IC 制造商越來越依賴智能數據處理來防止停機、提高良率和減少報廢。他們將其與故障檢測和分類 （FDC） 相結合，以追蹤故障原因。

當今的 FDC 系統具有更好的傳感器、變異性控制以及預測性和規范性建模。未來，FDC 將使用法學碩士和代理人工智能等工具實現實時決策。

FDC 的很大一部分變化都圍繞著故障預測?！皞鹘y的 FDC 不具有預測性，”Cohu Analytics 解決方案 Tignis 的副總裁兼總經理 Jon Herlocker 說。“它依靠人類及其工藝/設備專業知識來識別故障的先決條件，然后對其進行監控?！边@種方法不是自動化的、工程密集型的，而且響應緩慢?！艾F代故障檢測系統利用機器學習來持續分析設備信號并識別故障的前兆，從而在故障發生之前有效地預測故障?！?/p>

工程師使用 FDC 實時響應對已知良好模具生產影響最大的變化。借助當前的工具，FDC 可以利用 AI 功能更好地對致命缺陷進行分類，同時加快根本原因分析的根源。

現代 FDC 還可以實現更好的異常值檢測，這是區分邊緣芯片和良好芯片的關鍵步驟?！白畲蟮母倪M是從單變量分析轉向多變量分析。能夠跨多個變量工作可以提高靈敏度，從而減少誤報，“Onto Innovation 產品管理總監 Joe Fillion 說。

FDC 本質上與決定產量的電氣測試相關。與此同時，越來越需要實時處理來確定異常值是否良好?！傲硪粋€關鍵變化是實時數據處理。這提供了即時和預測性的故障檢測，以更好地保護產品。它還提供了動態（幾乎原位）配方調整的能力——特別是在使用運行到運行控制時，“Fillion 說。

“我們看到的機會是一類真正受益于實時數據和實時處理的問題，”泰瑞達產品測試集團總裁 Regan Mills 說。“你顯然可以更好地決定設備的好壞。或者，也許您正在快速評分。但是，您需要使用從該設備獲得的信息以及隨著時間的推移從其對等設備獲得的信息，盡快對該設備做出決定。因此，您正在以一種以前通常從未做過的方式使用聚合數據。這是使用測試現場的邊緣計算資源來執行的。

晶圓廠計算資源水平不斷提高，可以更快地做出反應，但許多專家警告說，這種好處并不是全行業范圍的?！笆褂脗鹘y的 FDC，您會在問題發生六到七周后，在晶圓測試中發現問題，”yieldWerx 首席執行官 Aftkhar Aslam 說?！暗侥菚r，你已經擁有了所有這些已經經過制造的材料。它很糟糕，無法返工。這是當今 300 毫米晶圓廠的主要改進。進入晶圓廠的設備包括高性能數據中心，可以攝取這些數據并實時做出決策。但我們不能說這對整個行業有幫助，因為老晶圓廠不具備這種能力。

雖然半導體晶圓廠長期以來一直使用 FDC 程序和分析，但 FDC 的新領域正在發生在組裝和先進封裝領域。“我們看到 FDC 最大的實施是在先進封裝中，臺積電、英特爾、三星，甚至是不太知名的公司都在構建這些多芯片高級封裝，”PDF Solutions 晶圓廠應用解決方案經理 Jonathan Holt 說。“這包括在另一個基板上構建封裝、精確放置多個組件、通過硅過孔制造以及面對面鍵合的所有復雜性——它們必須具有 FDC 和實時過程控制?！?/p>

FDC 進展：簡史
早期的故障檢測和分類工作涉及工藝工程師的大量手動工作，從晶圓加工、計量、不同的測試插入等多個來源收集數據。任何給定工具上的 FDC 都是通過首先跟蹤傳感器跟蹤數據的最小值、最大值和平均值來完成的。然后，工程師為警報和監控分配閾值。

但是閾值的放置并不像看起來那么容易。“找到正確的閾值具有挑戰性，因為如果閾值太窄，你就會收到大量警報，如果閾值太寬大，就會錯過錯誤，”Cohu 的 Herlocker 說。

以這種方式在整個工廠中部署 FDC 可能需要數年時間才能選擇正確的相關性（即接觸電阻和傳感器）和最佳閾值。“此外，設備和流程會定期變化，因此 FDC 系統需要定期員工來監控和調整閾值，否則警報會變得令人討厭并被忽視，”Herlocker 補充道。

事實上，在大數據時代，數據被忽視的可能性很可能是因為工程師忙于運行他們的流程和設備。此外，由于工程師需要在生產中盡快捕獲異常，因此他們轉向對時間序列數據進行連續監控。

“仍然需要在使用點控制工具，因此我們開始從傳感器獲取完整的跟蹤數據，然后在工具周圍放置保護帶，以確保它不會漂移，”PDF 的 Holt 說?！八袁F在我不必提取特征。我可能會錯過具有平均值、斜率、最小值或最大值的數據，但我會在完整的時間序列數據跟蹤中捕獲它，該跟蹤也用于晶圓廠中的工具與工具匹配。

此時間序列數據還需要包括預防性維護步驟。記錄這個完整的生命周期需要大量的數據和數據存儲。“例如，我們查看了臺積電 30,000 片晶圓的跟蹤數據，結果為 100 TB。他們在每家工廠生產 250,000 片晶圓。因此，您談論的是 PB 級數據，當您進行時間序列數據監控時，您必須分析和維護這些數據。這是一個支持的挑戰，“霍爾特補充道。

FDC 最初涉及建立單變量相關性（單變量），但很快就被證明是不夠的。然后，工程師設計了多變量模型來關聯復雜的關系，從而提高了靈敏度并減少了誤報的數量。

ML/AI 革命
隨著質量水平的提高，采用基于 ML 的建模的需求也在增加。機器學習是人工智能的一個子集，也可用于分析大型數據集、識別模式并提高故障檢測準確性。

“傳統上，FDC 依賴于靜態閾值和 SPC，”Onto 的 Fillion 說?！半S著時間的推移，這已被機器學習所取代，并最終被人工智能所取代，以對過程條件與帶有故障和錯誤的變量之間更復雜的非線性關系進行建模。機器學習模型提高了準確性和及時性。此外，先進的計算能力允許規范性和預測性建模以及異常檢測。

預測模型預測可能發生的情況，而規范模型則根據這些預測推薦具體行動以實現最佳結果。

圖1：工廠FDC、數字孿生、分析、第三方系統和MES元素之間的通信。來源：PDF 解決方案

現在，最大的變化是整合人工智能工具來加快分析速度并捕獲人類可能錯過的異?；虍惓Ｖ怠！霸谏疃确诸惙矫嫒〉昧朔浅ｏ@著的改進，使用人工智能和機器學習來查找簽名并連接以前永遠不會連接的點，”YieldWerx 的 Aslam 說。

在 COVID-19 大流行期間，對晶圓廠設備的遠程指揮和控制成為一項必備功能，當時工程師無法前往現場解決問題，從那時起就一直在使用。EDA 和 ATE 工具之間的連接尤其強大。

“我們的遠程連接工具允許用戶遠程連接到 ATE 以使用 EDA 工具、SoC 代碼調試器和自定義工作臺腳本，”泰瑞達首席軟件工程師 Richard Fanning 說?！斑@使團隊能夠使用他們選擇的工具和專家來調查問題，從而簡化實時使用正確工具的最佳人選的過程。我們與行業領導者合作，使這種集成盡可能簡單?？蛻粝蛭覀儽硎?，他們盡早減少故障的主要方法是消除設計臺架設置、仿真和 ATE 測試程序之間的差異。

傳感器數據分析和數字孿生對于尖端設備尤為重要。“支持這些先進節點所需的先進傳感器數量正在爆炸式增長，”Inficon 智能制造總經理 John Behnke 說?！叭绻麤]有嵌入式傳感，你就無法制造出亞 2 納米的工藝工具。智能傳感器的人工智能增強是 FDC 的真正要求。然后，在整個供應鏈或工廠中實際整合這些信息的能力變得越來越重要。此外，數字孿生正變得越來越被接受，我們認為它們需要相互通信。

數字孿生的構建成本很高，尤其是當它們包括過程設備上的關鍵傳感器時。缺乏標準也阻礙了接受。NIST 和 SEMI 正在制定數字孿生標準?！拔掖_信他們會推薦一些標準，可能用于溝通。但它們將包括所有 FDC SEMI 標準，可能一直到 EDA 和所有物聯網，“PDF 的 Holt 說。“但是，如何以所需的速度傳輸數據呢？這可能需要多個協議，并且可能會被容器化，并具有一定的安全性和開銷。

異常值檢測
最近在異常值和異常檢測方面的主要進展來自特征提取和信號隔離，而不是核心算法本身?！盀榱耸惯@些系統取得成功，必須將聚焦數據信號暴露給異常值檢測算法以減少檢測次數，”Cohu Analytics 解決方案旗下 Tignis 的數據科學總監 Ryan Stoddard 說?！艾F代特征提取算法，例如深度學習自動編碼器，可以提取簡單的統計特征不容易檢測到的細微痕跡形狀差異。LLM 可以輕松搜索歷史 OCAP 數據集并暴露關鍵信號，這些信號通常是先前問題的早期預警?？偟膩碚f，領域專家可以部署這些新技術，使異常檢測系統更加集中和廣泛相關。

左移的概念對于在工藝流程的早期檢測故障變得越來越重要，特別是對于基于小芯片的模塊。“我們可以通過利用歷史數據和分析最近的數據集，應用機器學習技術在早期階段預測故障。然而，它涉及避免過度殺傷和確保準確故障檢測之間的權衡，“愛德萬測試應用研究負責人 Kotaro Hasegawa 說?！皺C器學習的一個應用是使用動態零件平均測試 （DPAT） 進行異常值檢測，我們根據測試結果中觀察到的各種趨勢動態調整限值。這種方法已經在汽車設備中大量使用，但現在我們也將其應用于其他設備，“長谷川補充道。

DPAT 是一種制造技術，它使用統計分析來動態設置測試限值，而不是使用固定限值，以識別和消除可能導致質量和可靠性問題的異常值部件。DPAT 消除與過程相關的異常值。但公司正在超越 DPAT 來提高產品質量和產量。

“零件平均測試是IATF16949的一個重要方面——汽車制造必須擁有它，”Cohu Analytics 解決方案 Tignis 的解決方案工程總監 Boyd Finlay 說?！按送?，還需要 Out Of Family （OOF）、Good Die Bad Neighborhood （GDBN）、統計箱限制 （SBL） 和統計良率限制 （SYL）。而且我沒有聽到有人談論零件平均預測測試或虛擬測試。用預測代替實際測試似乎是一個實現十億分之零缺陷零件的機會。

當產量偏移確實發生時，快速反應非常重要，并且知道如何做出反應?！八詥栴}實際上是，'你什么時候做出反應？'產量偏移會對您的組織產生多大的財務影響？如果是 25%，與之相關的成本是多少，”西門子數字工業產品管理總監 Marc Hutner 說。“作為測試程序的一部分，您正在進行一系列測量，并且您正在進行與之相關的標準分箱，但隨后您正在分析數據并問，'這里發生了什么？'你可以做一些事情，比如重新測試?；蛘撸诓榭磾祿?，您可能會意識到設置中發生了一些事情。

這可能像與 DUT 的接觸錯誤一樣簡單。“對于邏輯設備，我們定義了 ATPG 掃描的工作流程，其中包括如何收集和格式化測試數據，”Hutner 說?！耙虼?，我們提供的模式既具有驅動數據，也具有預期。然后，我們要求客戶在標準數據測試或 STDF 中格式化數據，然后將其直接輸入到我們的體積診斷工作流程中，在那里可以對其進行分析以找出產量問題存在的位置，然后由人工查看報告。

在為數據集選擇合適的模型時，工程師可以開發監督或無監督模型?！霸谠S多情況下，無監督學習是有意義的，因為這些過程和技術已經為人所知多年，”YieldWerx 的 Aslam 說?！暗腥斯ぶ悄苄酒凸庾訉W等新技術。在這些前沿領域，很多處理都是新的，我不會相信無監督學習，所以它并不適用于所有領域。

結論
在工藝工具上與法學碩士或其他形式的人工智能交互的能力最終將促進更快的反應，從而在制造過程中產生良率偏差。在晶圓廠工具上成熟的 FDC 系統正在進入裝配和測試線，例如，在模具拾取和放置或單切工具上進行工具與工具的匹配將確保更好的過程控制。

FDC 仍然是工程師必須指導、監控和做出反應的過程，同時還要進行再訓練練習以保持模型的相關性。多家公司之間日益加強的合作正在促進智能制造這一關鍵領域的快速進展。