本文讨论了机器学习的关系(ML)和半导体制造业,特别是ML算法和模型的应用在半导体制造过程。
图片来源:Gorodenkoff / Shutterstock.com
毫升半导体制造业的重要性
近年来,显著提高毫升影响了几个字段除了计算机科学,包括自主驾驶,结构性色彩设计,医学,人脸识别。亚博老虎机网登录
毫升的能力可以被利用来优化和自动化半导体制造过程和相关数据分析。几项研究已经进行开发和应用在半导体制造不同的ML算法和模型,包括故障检测、设备生产、流程优化,以及晶片检测。
监督歧视毫升模型通常从经验中学习可以提高未来半导体设计和制造效率由于足够的可用性已标示历史数据从现有的半导体制造过程。
例如,多层感知器(MLP)分类器模型可以确定签署模式从失败中地图自动执行后处理对校正消除人为干预的需要在模具上墨死筛查。
同样,监督生成毫升模型通常用来代替手工设计改进的可制造性。例如,条件生成对抗网络(CGAN)基于WellGAN可用于布局设计阶段生成布局模拟和混合信号(AMS)电路自动取代手工设计。
CGAN也可以应用在光刻等制造过程有效地模型三维(3 d)航拍图像和抗拒模式基于给定的掩模模式显著提高生产效率。
毫升在半导体制造中的应用
产量预测和分析
预测产品产量和理解过程参数对产生的影响是至关重要的半导体制造,产品产量的下降和工艺参数的变化是彼此相关的。监督区别的ML算法如回归和卷积神经网络(CNN)等模式识别可以自动识别的相互关系。
例如,多元自适应回归样条函数(火星)和遗传算法(GA)二十三特性可以有效地应用于估计生产产量在不同设计一代和制造过程,从而显著减少所需的制造或模拟数据的数量。
检测生产过程远足
早期发现挤出过程是至关重要的,以避免大量废和测试成本和潜在的质量问题。无监督生成ML算法如氮化镓或autoencoder热点检查和异常模式识别可以使用基于探针的偏移检测晶片地图数据和过程的工具。
简化生产流程
无人监督的ML算法也可以用于优化生产测试流程,如使包消除老化(BI),确定“高风险”材料和寄给BI压力。亚博网站下载例如,基于聚类(KBC)算法,一种无监督学习,可以识别潜在的集群缺陷基于晶片探针测试数据和发送包BI的风险死。
提高可制造性设计(DFM)工具
毫升,特别是深层神经网络(款),可以用来改进和自动化DFM工具和跳棋考虑所有关键指标和关键输入。一款可以训练预测潜在设计失效/违规。
输入包括以前的客户质量投诉(CQC)数据库信息,收益率标准,技术金属选项,物理集成,设计规则检查(drc)。评分准则,每一个要求和通过/失败标准与相应的优化目标还可以用作输入。
神经网络的决策可以被解释为确定关键设计/布局特性与预测失败/违规。关键特性可以发现基于输出的高敏感性决定和提供反馈的测试/设计过程。
其他毫升应用程序
差分进化(DE)算法和款可以用来增加晶片生产率提高投资回报率(RoI),考虑到晶片的销售价格和成本优化的因素和投资回报率作为优化目标。
自动缺陷分类(ADC)系统使用扫描电子显微镜图像作为输入可以用来分类和识别晶圆表面缺陷。系统可以有效地执行检测使用CNN模型而无需人工干预。
同样,基于CNN转移学习方法可以用于晶圆缺陷分类显著降低毫升计算的成本。研究表明,该方法可以分类缺陷图像与更大的准确性。
不准确的晶片通过/失败测试可以影响整个半导体制造。毫升可以用来预测和减少处理故障。例如,一个深刻的信念网络(DBN)的multi-classifier可以自动评估过程的晶圆测试通过收集来自传感器的信号,然后有效地预测故障检测。
结论和未来的前景
总结,ML算法可以有效地使用在一些地区的半导体制造业自动化和优化。然而,还需要更多的研究来解决几毫升的应用现有的挑战。
例如,所需的训练数据建立有效的一般毫升模型往往是不够的。毫升的泛化程度的目标必须匹配训练数据的大小。此外,所有训练数据中的例子必须始终代表之间的隐藏关系目标和输入。
从AZoM:区块链技术半导体供应链更好的计划吗?
引用和进一步阅读
刘,D。徐,L。林,X。魏,X。Yu, W。王,Y。、魏、z (2022年)。为半导体机器学习。芯片1(4),100033年。https://doi.org/10.1016/j.chip.2022.100033
他。胡锦涛,h。李,p。(2021年)。在半导体制造和测试应用机器学习(邀请报告)。2021第五届IEEE电子设备技术&制造会议(EDTM)。https://web.ece.ucsb.edu/唇/出版/ MLSemiManufacturingTestIEEE-EDTM2021.pd
免责声明:这里的观点是作者表达他们的私人能力,不一定代表AZoM.com T /有限的观点AZoNetwork这个网站的所有者和经营者。这个声明的一部分条款和条件本网站的使用。