AI在半导体制造流程的实际应用

AI在半导体制造流程的实际应用

半导体制造业是一个技术门槛极高且高度精密的产业，从原材料处理、制程控制到成品检测，每个环节都需要精确管理并维持极高的品质标准。随着制程技术的进步与芯片尺寸不断微缩，对生产效率和产品质量的要求也更加严格。为了进一步优化生产流程并保持竞争力，日月光全面应用人工智能（AI）于营运活动中，在智能制造的主轴上，建立各阶段所需的AI模型，分析每个制程数据，自动预测或检测生产中的异常，从而提高产品良率、降低成本，提升整体制造效能。

AI提升半导体制造关键环节

在半导体制造流程中，从产品设计档案完成后的三个主要生产阶段：首先是原材料的需求估算，其次是制程参数的监控与调整，最后是成品的检测与测试。本文将介绍AI在这些关键环节中的应用，包括投料预测、制程参数预测以及影像异常检测，并探讨如何有效提升制造效率与产品质量。

提升投料预测的智慧决策系统

投料预测（Material Usage Forecasting）是指根据生产需求，精确计算所需的原材料投入量。在半导体制造中，晶圆和化学试剂等原材料的精确使用对成本控制至关重要。传统投料方式依赖人员经验与静态数据，往往导致物料使用效率低、存货过高，难以快速应对市场需求变化。AI技术的引入，通过分析和学习历史数据，可自动预测所需材料种类与数量，并能针对新产品投料需求进行调整。例如，当新产品或制程导入时，AI能根据相似条件下的历史投料数据进行快速预测。常用的预测式AI模型如决策树或随机森林，能同时参考图号、产品类别、尺寸规格等多因素。

然而，由于未考虑制造过程中的大量参数，模型在极端情况下可能预测不够精确。日月光开发的投料预测决策系统，除了导入机器学习技术外，还能结合人类以往的投料成本经验，该系统以最佳成本考量来预测原物料所需投放量，辅助人类决策过程。对比过去人工方法，此系统可帮助减少过量投放原料约1%至15%的成本，并有效避免因材料短缺导致的停工损失。

缩短研发周期的AI制程参数预测

半导体制造的制程步骤极其复杂，每个环节都需要精确控制大量参数。这些参数的微小变动可能影响产品品质，进而影响芯片良率。传统上，制程参数（Process Parameter Prediction）的优化需依赖工程师经验与反复实验，这不仅耗时费力，还难以达到最佳效果。

AI技术通过学习和分析制程数据，能自动预测每个步骤的最佳参数设定。具体来说，AI系统能处理大量生产历史数据，分析不同参数对产品品质的影响，并基于这些数据建立精确模型。在设备或原材料发生变动时，AI能即时发出警告并提供调整建议。常用的AI预测模型如神经网络和决策树，能快速调整参数，确保制程稳定。

然而，因制造过程中涉及大量参数，模型在极端情况下的预测精度有限。例如，在封装基板线路制程中，需考量人员、机器、原料、方法、环境等多达数百个因子。即使使用多AI模型进行拟合，预测准确度仍受限。为解决此问题，日月光采用了挑选因子模型的解析方法，将众多参数融合为少数关键因子，让制程人员能迅速设定参数，确保产品品质稳定。导入AI的自动参数优化方法后，不仅缩短研发周期约5%至15%，也提升机台整体制程稼动率约5%至20%。这种预测式控制不仅减少试错成本，还显著提升产品良率和生产稳定性，特别是在新产品研发或高精度制程。

高效率的影像异常检测AI技术

成品完成后，异常检测（Anomaly Detection, AD）是至关重要的环节，任何微小瑕疵或缺陷都可能导致产品不合格。随着制程技术精密度提升，传统人工检测方法对微小缺陷的辨识能力有限，且易受疲劳和主观判断影响，导致检测效率低、错误率高。AI技术已可结合影像识别与深度学习，能自动进行异常检测，并能极高准确度辨别微小缺陷。此影像异常检测AI技术只需学习正常图像，在实际检测中能迅速判断并定位异常区域。与传统监督式物件检测模型相比，这类AI技术无需人工收集和标注瑕疵资料，能辨识过去未见的瑕疵或变异的瑕疵，大幅降低漏检率。

文献显示影像异常检测技术在准确度上有显著进展，如SPADE、PaDiM和PatchCore等模型。然而，这些模型需大量运算，如最近邻搜寻法、反矩阵运算、及最佳样本挑选方法，导致GPU高内存需求，影响模型训练效率。日月光自主开发新型模型，优化现有主流模型架构，降低GPU内存使用量，加速AI模型训练，并能处理更大规模和更多元的图像资料。

此外，还设计了Ensemble方法，能结合监督式学习模型，标注异常检测学习不足的图片，并利用影像生成式技术（Variational AutoEncoder）来复判瑕疵种类，提升模型分类能力的稳定性，减少人工检测。此AI影像检测功能已可全天候工作，不受时间与人力限制，提高了整个生产流程检测的可靠性。

自行开发的方法，只需500至2000张1024×1024解析度的正常图像即可训练AI模型。针对新产品，模型训练时间平均仅需20分钟即能上线进行检测。经过大量线上图像资料测试，UDKL近乎0%，以及约5% 图像被模型判断为异常，其中大多为毛屑粒子（particle）异常，鲜少OVKL。此AI影像检测功能已导入产线，用于每个产品检测。依据其高准确度，当模型判断为异常时，才转交由人工复判，大幅减少人工检查的工作量，显著提升公司生产效率。

AI技术：提升效率与质量的關鍵力量

AI技术已成为半导体制造业不可或缺的一部分，从投料预测、制程参数预测到影像检测，AI的应用大大提升了生产效率与产品质量。在投料预测方面，AI能根据生产条件自动调整原材料投放，降低库存堆积与成本浪费；在制程参数预测方面，AI能精确预测制程参数的最佳设定或挑选关键因子，缩短实验时间，提升良率；在影像异常检测中，AI可快速准确地判断生产产品是否有瑕疵。随着半导体技术的进一步发展，AI在制造中的应用范畴将越来越广泛。未来，AI不仅能帮助企业优化制程，还能推动整个营运的智能化，实现更具竞争力和效率的半导体制造流程。