智能制造的大数据分析.pdfVIP

智能制造的大数据分析

JamesMoyne，Jimmylskandar

设备和工艺方面的专业知识是半导体制造分析解决方案的关键组成部分。过去

几年，应用材料公司在探索半导体制造业的大数据分析方法上一直走在业界前

列。公司在瑞士曼迪匹艾（MDPI）的开放期刊Processes上发表的一篇文章，

获得了2016年和2017年度“最佳论文奖”。该文探讨了半导体制造业大数据

分析的发展趋势和机遇，并提供了相应的路线图，阐述了如何采用分析技术为

缺陷检测到预防式维护等一系列应用提供支持。本文对这篇论文的要点予以介

绍。塑造智能制造分析技术的前景

智能制造（SM）一词通常用于描述制造业这样一种发展方向：供应链上下游整

合，实体功能与线上功能整合，运用先进信息提高灵活性和适应能力。智能制

造充分利用数据在数量、速度、多样性、真实性（即数据质量分析技术）方面

的巨大优势，即利用通常所谓的“大数据”技术，通过大数据分析来改进现有

分析功能并提供预测式分析等新功能。

图1总结的这些改进功能和新功能属于“先进工艺控制”（APC）扩展技术的一

部分。

半导体制造中设备和工艺分析技术的出现和发展，一定程度上是行业三大挑战

促成的结果。这些挑战数十年来一直存在，并非是特定于智能制造或大数据革

命时代才出现，但可以说是半导体制造业所独有。半导体制造业面对的这三大

挑战是：

（1）设备和工艺的复杂性;

（2）工艺的动态性和背景丰富性;

（3）在准确性和可用性方面表现不良的数据质量。

这些挑战使人们意识到半导体行业的分析解决方案不能完全由数据驱动。机

台、工艺和分析领域的专门知识或学科专业知识（SME）也是大多数晶圆厂分析

解决方案的关键组成部分。因此，在设计和运用半导体制造业工艺分析技术时

要始终谨记这一点。实际上，SME的运用机制通常按照数据收集、数据处理、

参数选择、模型构建、模型和临界值优化以及解决方案部署和维护等方面来正

式界定。

了解半导体制造分析技术的组成

过去十年中，分析方法呈爆炸式增长，许多利用大数据的分析方法已经形成。

这些分析方法需要加以辨别和分类，其中一种方法就是对分析技术的能力维度

进行界定，然后详述或绘制出与这些维度相关的分析能力。图2对与半导体制

造业中的分析技术相关的维度进行了细分。

有了这些维度，对于一项分析应用或分析技术，就可以根据其能力在每个维度

中的价值对其进行界定。例如，在多变量分析（MVA）、故障检测（FD）和设备

健康状况监测（EHM）中经常使用的主成分分析（PCA）属于无监督、应答式分

析。多变量分析通常是静态的、无状态的，并不正式纳入SME。在分析应用方

面，当今晶圆厂的故障检测很大程度上是无监督、应答式、单变量、无状态和

以统计为基础的，在故障检测模型的开发阶段会纳入SME。使用这些和其他维

度来界定分析技术和分析应用，提供了一个可以明确能力差距、前进机会以及

长期改进路线图的框架。

半导体制造业APC应用的最新发展，体现了从应答式到预测式、甚至到主动式

工厂控制的转变。这在很大程度上依赖于大数据爆炸，后者为更大容量和更长

期的数据存档提供支持，在一定程度上使预测式解决方案能够破译参数的多变

量交互的复杂性，刻画系统的动态性，抑制干扰并滤除数据质量问题。

在许多情况下，必须重写这些解决方案中的算法，才能充分利用大数据解决方

案赋予的并行计算能力来及时处理数据。此外还可以开发更适应大数据的新算

法。例如，早期的预测式解决方案依赖于单核CPU和串行处理，但是随着大数

据时代的到来，偏最小二乘（PLS）和支持向量机（SVM）之类的算法就可用于

服务器场的并行计算。同样，自组织映射（SOM）和生成式拓扑映射（GTM）等

无监督的数据探索技术也要经过重写，以便处理大量数据，使用户能够快速获

得有用的分析结果。类似地，可以将诸如隐马尔可夫模型（HMM）和粒子群优化

之类耗时的统计技术重写，以求大幅提高计算效率。

但是，拥有众多技术和大量数据并不一定会带来更多有用的分析结果和更强的

预测能力。笔者认为，没有一种方法或方法组合是放之四海而皆准的。具体采

用的方法需要根据手头的数据，针对具体的应用进行定制。不论怎样，我们相

信SME将在解决方案的开发和维护中继续发挥引导作用。

人工智能的崛起和新的大数据亲和分析技术

人工智能（AI）-词可用于描述能感知其环境并采取相应行动以实现目标的任

何装置或分析技术。现今，这一术语通常指模仿人脑功能的装置或分析技术概

念，例如自动驾驶汽车应用中采用的装置或技术[7]。人工神