《未来半导体设计和制造需要一套新剧本》

  • 来源专题:中国科学院文献情报制造与材料知识资源中心 | 领域情报网
  • 编译者: 冯瑞华
  • 发布时间:2019-04-02
  • 在技术发展面临瓶颈、终端需求多变和国际关系错综复杂等重因素影响下,高歌猛进十多年的半导体再度面临了新的“危机”。

    据SIA统计显示,2019年1月的全球半导体市场销售额比2017年1月减少5.7%,减少至355亿美金,创下了2016年7月以来30个月的首次负增长。而与2018年12月相比,所有国家和地区都陷入了负增长,其中美国同比减少13.0%,中国同比减少8.5%,日本同比减少4.7%,亚太及其他地区同比减少3.6%,欧洲同比减少1.5%。按照他们预测,今年半导体产业的情况大概率会持续走低。

    面对这样的现状,半导体企业该如何应对?在日前举办的Semicon China上,半导体行业观察采访了半导体设备全球领先供应商应用材料公司的总裁兼首席执行官 Gary Dickerson(盖瑞·狄克森),听他分享了对半导体行业的现状、挑战与机会的观点。

    摩尔定律放缓,新剧本带来新希望

    过去几十年,指导集成电路产业长达数十年发展的摩尔定律开始逐渐放缓,甚至有专家表示摩尔定律寿终正寝了。但与此同时,无论是人工智能应用、智能手机还是HPC,都需要极高性能的芯片和处理器。在这种矛盾的挑战下,Gary Dickerson指出,先进封装会是解决这些问题的其中一个好方法。

    “过去,我们通过2D的微缩就是可以实现整个晶体管的发展,但现在我们必须走向3D等先进封装,才能让性能进一步提升”,Gary Dickerson告诉半导体行业观察的记者。作为一个以材料工程著称的设备企业,Gary Dickerson表示,他们将会多个方面入手与产业界一起携手走进新时代。

    他指出,应用材料公司有专门的业务部门负责封装领域的研发,当中的关键点会是材料。这里的材料不仅涉及到材料分析和整合,新材料的研发也是另一个重要方向。据半导体行业观察了解,他们在这方面也取得了一些不错的进展。

    2018年,应用材料公司对外宣布20年来晶体管接触和互联的金属材料首度重大变革,可以在芯片中用“钴”导线取代“铜”导线,推动摩尔定律继续前进。按照他们的说法,在先进制程中,如何连接芯片中的晶体管就成为一个技术关键;另一方面,要在芯片上增加晶体管的数量,就要打造系统级的芯片封装,因此缩小导线就成为了迫切需求。但我们也应该看到,在缩小导线的过程中,会带来导线电阻增加、导电性能下降等困扰。为此应用材料公司就推动导电性能更好的“钴”对“铜”的替代。

    在2018年年底,应用材料公司还在纽约成立了一个材料工程技术推动中心(Materials Engineering Technology Accelerator, META 中心),为客户提供新的芯片制造材料和工艺技术的可行性,从而实现半导体性能、能耗和成本上的突破。

    “未来半导体设计和制造需要一套新剧本,包括新结构、新3D技术、新型材料、新微缩方式、以及先进封装技术,而材料工程是所有这些领域的基石,也是一切的发展核心所在”,Gary Dickerson强调。

    人工智能和大数据是未来的推动力,存储器长期看好

    除了技术以外,市场的不景气正在弥漫在半导体领域上空。

    正如前面所说,在很多分析机构看来,“不景气”会是2019年半导体行业的主旋律。这一方面是因为过去十年半导体产业的主要推手智能手机增速放缓,另一方面是供过于求的存储芯片的价格下滑给市场带来了预警,大家也对产业的未来发展表现了担忧。

    但Gary Dickerson告诉半导体行业观察记者,人工智能和大数据会成为半导体行业未来发展的重要推动力。Gary Dickerson表示,人工智能正在改变交通、零售、教育、农业和医疗等领域,这一方面带来了高性能处理器的需求, 如在AI芯片方面,不但需要更强的算力,在功耗方面也有严苛的要求。

    按照应用材料公司的预测,要能够释放AI的潜力需要每瓦计算性能提升1000倍,这依赖于现有的半导体技术是很难达到的。为此应用材料公司正在做更多的基础创新,从新材料、新架构和新封装等多个方面全面发力,为未来的AI芯片贡献力量。他们在去年与DARPA签订的一份合作开发可模仿人脑工作方面的智能电子开关的合约,希望通过突破经典摩尔定律限制,打造能够超越冯·诺依曼计算体系的创新,就是在这个领域的一次尝试。

    另一方面,数据也会成为半导体行业的一个推动力。

    Gary Dickerson在Semicon China的开幕主题演讲上指出,未来15年内终端设备的增加将带来数据生成的爆 炸式增长。在未来5年内,数据生成预计将增长5倍。这不但带来了数据的存储需求,数据的生成、处理、互联背后也是巨大的半导体机会。从Gary Dickerson的这个观点,我们也看到了他对存储未来的信心。

    Gary Dickerson表示,虽然较之过去几年,今年的存储产业比较不景气,但在与合作伙伴的多番交流之后,他们认为这股存储“逆风”是暂时的,在这股AI-大数据浪潮的推动下,他们对存储的未来长期看好。

    “人工智能和大数据是未来发展的两大核心基础,他们在未来创造的市场价值,是要用十万亿美元来去计算的。如此庞大的市场将会深入的影响到每个人的生活,而不仅仅是技术层面本身”,Gary Dickerson说。“只有通过各个企业以及所有国家的合作,我们才能真正的实现合力共赢,没有任何一个国家或者企业,在一个孤岛的环境下可以生存。应用材料公司作为业界当之无愧的领袖,我们必须要推动这一进程、加速与行业生态系统的合作”,他强调。

    这对于因为贸易摩擦而处于紧张阶段的中美半导体产业来说,是一个很好的信号。

  • 原文来源:http://www.xincailiao.com/news/news_detail.aspx?id=462001
相关报告
  • 《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。
  • 《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。