登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《芯片制造商正在提高产量以解决半导体短缺的问题，这就是需要时间的原因》

  • 来源专题：集成电路
  • 编译者： Lightfeng
  • 发布时间：2021-03-27

  • 为了满足当前全球芯片短缺期间不断增长的需求，半导体行业正在大幅提高其晶圆厂产能利用率，但是提高半导体容量利用率需要时间。

    当市场需求高涨时，前端半导体制造设施或晶圆厂的产能利用率通常会超过80％，而某些个别晶圆厂的产能利用率可能会高达90-100％。在过去两年中，行业一直在稳步提高整体晶圆厂利用率，预计在2021年利用率将进一步提高以满足生产需求。更高的晶圆厂利用率将增加芯片产量，使整个行业可以满足市场不断增长的需求。

    不幸的是，增加半导体容量利用率需要时间，因为半导体的生产极其复杂。制造芯片是地球上最耗费资金和时间的制造过程之一。制造过程非常复杂，需要高度专业化的经验和设备才能实现所需的精度。仅半导体晶片的整体制造中就可以有多达1400个处理步骤。而且每个过程步骤通常都涉及使用各种高度复杂的工具和机器。简而言之，制造半导体非常困难，因此需要时间。目前半导体行业正尽一切可能在短期内提高利用率并满足汽车行业乃至所有客户的需求。

    调研显示，晶圆厂为客户制造成品芯片可能需要长达26周的时间。原因是制造完成的半导体晶圆的周期时间平均大约需要12周，而先进工艺则可能需要14-20周。要完善芯片的制造工艺以提高产量和产量需要花费更多的时间，大约24周。然后，一旦制造过程完成，硅片上的半导体就需要经过最后一个生产阶段，称为后端组装，测试和封装（ATP），ATP可能需要另外6周才能完成，然后再将芯片最终制成并准备好交付给终端客户。因此，从客户下订单到收到最终产品的交货时间可能需要26周。

    半导体行业在复杂的供应链中拥有丰富的经验，可以成功地应对当前需求的挑战。例如，除了提高利用率，提高产量和产量外，半导体公司还建立了指挥中心，以协助客户解决紧急情况，并与客户紧密合作以确保不加倍订购。

    从长远来看，全球晶圆厂的总产能会实现增加，以满足芯片的长期增长需求。因此，全球半导体行业正计划通过制造和研发方面的投资达以刺激行业的发展，来满足未来几年市场的增长。

    为了帮助确保美国在未来拥有更多的芯片创新和生产份额，SIA和包括汽车、医疗设备行业在内的其他商业领袖联盟呼吁拜登总统和国会，大胆投资美国国内半导体制造，以及采取积极措施和实施研究计划。这样做将有利于美国的经济、国家安全，确保其技术处于领先地位和半导体供应链更具弹性。

224浏览量
原文链接
相关报告

  • 《利用机器学习提高成熟半导体制造产能》
    • 来源专题：集成电路
    • 编译者：李衍
    • 发布时间：2022-11-04
    •     全球半导体行业在过去几年经历了强劲的增长期，伴随着新冠疫情对半导体需求的影响。半导体需求本来就很强劲，因为半导体在家用电器、汽车、消费电子产品等日常设备上的应用持续增加。新冠疫情进一步推高了需要半导体的产品的需求水平。尽管如此，疫情也导致全球半导体制造生态系统在恢复正常运营之前的几个月里缓慢发展。自那以后，该行业一直在努力追赶。     半导体行业历来是一个周期性行业，有好有坏，因此，该行业对产能过剩变得更加谨慎。随着疫情的蔓延，半导体需求以前所未有的速度猛增，当时没有（而且仍然没有）足够的能力制造足够的芯片来满足需求。许多晶圆厂和IDM（集成设备制造商）正在建设新的制造厂（fab），但这些工厂需要数年才能投入使用，所有现有的成熟fab都已经全天候运行。该行业需要寻找其他方法来在短期内增加产能。实现这一目标的一种方法是将机器学习（ML）应用于当前的制造过程。    在过去几年中，工业4.0一直是制造商关注的重点，各组织收集和存储了大量的制造和产品数据，以通过分析这些数据来提高产量和质量等关键性能指标（KPI）。ML是一种利用所有收集的工具和产品数据的优秀技术，而不需要额外的基础设施，这可能会降低采用速度或提高实施成本。     ML模型可以通过提供单个工艺步骤产生的关键测量的实时预测，对半导体代工厂或IDM非常有益。工艺工程师和技术人员花费大量时间监控工艺设备，以确保其正常运行，然后将一定比例的产品发送至物理计量工具，以验证工艺步骤结果。从历史上看，在每个工艺步骤中评估每个晶片是不现实的，因为计量工具的操作需要花费时间和金钱。制造厂还必须确信计量采样率能够识别制造过程中可能影响产品产量或质量的偏差或异常。ML可以通过同时降低物理计量采样率（节省资金和时间），同时为每个单个制造零件提供完整的覆盖范围（验证工艺步骤是否按预期执行）来改变这种动态。     ML可以通过将“虚拟计量”应用于任何工艺步骤（如蚀刻、光刻或CMP）来实现这一点。假设ML算法（或模型）是精心设计和实现的，它可以与工厂车间的工艺设备在线实时运行。利用制造厂MES（制造执行系统）和SPC（统计过程控制）系统已经收集的数据，ML模型可以随时获得计算和预测正在制造的产品的任何计量测量结果所需的所有数据。通过专注于预测各个流程步骤的结果，ML模型不需要也不依赖于复杂的大数据分析基础设施。正确架构的ML模型可以是不可知的，并且可以与工厂内的任何现有环境互补，使它们相对快速且易于实现。以这种方式实施虚拟计量的好处是，由于所有产品都通过虚拟计量进行验证，因此物理计量与100%的工艺步骤质量可视性相结合，大大减少了采样。     此外，由于ML模型预测100%产品的计量结果，因此也可以更快地识别偏差，因为ML模型与工艺步骤在线实时运行。在极少数重大偏移的情况下，快速识别这些偏移而不是等待数小时甚至数天才能检测，可以显著降低成本，避免报废不良晶片以及在偏移检测之前生产的产品上花费的不必要的制造时间和材料。为虚拟计量实施ML模型的最终好处是减少了工程师在监测设备和查找异常根源方面花费的时间和精力。
    213浏览量
    原文链接

  • 《一场制造革命，正在半导体领域徐徐上演》
    • 来源专题：数控机床与工业机器人
    • 编译者：icad
    • 发布时间：2021-03-21
    • 自德州仪器工程师Jack Kilby在1958年发明集成电路以来，这个新产业在过去几十年里飞速发展，并逐渐走进了各个领域。因为其关系到国计民生的方方面面，这个“小东西”在近几年受到了全球的高度关注。尤其是近几年，因为缺货风波和地缘政治的影响，半导体的地位变得前所未有的重要。　 然而，作为全球最大的半导体消耗国，我国在半导体领域却没有获得相应的地位。　 据彭博社统计，2020年，中国大陆的芯片进口额攀升至近3800亿美元，约占国内进口总额的18%。知名分析机构IC Insights的数据则显示，2020年，中国大陆的集成电路市场增至1434亿美元，然而其中仅有15.9%是由中国大陆生产的。如果仅统计总部位于中国大陆的公司的产值，则只有83亿美元，仅占中国2020年IC市场总量的5.9％。 由此可见，大力发展国内的芯片产业迫在眉睫。 中国从各个地区进口芯片的统计（source:彭博社） 作为一个坐拥全球最完整供应链的国家，中国在集成电路的设计、生产、封测、测试、材料和装备方面都有布局，但我们并没有获得相应的集成电路成绩。这一方面固然与我国上述领域都存在短板有关。更重要的是，在行业专家看来，缺乏以市场最优的成本、按时足量地生产出稳定、高品质半导体产品的能力，是中国半导体难以生产出具有市场竞争力产品的命门。 复杂的半导体制造 在集成电路产业链中，半导体制造是最重要的一环，是把设计落地、迈出走向应用的关键一步，但这又是极其复杂的一环。据相关资料显示，要制造一颗芯片，需要涉及到五十多个行业，2000-5000道工序。如下图所示，晶圆代工厂里繁复的制造步骤下每一个环节都给芯片制造厂商带来了巨大的挑战。 芯片的主要制造步骤（source：西南电子） 以芯片制造中的CMP（化学机械抛光）为例，这是一项用于去除沉积金属或介质材料并平坦化晶圆表面的技术，是晶圆生产中的关键制程。这个概念看似简单，但在实际生产中，CMP要同时满足材料去除的均匀性、更高生产效率和更低成本的严苛要求，这就使其复杂程度大增。 CMP机台构造和工作原理（sourse：未来智库） 相关资料显示，CMP制程中会出现沟槽深度、金属膜厚波动等几十种缺陷，这些异常对产品电性参数和良率产生极大的影响。其中，膜厚的稳定对制程来说尤为重要。 统计显示，CMP膜厚异常、缺陷与包括前程工艺、本制程的设备与制程参数、甚至材料批次等生产过程中涉及的多种复杂因素有关。在如此海量的因子影响并且相互关联的情况下，工程师无法通过过去的工具和技术很好地单独分析出实际的影响因子，提升良率，保证工艺的稳定和产品的质量。 良率决定竞争力 行业专家同时也指出，提高生产良率，将直接影响和优化生产周期，极大降低生产成本，从而强化产品以及企业的市场竞争力。而随着半导体制造生产流程和工艺越来越复杂，制造过程也越来越具有挑战，良率提升变得异常困难。从相关分析看来，造成这种困难的主要原因有以下几点： 1.制程工序复杂。产品需要经过几百道复杂的工序加工，每个工序都要求几乎100%的良率，否则，良率乘积关系会迅速破坏整体良率； 2.制程高度重入。产品需要多次重复进入相同的制程进行加工，每次都将面临渐进偏移（Shift）或突变漂移（Drift）等变异现象，品质问题的根源在于高变异； 3.品质实时控制难。良率故障只能通过抽检检测发现。检测本身的滞后性和抽检的概率性，严重影响品质数据的实时获得，进而影响品质的实时控制； 受限于技术，这其实是过去多年来困扰行业的一个难题，但进入最近几年，从业者似乎已经找到了一个新的答案——那就是工业互联网。 工业互联网助力升级 根据工业和信息化部工业互联网专项工作组印发《工业互联网创新发展行动计划（2021-2023年）》，所谓工业互联网，是新一代信息通信技术与工业经济深度融合的全新工业生态、关键基础设施和新型应用模式。它以网络为基础、平台为中枢、数据为要素、安全为保障，通过对人、机、物全面连接，变革传统制造模式、生产组织方式和产业形态，构建起全要素、全产业链、全价值链全面连接的新型工业生产制造和服务体系，对支撑制造强国和网络强国建设，提升产业链现代化水平，推动经济高质量发展和构建新发展格局，都具有十分重要的意义。 国内领先的高端制造业工业互联网公司——格创东智科技有限公司指出，将工业互联网技术、模式等与各行业的生产实践、行业特性、知识经验紧密结合，可以解决生产痛点问题，为生产带来真正的价值。其中，半导体制造正是他们聚焦的一个方向。 还是以半导体制造中的CMP为例。其实要控制生产变异，提升半导体制造的良率，就要做到三点：第一，需要在生产过程中获得全面的数据，监控生产环境；第二，还需要获得品质全检数据，进而监控生产品质参数的变异性；第三，能实现实时工程过程反馈和控制，保障生产系统的波动处于稳定的最优受控状态也是关键。 换而言之，就是形成一个全面实时数据分析和工程过程控制（Engineering Process Control，EPC）的品质控制闭环，通过持续地调整和优化操作变量来补偿生产变异对制程所造成的干扰与影响，保持输出产品品质的稳定。 “这三点就构成了基于工业互联网的 R2R 批间控制（Run to Run Control，简称 R2R）方案的核心架构（详细架构见下图）。”格创东智强调。 方案总架构 格创东智继续指出，工业互联网能广泛连接各种半导体生产要素，全面获得、存储、管理和分析与品质相关的实时数据，解决数据缺失问题；而虚拟量测（Virtual Metrology，VM）通过人工智能算法对大量生产品质相关数据进行学习，利用抽检数据不断的修正和优化，取得品质关键指标与制程数据之间的关系预测模型，从而对生产品质进行预测，以数字化方式“实时”提供全检“量测”数据。 至于R2R 智能控制器，则结合了统计过程控制（Statistical Process Control，SPC）和先进过程控制（Advance Process Control，APC）的优点，在全面生产要素数据和虚拟量测全检数据的驱动下，将反馈机制与前馈机制加入统计过程控制，根据前几批生产环境数据、量测数据以及生产数据来优化和调整生产设备上的制程参数，从而消除或减少环境、设备、制程参数的突变漂移、渐进偏移等生产变异现象对半导体产品品质所造成的影响，降低操作失误，达到提高产品品质的目的。 国内某晶圆厂的R2R具体实施计划和步骤 据格创东智介绍，他们在国内某晶圆厂中部署了其R2R方案，让客户产能、良率都获得了明显的提升，人力成本也同步下降。与此同时，借助其数据分析算法等多方面的能力，格创东智帮助客户的工作人员提升了数据分析能力与速度，还帮助企业培养了多因子分析师。这都是客户未来不可多得的财富。 　　 某晶圆厂R2R系统实施流程再造 格创东智以该晶圆厂某产品Cu CMP制程改造前后的效果为例，说明了他们这个方案的价值。 他们指出，在他们系统上线后，100% OOS（out of specification）异常样品可以通过系统找出根因进行参数调整，75%以上OOC（out of control）异常样品可以找出根因进行参数调整。而膜厚预测准确率>98%，平均值预测误差<1%，模型启用有效比100%。此外，产品实现系统自动对制程设备参数监控及修正，通过将制程数据和量测数据导入到R2R计算模型中，R2R系统计算的准确提高超过10%，性能优化明显。 2021年SEMICON China格创东智展位位于N2馆No. 2703 2020年底，格创东智携半导体制造R2R极致品质控制解决方案参加第二届中国工业互联网大赛，在1457个参赛团队中脱颖而出，获得全国二等奖。能在半导体制造领域获得如此优越表现，这与格创东智过去几年在工业物联网领域的积累密不可分。 用智能平台赋能更多行业 格创东智是一家由TCL战略孵化的企业，汇聚了业界顶尖人才1000+人，覆盖云计算、大数据、物联网、人工智能等领域。依托TCL40年的多场景生产制造经验和优秀的人才，格创东智自主研发丰富的产品家族——囊括多个核心能力平台和应用，为晶圆制造、先进显示、3C电子、新能源制造、钢铁制造、机械、医药、石化、装备制造、飞机制造、冶金等30+个行业提供服务。 凭借出色的实力，格创东智在过去三年里服务了不少头部客户，东智工业应用智能平台是其主要抓手。 东智工业应用智能平台架构图 东智工业应用智能平台致力于提供面向工业现场设备的数据采集、数据分析和智能应用等一站式的制造业数字化解决方案。东智工业应用智能平台作为一个创新的赋能中台，可调用四大核心能力平台：IoT平台、大数据平台、AI平台、技术中台，帮助用户快速构建设备健康管理、设备预测性维护、产品质量分析及改善、AI视觉检测、供应链优化等丰富的工业应用。 从格创东智提供的资料我们可以看到，东智IoT平台提供一站式数据采集、设备对接、数据存储、数据管理、数据展示及数据分析功能，帮助企业实现对工厂内外设备的实时监控和运维工作，降低设备异常停机时间，提升工厂运营效率。 东智IoT平台架构 东智大数据平台是一个综合型数据能力平台，能从后台及业务中台将数据汇入，进行数据的共享融合、组织处理、建模分析、管理治理和服务应用，统一数据标准口径，以API的方式提供服务。这样不但能让数据业务化，避免“数据孤岛”的出现，提升业务效率，更好地驱动业务发展和创新。同时还可以加速从数据导数据资产的价值转变，让决策模式由“经验驱动”向“分析驱动”转变。 东智MFA多因子分析建模工具，能够快速确定生产异常根因，在某液晶面板厂应用效果显著：将液晶面板的不良品单位从批次缩小为单片。单厂年经济效益提升数百万。 东智大数据平台 东智AI平台则是基于深度学习算法的大数据应用平台，涵盖模型训练平台、资源调度平台和推理平台三大模块，实现算法模型自主学习、面向客户的应用管理和硬件资源的合理调配。 基于东智AI平台开发的视觉缺陷识别系统，AI识别速度提升5-10倍，准确率从人眼的85%提升到90%以上；替代50%以上的人力，实现超千万每年的经济效益。 　 东智AI平台 基于上述平台和中台，格创东智能提供品质工艺优化、设备健康管理、能源管理优化、机器视觉检测、生产运营优化和供应链优化等服务，以设备健康管理为例，某机械加工企业订阅东智设备健康管理EHM不同功能套件，满足其对设备管理的全场景需求，实现设备智能诊断、维护保养、预测维护、远程维护、备件预测等。通过部署东智EHM，该企业生产产值提升3%-5%，设备异常停机时间降低10%-20%，设备维护成本降低10%-15%。 基于在实践中不断积累的ITxOT融合能力，格创东智还为客户提供数字化工厂咨询和智能装备集成等支持。 工业软件国产化替代 2021年3月1日，作为行业领头羊之一的工业互联网企业，格创东智CEO何军受邀参加《工业互联网座谈会》，与工信部领导、其它领军企业代表一起为行业发展建言献策。在发言中，何军谈到目前工业互联网行业的挑战之一是补链，也就是完成高端装备国产化替代；另一个挑战则是高端产线装备要实现软硬件系统集成。“因此企业要加大自研力度，打造专属的设备研发制作机构，解决硬件”卡脖子“问题；坚定走国产化替代道路，解决软件”卡脖子“问题。”何军强调。 对格创东智而言，如果按照上述的方式继续走下去，那么他们既定的成为工业互联网界的“谷歌”和打磨让中国人自豪的工业软件的目标将指日可待。
    274浏览量
    原文链接