AI与机器学习对於半导体产业来说,其重要性究竟在哪里,又将如何改变半导体产业?CTIMES特别为读者专访了KLA 资深??总裁暨行销长 Oreste Donzella,探讨AI对於半导体产业所能带来的改变。
![半导体架构的不断发展和新材料的兴起,对於将机器学习用於预测元件性能和良率将提出了一项重大挑战。](/news/2019/04/15/1823365730S.jpg) |
半导体架构的不断发展和新材料的兴起,对於将机器学习用於预测元件性能和良率将提出了一项重大挑战。 |
机器学习对於半导体工业的重要性是什麽?机器学习如何协助制程优化?
机器学习对於半导体工业的发展至关重要。随着公差范围变得极窄,先进的半导体制造商需要利用来源於制程和制程控制设备的所有资料,从而优化制程窗囗并加速良率提升。图案叠对控制就是一个很好的例子,因其将设计、晶圆和制程的资料相结合并用以减少残馀叠对误差,并因此达到设计和制程公差的要求。此外,从300mm晶圆厂开始,所有晶圆厂设备中都安装了多个传感器,所采集的信号用於构建机器学习模型,以做出良率预期并优化生产率。
在采用新材料和诸如3D NAND这样的新技术时,应该如何保证AI和机器学习的准确性?
半导体架构的不断发展和新材料的兴起,对於将机器学习用於预测元件性能和良率将提出了一项重大挑战。这其中除了3D NAND之外,还包括先进逻辑、多种图案技术等。为了确保准确性,机器学习的模型必须稳定,并且对其开发必须采用足够的相关资料。
随着机器学习的使用,我们正在放弃人类控制事物的能力。因为每个循环中的设计都不尽相同,这会在重复模拟或循环间相关性分析中引起变化和不确定性吗?
这完全取决於模型的稳固性。事实上,机器学习能够协助发现那些会在传统的采用严格管制界限的统计跟?中漏网的趋势和偏移。除了构建稳固的模型外,制程工程师还必须确保根据已知的制程或设计变化对模型作出调整。
随着IC设计和制造的复杂性日益增加,机器学习如何协助客户实现良率提升和成本节约?
半导体制造商在开发新技术和加速良率和产量提升方面正面对着重大挑战。机器学习技术基於极大数量的相关资料,因而可以帮助优化生产力,并且加速良率提升以及降低总体成本。
主要的半导体客户是否已经广泛采用机器学习?亦或它只是用於某些先进制程步骤?
半导体客户已经开始将机器学习用於量产良率、量产优化和制程控制 - 而这仅仅是开始。随着工厂设备产生更多相关资料,模型也日益精确。我预计这种趋势在未来几年会加强。
您能否就KLA在机器学习方面的进展分享一些见解?
KLA使用机器学习已经有很长一段时间了。设备模拟中采用机器学习技术,用於光学CD模型和程式设置。自动化缺陷分类功能中也采用了机器学习,目前该功能在我们大多数先进的检测和检视产品都可供选用。我们也开始开发用於缺陷检测中的机器学习 - 不仅仅是分类 - 利用对半导体图像处理中的进展。我们的新一代检测平台中将提供这些新的演算法。