過去幾年，應用材料公司在探索半導體制造業的大數據分析方法上一直走在業界前列。除了贊助美國、亞洲和歐洲先進制程控制（APC）大會[1]等重要的相關技術會議，應用材料公司在此方面的工作還體現在《IEEE 半導體制造會刊》（IEEE Transactions in Semiconductor Manufacturing）[2] 等同行評審期刊上發表的相關論文。公司在瑞士曼迪匹艾（MDPI）的開放期刊 Processes 上發表的一篇此類文章，獲得了 2016 年和 2017 年度“最佳論文獎”[3]。該文探討了半導體制造業大數據分析的發展趨勢和機遇，并提供了相應的路線圖，闡述了如何采用分析技術為缺陷檢測到預防式維護等一系列應用提供支持。本文對這篇論文[4] 的要點予以介紹。
塑造智能制造分析技術的前景
智能制造（SM）一詞通常用于描述制造業這樣一種發展方向：供應鏈上下游整合，實體功能與線上功能整合，運用先進信息提高靈活性和適應能力。智能制造充分利用數據在數量、速度、多樣性、真實性（即數據質量分析技術）方面的巨大優勢，即利用通常所謂的“大數據”技術，通過大數據分析來改進現有分析功能并提供預測式分析等新功能。
圖 1 總結的這些改進功能和新功能屬于“先進工藝控制”（APC）擴展技術的一部分。
圖 1. APC 和 APC 擴展能力的定義。
半導體制造中設備和工藝分析技術的出現和發展，一定程度上是行業三大挑戰促成的結果。這些挑戰數十年來一直存在，并非是特定于智能制造或大數據革命時代才出現，但可以說是半導體制造業所獨有。半導體制造業面對的這三大挑戰是：（1）設備和工藝的復雜性，（2）工藝的動態性和背景豐富性，以及（3）在準確性和可用性方面表現不良的數據質量。
這些挑戰使人們意識到半導體行業的分析解決方案不能完全由數據驅動。機臺、工藝和分析領域的專門知識或學科專業知識（SME）也是大多數晶圓廠分析解決方案的關鍵組成部分。因此，在設計和運用半導體制造業工藝分析技術時要始終謹記這一點。實際上，SME 的運用機制通常按照數據收集、數據處理、參數選擇、模型構建、模型和臨界值優化以及解決方案部署和維護等方面來正式界定。
了解半導體制造分析技術的組成
過去十年中，分析方法呈爆炸式增長，許多利用大數據的分析方法已經形成。這些分析方法需要加以辨別和分類，其中一種方法就是對分析技術的能力維度進行界定，然后詳述或繪制出與這些維度相關的分析能力。圖 2 對與半導體制造業中的分析技術相關的維度進行了細分。
圖 2. 分析能力維度，將半導體制造業慣常采用的 APC 解決方案與這些維度相對應。（現象模型是體現工藝知識的實體模型形式；利用統計數據來調整或修改）
有了這些維度，對于一項分析應用或分析技術，就可以根據其能力在每個維度中的價值對其進行界定。例如，在多變量分析（MVA）、故障檢測（FD）和設備健康狀況監測（EHM）中經常使用的主成分分析（PCA）屬于無監督、應答式分析。多變量分析通常是靜態的、無狀態的，并不正式納入 SME。在分析應用方面，當今晶圓廠的故障檢測很大程度上是無監督、應答式、單變量、無狀態和以統計為基礎的，在故障檢測模型的開發階段會納入 SME。使用這些和其他維度來界定分析技術和分析應用，提供了一個可以明確能力差距、前進機會以及長期改進路線圖的框架。
半導體制造業 APC 應用的最新發展，體現了從應答式到預測式、甚至到主動式工廠控制的轉變[5]。這在很大程度上依賴于大數據爆炸，后者為更大容量和更長期的數據存檔提供支持，在一定程度上使預測式解決方案能夠破譯參數的多變量交互的復雜性，刻畫系統的動態性，抑制干擾并濾除數據質量問題。
在許多情況下，必須重寫這些解決方案中的算法，才能充分利用大數據解決方案賦予的并行計算能力來及時處理數據。此外還可以開發更適應大數據的新算法。例如，早期的預測式解決方案依賴于單核 CPU 和串行處理，但是隨著大數據時代的到來，偏最小二乘（PLS）和支持向量機（SVM）之類的算法就可用于服務器場的并行計算。同樣，自組織映射（SOM）和生成式拓撲映射（GTM）等無監督的數據探索技術也要經過重寫，以便處理大量數據，使用戶能夠快速獲得有用的分析結果。類似地，可以將諸如隱馬爾可夫模型（HMM）和粒子群優化之類耗時的統計技術重寫，以求大幅提高計算效率[6]。
但是，擁有眾多技術和大量數據并不一定會帶來更多有用的分析結果和更強的預測能力。筆者認為，沒有一種方法或方法組合是放之四海而皆準的。具體采用的方法需要根據手頭的數據，針對具體的應用進行定制。不論怎樣，我們相信 SME 將在解決方案的開發和維護中繼續發揮引導作用。
人工智能的崛起和新的大數據親和分析技術
人工智能（AI）一詞可用于描述能感知其環境并采取相應行動以實現目標的任何裝置或分析技術?，F今，這一術語通常指模仿人腦功能的裝置或分析技術概念，例如自動駕駛汽車應用中采用的裝置或技術[7]。人工神經網絡（ANN）就是這種分析技術的一個例子，這種 AI 分析技術數十年前就已出現，如今隨著大數據的發展演變而再度興起。例如，深度學習是一種非常類似于結構化 ANN 的技術，它利用分層抽象方法來提高大批量數據分析的質量和速度。
深度學習可用于解決大數據分析中的一些高維問題，包括從二維圖像（例如晶圓圖）中提取復雜模式。深度學習技術受益于數據量的增加，并使用數據驅動的監督學習技術來發現數據中的關系。這種技術的主要缺陷是相對來說在模型的開發和維護階段無法納入 SME[8]?，F有開發好的模型通常無法直接使用，因此很難評估，而半導體制造分析中涉及的背景豐富性和動態性使得深度學習技術無法利用大量的一致性數據。最近的研究工作集中在將 SME 與 AI 技術相結合，這種方法有望未來應用于生產車間[9]。
另一項受到重視的大數據分析能力是利用通常稱為“爬蟲”的解決方案來進行背景分析[10]。這類“爬蟲”應用程序在后臺挖掘數據，尋找相關的模式或分析結果，例如接近故障狀態的部件。然后，它們通過異步方式通知工廠控制系統等應用程序，以便采取適當的措施。該方法還能提高診斷和預測的重新配置能力。
展望未來：分析技術發展路線圖
隨著我們邁向智能制造，分析技術顯然將繼續發揮更大的作用以最大程度提高吞吐量并降低成本，同時實現高良率。大數據領域的進步，將推動這些分析技術快速發展，筆者相信目前取得的進展已經帶來了一些重要的研究發現，并且有助于最大限度地發揮這些分析技術的作用。
第一項重要發現是，業界正在尋求開發或增強的許多分析解決方案可以利用相同的模型開發（“靜態數據”）和模型執行 / 維護（“動態數據”）結構。例如，PdM 的六步模型開發過程（圖 3a 和 3b 作了總結）可用于虛擬量測甚至是良率預測。利用通用方法不僅可以節省提升這些技術所耗費的時間和精力，還使得制造商能交叉利用分析方法上不斷取得的進步成果。
第二項重要發現是智能制造將擴展這些分析技術的應用范圍。例如，將診斷、控制和預測的使用從晶圓廠內部擴展到供應鏈，這將有助于更好地把握客戶需求并增強解決現場良率等問題的能力。
第三項，也許是最重要的一個發現是，SME 將繼續在我們行業的分析技術應用中發揮重要作用。未來的應用千變萬化，但設備和工藝專業知識（SME）仍將是半導體制造分析解決方案的關鍵組成部分。
圖 3a. 利用 MVA 預測器及其元件的 PdM 方法，包括故障時間趨勢和以置信度或區間表示的預測結果。
圖 3b. PdM 方法，利用線下模型構建和優化來提供一種納入 SME 的機制，可用于實現多種 APC 預測能力。
如需閱讀英文原文，請訪問如下網址：
http://www.appliedmaterials.com/nanochip/nanochip-fab-solutions/july-2019/big-data-analytics-for-smart-manufacturing