人工智能正在以两种方式影响半导体行业的发展，第一种方式是培养对人工智能新兴技术的需求，从而创造新的市场机会；例如，商汤科技专注于提供面部识别、视频分析和自动驾驶技术，销售增长率增幅巨大且逐渐增加。第二种方式是改进半导体的设计与制造过程。人工智能可以将机器学习、神经网络等算法应用到晶圆缺陷检测与分类、光学量测、芯片制造与建模、光刻胶轮廓预测、半导体生产结果预测、晶圆过程控制与监控等过程。我们将会重点关注半导体在设计与制造两个过程中人工智能的应用。
AI在半导体中应用的价值
人工智能技术的运用与变革为半导体行业带来了新的成长机遇，引发了新的创新浪潮，鼓励半导体公司突破新的技术结点，对芯片的生产技术产生巨大的影响。随着人工智能在半导体行业中的应用，通过节约成本、缩短产品上市时间、提高企业运作效率以及产品质量，半导体行业将实现新的盈利增长点。
人工智能简化半导体部分环节，促进成本降低
由于半导体市场竞争日益激烈，为了保持竞争力并扩大市场份额，半导体公司需要不断尝试积极追求创新以保持企业竞争力。在这一趋势之下，半导体芯片的性能不断的被提升，但这也增加了半导体生产过程中的许多费用。而人工智能在芯片设计、验证和制造环节的应用有效地降低了各个环节中不必要的成本消耗。半导体的制造是半导体企业最大的成本组成部分，通过应用人工智能，可以有效地帮助半导体企业降低生产制造成本。将AI应用于芯片制造各个阶段，实现自动化，能够有效精简测试步骤、减轻繁琐任务量，有效提高晶圆的制造精度，掌握晶圆最佳处理时间，提高制造效率，提高收益率从而降低成本。
人工智能的应用缩短了半导体芯片上市周期，提高产业运作效率：
半导体的设计和制造是一个复杂的过程，每一个环节都会生成大量的数据，而传统的数据分析方法无法满足于分析这些复杂数据的需求，但是使用基于人工智能的机器学习方法，可以帮助半导体公司快速分析大量的制造和设计中的复杂数据，利用算法和储存基础架构查找出复杂数据中的模式，找出数据之中的内在联系；同时，AI可以通过缩短芯片生产处理的时间，将其嵌入芯片生产的生产周期的流程之中。例如，半导体公司可以使用工具参数，使用机器学习模型捕获非线性的工艺时间和结果之间的关系（如：烘烤温度，光刻强度）。这样可以实现在每个芯片或者每个批次上的最佳处理时间，提高半导体公司在芯片设计和制造方面的生产力，缩短整体的加工时间，加速现有的产品生产和操作流程，缩短产品的上市时间；同时，在人工智能的帮助下，半导体公司可以实现在不增加设备的情况下，增加芯片产量。例如在不同的生产环节上，人工智能可以通过机器学习算法来确定最佳的生产步骤，提高生产效率。同时人工智能有效结合不同的专业知识和技能，在不需要实现人工操作的情况下，应对复杂的制造环节，维持机器进行持续的高效的运作，提高半导体产业的运作效率。
AI促使半导体行业的增长点
来源：德勤优化半导体产品，提高良率
人工智能可以为半导体制造业提供产品缺陷检测、溯源等优化系统，现有较为成熟的产品如光伏电池缺陷检测系统、溯源系统以及晶圆切片工艺良品率优化系统等。过去半导体产业已经在生产环节布设了足够的传感器，将图片、视频等信息传输至电脑，由人工翻阅图片，然后筛选出不合格品；而人工智能，基于图像识别技术，可以在生产链末端筛选出不合格产品，替代人工筛查，通过人工智能算法，不仅能够识别出在生产过程中的产品缺陷，提供解决方案，同时也可以利用AI建立模型，预测未来生产中的缺陷进行预测，提高良率。
随着半导体企业逐渐提高芯片研发和制造水平，加快上市时间，在未来的三到五年内，人工智能每年可以为半导体公司增提高缺陷检测的效率和精度；缺陷溯源功能则更进一步，对半导体生产线上的各种参数进行管理，根据历史生产数据建立模型，找出与良率相关的关键参数，形成关系模型，并对每个产品提供最优的参数，从源头提升良品率。加10亿美元利润，是极为重要的组成部分。因此，未来五年，人工智能将成为半导体新动力源。人工智能可以为半导体行业从最初的研发到最终的销售带来巨大的商业价值，其中最大的商业价值是在研发和制造环节，尤其是制造环节，下面一章将会详细讲述在这两个环节中的具体应用。
提高缺陷检测的效率和精度；缺陷溯源功能则更进一步，对半导体生产线上的各种参数进行管理，根据历史生产数据建立模型，找出与良率相关的关键参数，形成关系模型，并对每个产品提供最优的参数，从源头提升良品率。
AI在半导体设计与制造的应用场景
在芯片的研究和设计环节中，人工智能的应用可以帮助半导体公司优化投资组合，将耗时的工作实现自动化，并提升在芯片设计和制造环节的效率。通过芯片自动化验证以及芯片设计优化，半导体公司可以避免芯片在设计和研发流程中时间的浪费，在制造环节中加速产量的提升，降低维持产量所需要的成本。虽然AI技术无法渗透进入芯片设计和制造的每一个环节，但目前的部分应用已经能够通过节约大量的研发成本的成果中展现出机器学习和人工智能的优势。
AI在芯片研发制造中的应用
来源：德勤- 设计环节
通过芯片自动化验证实现故障的高效预测
半导体在部件生产过程中很容易出现故障，而人工智能通过部署机器学习的算法来识别半导体组成部件故障的模式，预测在半导体设计阶段中可能出现的故障，并分析出最佳的组件布局；在人工智能分析的支持下，集成电路的设计被拆解成为不同的组件，基于现有的集成电路设计，AI通过比较不同集成电路组件的结构以定位单个微芯片在布局中出现故障的位置。因此在人工智能和机器学习的辅助下，自动验证集成电路设计可以显着降低销货成本，提高终端产量并缩短新产品进入市场的时间。
优化集成电路设计，满足设计复杂性需求
现代对集成电路的设计复杂性需求一直在不断提升，规则也一直在改变。传统的方法下，在半导体的设计阶段，需要大量的工程师和软件资源来不断去调试和优化在设计过程中的各种问题，因此设计时间和成本居高不下。通常，在集成电路生产的阶段对其进行故障维修需要耗费大量的时间和成本，将AI技术应用在集成电路生产阶段之前，也就是在投入大量维修时间较长的生产之前，基于机器学习和计算机视觉的人工智能系统可以在设计集成电路时不断优化，在电路设计环节中自动识别电路设计中影响电路成品率的因素，在设计阶段就能够确定产量减损因素可以节省投入的工程资源和成本，计算机视觉也可以通过识别集成电路设计中的系统成品率降低因素，并对设计进行优化，提高功率、性能和面积（PPA）指标，从而提高芯片设计团队的吞吐量。
- 制造环节
制造环节是人工智能应用场景中最具潜力的区域，制造成本也是半导体公司支出的最大部分。人工智能化的制造技术通常是在现代传感技术、网络技术、自动化技术、拟人化技术等先进技术的基础上，通过智能化的感知、人机交互、机器学习、决策和执行技术，实现制造过程和制造设备智能化，是信息技术和智能技术与装备制造过程技术的深度融合和继承。通过将人工智能嵌入到生产制造的各个环节，优化半导体制造各流程环节的效率，通过采集各类生产数据，再借助深度学习算法建立的模型，可以极大程度地提高生产效率和质量，帮助半导体制造公司降低制造成本。
半导体芯片的自动缺陷检测：
在复杂且昂贵的半导体芯片制造过程中，对芯片缺陷的检查和分类至关重要。传统半导体企业对芯片缺陷的检查是通过人工的方式，人工缺陷分类成本高，且准确度低；除此之外，人工检测无法感知一些隐藏的芯片的缺陷问题。通过人工智能的应用，机器学习和计算机视觉可以对缺陷进行分类，通过及时预测芯片质量可能出现的问题并发出警报，可以有效防止制造偏差和芯片质量问题。通过利用显微镜下的高分辨率图像来训练计算机自动缺陷分类算法，并通过持续收集相关数据，可以通过机器学习不断建立模型、优化模型来促进自动识别缺陷的分类算法改进，从而提高结果的一致性和准确性。
预测维护机器设备：
半导体的制造工艺中，需要数百个极其复杂且昂贵的机器设备运转，以保证半导体的制造质量和产量。而若是在机器运作环节中出现未知的、不可预测的故障，就会导致设备停止运行、半导体生产线中断，导致生产损失，维护成本增加；因此，对于半导体的制造工艺来说，设备的日常维护和故障的修理至关重要；传统情况下，对设备的预防故障和日常维护是按照预定的时间间隔工作；通过引进人工智能技术，利用半导体芯片制造中产生的大量数据，如维护日志、传感器和制造设备相关数据，基于机器学习的预测维护算法，进行模型建立与拟合，预测机器可能会产生的故障，由于这些制造设备配备了许多机械零件，例如机械手臂，人工智能系统的听觉传感器可以通过监听设备的异常声音，发现出现磨损的零件和机械的故障；如AI通过深度学习的记录来储存机器设备日常活动的声音频率，并将声音频率转换为信号。当该设备出现异常的音高和频率时，AI传感器将发出警报；另一方面，人工智能系统借助收集，检查和分类的数据不断进行自身算法的训练和提升，通过不断预测、训练、拟合与评估，AI传感器对机械故障的预测和出现故障原因的检测就变得更准确更及时。从而实现对设备的健康状况实现实时监控，降低机器维护成本，延长机器使用寿命。
虚拟量测对在制品进行全面监控：
由于半导体制造工艺复杂性的不断增加，半导体企业在满足不断增加的制造复杂度的要求之下，需要努力去保证产品的质量，因此他们必须通过改善设备和过程控制以保持竞争力。和缺陷一样，量测也是晶圆制造过程中管理良率的重要组成部分；缺陷是通过对异常问题的监控来保障良率，量测是对生产结果及时检查，来确保制造过程中所有的生产步骤都符合公司预期，保障产品的有效性。目前普遍的做法是对产线上的产品进行抽检，在良率问题全覆盖以及生产周期之间寻找一个平衡点。实际很多情况下由于实际并不好操作，经常存在产品无法实际量测的情况。通过人工智能系统，利用制造设备的生产数据，根据其每个设备的物理特征数据，为其构建独特的预测模型，推测晶圆的质量，他作为一种虚拟量测方法，在减少了实际量测操作的情况下进一步通过虚拟量测，控制量测的技术进展与实施，保证了量测的精准度，减少了之前相应较为昂贵的量测设备成本，缩短结果等待时间，提高制造设备的吞吐量，提高量测的效率。除此之外，虚拟量测的预测结果可以解决由于设备问题而导致的晶圆缺陷问题，从而减少需要重新加工或者直接报废的晶圆的数量,进而提高半导体公司的产量和效率。
AI在半导体大规模应用的三要素
半导体公司逐渐增长的发展需求，公司需要分配足够的资源来进行AI的技术研发。人工智能技术在半导体生产线中的应用需要更多的时间来磨合，半导体行业中人工智能的渗透率仍然不是很高，人工智能技术在半导体行业中的应用还面临着许多的问题。目前的人工智能在半导体研发和制造中的应用无法进一步、更深入地帮助半导体公司解决实际问题，应从以下方面入手改善:
首先，战略上，随着AI深入应用，半导体行业竞争激烈，企业需要及时调整战略布局。
随着半导体行业竞争愈发激烈，需求一直在不断提升，半导体公司需要制定新的战略以保持自身的竞争力。也就是说，半导体公司需要规划出人工智能的特定领域，创造新的人工智能路线图。根据战略路线图中人工智能在不同环节的用例，根据其价值，可行性和时间价值，准确评估人工智能相关业务规模和重要性。根据这些指标确定好业务规划之后，半导体公司需要采取新的价值创造战略，根据不同的规划为人工智能分配不同的资源。
外部资源上，半导体公司要积极寻求其他行业的帮助，借助外部力量寻求为人工智能训练开发新技术，采购一些专为AI训练而设计的高性能器件；同时，半导体公司可以尽快加速自身的研发能力，寻求与其他公司合作，通过共享资源，如分享各自的算法或数据平台，形成全面配套研发和制造的生态圈，在资源上还能分摊成本、共享物流，降低成本；因此半导体公司找到潜在的合作伙伴，强化人工智能基础，促进合力协作；公司之间需要加强内部合作，共同享有人工智能团队，建立联合的数据共享平台。
内部资源上，公司可以在内部借助运营平台，多方向多形式的推动人工智能实现高阶创新；结合原有资源基础，合理分配，深入剖析，在发挥自身优势，确保资源最大化，同时为自己谋求可观、优质的市场份额。从而进一步实现人工智能化发展；在提高业绩和产量的同时，提高企业与行业的国际知名度。
- 加大资源投入
- 规划明确战略新目标
- 制定战略路线图
其次，人工智能发展迅速，行业中缺少懂半导体的AI人才
人工智能渗透在半导体公司的各个环节，从设计到制造都离不开人工智能技术的应用，逐渐走向深度学习的时代，人工智能领域的人才成为人工智能发展的核心，也成为半导体公司发展的新动能，因此人工智能领域的人才需求量急速增长，半导体行业正面临着巨大的人工智能人才的缺口的问题，政府和半导体企业都需要及时的调整策略以应对AI人才缺乏的问题。
企业方面，需要招揽新兴技术人才，促进人工智能成果产业化。半导体企业需要不断吸收人工智能和机器学习方面的新兴人才，以辅助开展企业在相关领域的技术研究和试验。与此同时，根据人工智能在半导体的不同应用方向，需要明确并细化人员分工以确保将每个技术人员职能的发挥。由于AI在半导体企业中的应用需要各个部门的协同，因此半导体企业可以通过训练、训练人工智能团队成为跨职能、多任务的团队，引入其他部门的人才进入人工智能团队，使之掌握企业内部项目的核心资源和包括但不限于人工智能领域以外所需的全部专业知识，减少人工智能团队对外部人员的依赖，辅助将不同人工智能的技术应用到公司的发展之中，从而将人工智能与半导体产业战略发展相联系，为各个职能部门应用AI带来动力。除此之外，半导体企业可以通过创办研究机构，与学校联合建立实验室培养人才。加强人工智能或半导体研究人员在高校和企业之间流动，鼓励创业创新，促进人工智能成果在半导体行业的转化和产业化。
政府方面，需要政府做好资源分配，助力人工智能经济增长。政府需要出台从人才培养、高端人才引进到优质人才都要提供完整的人才政策支持；同时，政府需要大力投资人工智能相关教育和项目，鼓励各地开设人工智能相关课程；推动跨学科如电子与人工智能的合作，为半导体行业的发展打好基础，吸引国际上人工智能、半导体行业人才在亚太地区的发展。
最后，人工智能在半导体行业应用过程中需要更多的技术支撑。
首先，人工智能应用的门槛较高，半导体制造业专业性强，集成电路的复杂性和定制化在半导体生产中的要求较高，所以半导体生产与制造的各个环节中都需要建立独立的人工智能系统来实现操作。正如前文所说，人工智能目前主要应用在自动化验证和预测性维护等易于复制和推广的领域，因此对于半导体各个环节中单个对应系统的程序设计的开发都需要一定的技术支持。
同时，因为人工智能往往需要依赖高质量的训练数据，以提升在半导体生产各个环节的工作效率和产品质量。半导体公司在发展公司内部的同时，需要通过获得大量实验数据支撑AI模型的训练，使得模型的准确度和效率提升。但是在数据搜集的过程中，半导体机器设备的原始数据无法直接使用，会存在大量的缺失值，错误值和异样样本。除此之外，一个训练集会存在多个数据源，可能存在格式不一致，冗余信息多，连接开销大的问题。同时，由于不同的环节所需要的数据不一样，各环节数据之间存在断层与分裂的问题，导致模型无法统一运作。所以目前为止，半导体生产设备所产生的大量数据无法直接且充分的被人工智能机器学习利用。
针对现存的数据问题，可以通过开发智能数据库解决。数据目录技术用于数据发现、管理和简化。由于芯片在测试、制造等阶段会不断产生大量的数据，在数据的处理过程中会消耗大量的时间，影响了半导体的生产效率。在半导体生产中运用智能数据库，高效地储存生产的数据集，去除冗余信息，提高机器学习算法的训练效率，同时可以帮助企业实现制造阶段数据搜索的各类智能操作，更好过滤、检测、处理不同的生产数据，并融合不同的数据帮助大规模的机器学习算法的训练。通过应用数据集成层，半导体公司可以将不同工具供应商的数据和用例结合起来，将复杂数据进行合并，做成信息简化，为大规模的机器学习提供有质量的数据源。
来源：是说芯语
失效分析交流
赵工
010-82825511-728
13488683602
zhaojh@kw.beijing.gov.cn
欢迎各公众号，媒体转载，申请加白名单秒通过
投稿/推广/合作/入群/赞助/转发 请加微信13488683602