我们先看一个技术革新影响社会演进的案例：在中世纪的英国，由于火枪的发明让传统的长弓军队逐渐失去优势，因为火枪使用起来简单，便捷。而训练一个长弓射手可能要几年乃至十几年，但训练一个火枪兵只需要几星期，这使得当时英国政府有条件，在短时期内把平民组织训练为一支可以作战的军队。当然，任何历史现象的成因都非常复杂，但案例为我们提供了一个新的视角。可以得出一个启发：“技术演进的方向，不是越高级越好，而是越普及越好”。因为这样吸引更多的人和资源力量，进而引发相关行业巨大的变革。近几年，人工智能正如火如荼在金融、交通、安防等相关行业赋能，同样，智能化也一定是半导体行业发展的星辰大海。1.人工智能在半导体行业具有巨大的价值潜力受到芯片短缺影响，晶圆厂和OSAT纷纷加大产能建设，并评估将人工智能和机器学习介入芯片制造，能否带来更大的效益。据McKinsey研报，半导体领域的AI / ML在2021年创造了70亿美元的价值，占芯片收入的10%，预计到2025年将上升到设备收入的20%达900亿美元，其中，人工智能在整个芯片制造过程中带来的收益也将达到整体的40%emc易倍。人工智能的发展对半导体制造商有利，因为它创造了新的营销机会，并促进了制造工艺的改进。 2.人工智能在芯片制造流程中的应用在晶圆制造过程，设备数据、工艺数据、历史数据将被半自动或自动收集并分组到数据库中以便能够诊断故障，监控流程，并进行有效管理。 然而，众多的细节都是相互联系并最终影响产量。 因此，AI/ML技术将会解决半导体制造业面临的大量挑战，例如良率提升、质量控制、故障检测、预测维护、虚拟量测、调度、市场预测等。 2.1视觉检测机器视觉通常包括识别、定位、检测、分类等四类基本任务，在半导体中，缺陷量测、缺陷检测分类、wafer bin map失效模式分析、Notch匹配等都会用到视觉相关的处理技术。【WBMs失效模式检索】在半导体制造中，wafer bin map被用来可视化缺陷模式和识别潜在的工艺问题，对WBM的分析是日常工作中很重要的环节，有经验的工程师可以在晶圆图呈现特定的失效模式时，找出失效的原因，但依赖工程师用目视分析来判断缺陷模式，这既耗时又不可靠，为此，借助于先进的图像处理技术，通过以图搜图的方式检索具有相似的失效模式WBM，后续以此作为G/B分组依据，分析其设备、工艺参数的相关性。 【缺陷检测分类】这一步骤通过在生产过程的早期检测缺陷来帮助确保质量，例如，使用相机、显微镜或扫描电子显微镜。这些图像通常仍由操作人员手工评估潜在缺陷，然而，这导致他们容易出错和积压，并推高成本，基于卷积网络的深度学习技术，使得defect images的检测分类成为了可能。许多半导体制造工厂都在使用ADC这项技术来处理AOI设备产生的图像，进而代替人工的Review。 2.2根因分析RCA影响良率的因素众多，设备、工艺、参数等，它们之间存在着线性/非线性的影响，甚至于多个因素之间的交互影响，因此找到关键的因子，帮助产品良率的快速提升，在根因分析中是极具挑战极富价值的任务。 2.3Smart Sampling在晶圆制造过程中，有大量的检测和测量站设置监控工艺参数，并在早期发现问题。由于在线检测晶圆的能力和成本有限，只有部分晶圆是在特定数量的批次中检验的，考虑到半导体行业的产品生命周期短、客户需求不断变化等特点，在激烈的市场竞争和高昂的制造费用的情况下，半导体公司为了减少不必要的检查费用和生产时间，努力提高整体利润，当前采样测量的数量和采样频率仍然是由工程师的经验决定的，效果因人而异。采用人工智能技术可以有效地帮助工程人员确定最优方案，抽样频率在产品类型和质量成本方面，可以充分利用设备，提高产品良率。下图示例为：基于贝叶斯决策网络的inspected lot采样策略框架 综上所述，人工智能在晶圆制造流程中有巨大的应用潜力，机器视觉检测发现缺陷问题、RCA分析缺陷的成因、最佳机台组合推荐、关键工艺站点的良率预测、基于虚拟测量的工艺控制、测试机台维修决策支持系统等。因此，人工智能将对半导体制造业带来巨大的变革，围绕着降本、增效、提质将会有更多智能化的应用。关于我们

　　「喆塔科技」专注于泛半导体行业的工业大数据与工业AI，是业内领先的工业大数据解决方案提供商。喆塔团队专注于高端制造业20年，帮助客户进行整体化数字工厂的咨询规划，一站式落地方案的实施上线emc易倍。将行业Know-How与ABC（AI、Bigdata、Cloud）技术深度融合，帮助客户提升良率、提升产能，提高设备稼动率。与客户一起为企业创造新价值。