn)多種APC預(yù)測能力。
如需閱讀英文原文，請訪問如下網(wǎng)址：
http://www.appliedmaterials.com/nanochip/nanochip-fab-solutions/july-2019/big-data-analytics-for-smart-manufacturing
作者簡介
James Moyne
James曾擔(dān)任應(yīng)用材料公司全球服務(wù)部標(biāo)準(zhǔn)和技術(shù)專家。他在密歇根大學(xué)獲得博士學(xué)位，也是該大學(xué)副研究教授。
Jimmy Iskandar
Jimmy Iskandar為應(yīng)用材料公司全球服務(wù)小組開發(fā)和應(yīng)用算法成員，重點是異常檢測、設(shè)備健康監(jiān)控、預(yù)測性維護(hù)、故障分類、故障診斷和虛擬計量。他在加利福尼亞大學(xué)伯克利分校獲得了計算機(jī)科學(xué)和數(shù)學(xué)學(xué)士學(xué)位，并在圣塔克拉拉大學(xué)獲得了計算機(jī)工程碩士學(xué)位。
參考文獻(xiàn)
[1] 美國APC大會：https://www.apcconference.com；歐洲APC|M大會：https://www.apcm-europe.eu/home/；亞洲 AEC/APC 研討會：https://www.semiconportal.com/AECAPC
[2] J. Moyne、J. Samantaray和M.Armacost，《應(yīng)用于半導(dǎo)體制造先進(jìn)工藝控制的大數(shù)據(jù)能力》（Big Data Capabilities Applied to Semiconductor Manufacturing Advanced Process Control），IEEE Transactions on Semiconductor Manufacturing，第 29 卷，第 4 期，2016 年 11 月，第 283-291 頁
[3] https://www.mdpi.com/journal/processes/announcements/1466
[4] J.Moyne和J.Iskandar，《智能制造的大數(shù)據(jù)分析技術(shù)：半導(dǎo)體制造案例研究》（Big Data Analytics for Smart Manufacturing: Case Studies in Semiconductor Manufacturing），Processes Journal，第 5 卷，第 3 期，2017 年 7 月?？稍诰€查閱：http://www.mdpi.com/2227- 9717/5/3/39/htm
[5]《國際器件和系統(tǒng)技術(shù)藍(lán)圖：工廠集成白皮書》（International Roadmap for Devices and Systems (IRDS): Factory Integration White Paper），2018 年版。可在線查閱：https://irds.ieee.org/
[6] 維基百科上對每種算法均有介紹：https://en.wikipedia.org/wiki/Artificial_intelligence
[7] 維基百科：人工智能（Artificial intelligence）?？稍诰€查閱：https://en.wikipedia.org/wiki/Artificial_intelligence
[8] Lammers, D.《大數(shù)據(jù)與神經(jīng)網(wǎng)絡(luò)：半導(dǎo)體產(chǎn)業(yè)新驅(qū)動力》（Big Data and Nueral Networks: New Drivers for the Semiconductor Industry），《NANOCHIP 晶圓制造廠解決方案》，2017 年第 12 卷第 1 期，第 22-28 頁
[9] Vogel-Walcutt, J.J、Gebrim, J.B.、C. Bowers、Carper, T.M.、Nicholson, D.，《認(rèn)知負(fù)荷理論與建構(gòu)主義方法：何者真正通向高效深度學(xué)習(xí)？》（Cognitive Load Theory vs. Constructivist Approaches: Which Best Leads to Efficient, Deep Learning?）， Journal of Computer Assisted Learning，2010?？稍诰€查閱：https://onlinelibrary.wiley.com/doi/10.1111/j.1365-2729.2010.00381.x
[10] J. Moyne、J. Samantaray 和 M. Armacost，《應(yīng)用于半導(dǎo)體制造先進(jìn)工藝控制的大數(shù)據(jù)能力》（Big Data Capabilities Applied to Semiconductor Manufacturing Advanced Process Control），IEEE Transactions on Semiconductor Manufacturing，第 29 卷，第 4 期，2016 年 11 月，第 283-291 頁
關(guān)于應(yīng)用材料公司
應(yīng)用材料公司（納斯達(dá)克：AMAT）是材料工程解決方案的領(lǐng)導(dǎo)者，全球幾乎每一個新生產(chǎn)的芯片和先進(jìn)顯示器的背后都有應(yīng)用材料公司的身影。憑借在規(guī)模生產(chǎn)的條件下可以在原子級層面改變材料的技術(shù)，我們助力客戶實現(xiàn)可能。應(yīng)用材料公司堅信，我們的創(chuàng)新必能驅(qū)動先進(jìn)科技成就未來。
