面向半導體製造的大數據分析平台

最新 07-13

摘　要：為充分利用半導體製造過程產生的大量數據，發掘數據中蘊含的價值，對半導體製造過程進行分析、預測和調控，建立了半導體製造大數據分析平台。歸納得出了半導體製造過程中大數據的特性，提出了半導體製造大數據分析體系架構，分析了其關鍵技術和實現方法。根據半導體製造過程中大數據的使用特點，將數據導入、去重、篩選、標準化等共性操作歸入平台通用預處理層；預處理後的數據進入數據倉庫層，在數據倉庫中按主題進行組織；最上方的專用處理演算法層根據上層應用的特定數據要求，從數據倉庫中抽取數據，使用專用演算法進行處理，為其提供標準化、可靠、可復用的數據資源。最後基於半導體製造企業的實際情況搭建了原型系統，對半導體製造過程產生的大量實際數據進行導入、存儲、組織和預處理，並進行了性能測試和常用統計分析

演算法測試。

關鍵詞：大數據；製造過程數據；半導體製造；分散式處理

延展閱讀：如何利用大數據實現加速和最佳化晶元設計

對於EDA供應商來說大數據的出現將加劇了IC設計難題，如何利用大數據實現最佳化和加速晶元設計這是一個難解的問題。「大數據」是由大量非結構化數據組成的，大多數的IC設計人員沒有足夠的工具去吸收這些東西。

在「大數據」時代，晶元設計人員本身是否使用大數據？他們面對著龐大的原始數據——來自不同EDA供應商提供的工具。但是，他們是否找到了一種利用大數據實現最佳化和加速晶元設計的好辦法？

談到「大數據」（Big data），現在大家都少不了它。它廣泛地出現在生物科技、金融、農業、教育和交通運輸等領域，各個產業都希望藉由它來重新塑造其業務本質。

但是，對於半導體產業呢？

為此，一家專為晶元公司提供設計數據與IP管理軟體的解決方案供應商——IC Manage Inc.，日前發表了「大數據實驗室」（Big Data Labs）。

IC Manage執行長Dean Drako將這個Big Data Labs形容為一個「平台」，希望為IC設計客戶「開發和客制基於big data的全新設計分析工具」。

在「大數據」時代，半導體公司已經在設計用於數據中心的IC了。但問題是這些晶元設計人員本身是否使用大數據。他們已經有了龐大的原始數據——來自不同EDA供應商提供的工具。

但是，電子設計人員是否找到了一種利用大數據實現最佳化和加速晶元設計的好辦法？

簡單來說，答案是「還沒有」。

當然，半導體產業已經使用數據管理軟體好多年了。Gary Smith EDA首席分析師Laurie Balch解釋，IC Manage一向致力於提供「讓大量數據得以保持安全且組織化，從而使數據能被其他人存取」的工具。但針對能讓IC設計人員將數據應用於智能決策的分析工具，Balch說：「我們現正處於才剛開始可用的起步階段。」

IC Manage並不是一家傳統的EDA供應商。Balch解釋，它並非製造模擬、合成或布局等傳統的EDA工具，相反地，該公司的專長在於「EDA企業工具」。Balch形容IC Manage是一家「在IC設計資料庫市場佔有一席之地的公司」。

在此「電子設計以創造大量數據聞名」的時代，她發現晶元供應商正面對如何有效管理數據日益龐大的挑戰。而IC Manage可能成為第一家提出解決方案的公司。

Drako解釋，根據定義，「大數據」是由大量非結構化數據組成的。

他坦承，電子設計領域已經看到了非結構化數據帶來的巨大挑戰——分別來自不同EDA公司設計的各種工具。

然而，大多數的IC設計人員都沒有足夠的工具配備去吸收這些東西，更不用說要如何理解了。畢竟，這樣做既費時又耗資源。

Drako也強調，要在工具和供應商之間串連各自獨立的數據集並不容易。

此外，他補充說：「只有很少的產業和公司擁有足夠的專業知識和可用資源」，能夠迅速發展出可行的見解，並創造管理選項與實施細節。

這就是IC Manage希望該公司得以發揮作用之處。

Drako解釋，IC Manage在組織化的設計數據上疊加了非結構化數據。「透過融合非結構化數據（如驗證紀錄檔案）和結構化數據（電子設計數據），我們提供了一個混合資料庫，」讓晶元公司可以用它來執行高性能的先進EDA分析。

IC Manage的關鍵技術——Big Data Labs；如何打造混合資料庫？（來源：IC Manage）

IC Manage希望的結果是實現一款提供可視化分析的平台，協助用戶創造互動式報告。

這並不是IC Manage首次為IC廠商提供的大數據設計工具。

幾年前，該公司開發了一款名為『Envision Design Progress AnalyTIcs』的大數據產品，為IC Manage的客戶準確預測其新晶元出樣提供了基礎。

隨著Big Data Labs的推出，IC Manage正向前邁進了一步。組織大數據並讓設計團隊或整個公司中的每個人都能使用數據還不夠。

IC Manage希望藉由與客戶（晶元公司）和合作夥伴（EDA工具供應商）的密切合作，進一步開發（並可能客制）的新工具，讓設計人員能夠追蹤每位設計人員的貢獻、修訂歷史、IP重用以及各種動作。所產生的工具能讓設計人員看到其決定對於設計過程的影響。Drako指出，提供的分析還將有助於其做出明智的決定。

IC Manage同時推出了首款基於Big Data Labs平台的驗證分析工具——Envision VerificaTIon。IC Manage表示，利用平台連接多廠商環境的能力，該工具提供了「近乎即時的可視化分析」。

Drako表示：「為了了解所發生的一切，Envision VerificaTIon從不同的EDA供應商環境（如Verilog、Mentor和Cadence）取得所有的驗證數據，並追蹤設計活動、回歸測試和驗證狀態，以及出現的錯誤。然後找出變化。」

如果沒有這樣的大數據驗證，Drako說：「傳統上，如果你是一支300名工程師團隊中的一員，你可能得花費大量的時間四處詢問：『你改變過什麼嗎？』、『哪些做過測試了？』、『是誰弄壞了？』或是『我們錯過了什麼嗎？』等等。」

透過互動式的驗證結果報告，Drako說：「Envision有助於使功能驗證分析加速10到100倍。不僅能夠辨識瓶頸，還可以為驗證過程中出現的問題找到根本原因。」

分析師Balch解釋，驗證對於電子設計師來說是一項「非常重大的挑戰」。她說，由於每個人的目標都是「一次到位」（first-TIme right）的設計和製造——受限於晶元重新設計的成本，「設計人員必須為其進行驗證」。她指出，驗證涉及很多測試方面，「其結果也會隨著運作條件而有所變化，因此也必須了解極端案例。」

IC Manage最新Big Data Labs推出的首款工具就是這種功能驗證工具。此外，該公司的其他邏輯大數據分析產品還包括實體驗證、時序分析和功耗。

Drako指出功能驗證包括很多部份，包括針對半導體、電路、數位和類比設計進行模擬等。因此，Balch猜測IC Manage在接下來很長一段時間都將忙於進一步發展其功能驗證工具，包括客制化。

Balch說，不可否認的，數據管理工具的使用在晶元公司之間有些「起飛緩慢」。考慮到預算，晶元設計人員更想購買核心設計工具，而非大數據分析工具。「他們並不覺得這很重要，而且也認為這隻適用於大型的設計團隊。」

隨著半導體產業持續捲入巨額併購，大環境的變化可能比先前的預測更快。例如，如果博通（Broadcom）成功收購了高通（Qualcomm），那麼想像在兩大巨擘內部的設計團隊將面臨多大的數據管理夢魘。合併後的公司必須監控不同設計團隊的進度，確保大家都能共享設計資訊和IP。

延展閱讀：晶元製造+大數據，真的能夠共舞嗎？

半導體晶元產業發展至今已超過五十年，隨著應用愈來愈廣泛，人類對電子產品的依賴程度也愈來愈深，使得半導體晶元產業的角色日趨重要。英特爾（Intel）共同創辦人高登·摩爾（Gordon Moore）於1965年提出摩爾定律（Moore"s Law），認為製程技術的進步，每12個月就能在相同單位面積的晶圓（wafer）中放入加倍數量的晶體管（transistors）。發展至今，半導體組件不斷地微縮，線寬已經進入16納米，一顆如指甲大小的集成電路（IC）就可以放進超過十億個晶體管，其中的線路比人類頭髮的十分之一還要細。

集成電路製造是將設計好的電路，經由反覆曝光、顯影、離子植入、蝕刻等幾百道複雜的製造程序，把多達三十層以上的每一層電路，都準確成形於一片片如圓餅般的薄片晶圓上，最後經過後段的封裝測試而成為一顆顆晶元（chips），而這個生產周期時間超過一個月。

晶元製造有賴先進的微影技術、腦力密集的尖端人才以及非常昂貴的精密設備，而晶元產業的供應鏈則有賴於其後台強大的物流保障體系和上下游供應鏈協作關係。

進入納米製程時代之後，半導體晶元的製程更複雜冗長、影響變數更多、技術門檻愈來愈高，研發成本與產能資本支出形成雙重負擔，生產過程中稍有不慎或異常，就可能造成合格率損失甚至產品報廢。

同時，隨著IC產品的多樣化、生命周期愈來愈短，如何藉助大數據分析快速提升納米製程合格率，並通過上下游形成有效的物流供應鏈體系，已成為國際半導體大廠的競爭策略。

1996年新竹清華大學成立了決策分析研究室，應用數據挖掘和決策分析方法來研究如何提升半導體的合格率，並針對低合格率的晶圓進行分類，再挖掘造成低合格率的製程、產品類別、設備、時間等可能原因，結合演算法、信息科技與圖形用戶介面，發了「合格率提升系統」。

研究發現，人們在思考如何提升合格率時，一般只著重解決製程和設備異常的問題，但「合格率」的本質應該是在一片晶圓上產出最多可賣錢的晶粒。因此，我們建立了「綜合晶圓效益」（Overall Wafer Effectiveness， OWE）指標架構，並提出利用數據分析，以改變晶粒排列方式提升晶圓合格率的創新想法。

利用數據挖掘整理出了優化晶圓產出的IC尺寸設計指引（gross die advisor），使工程師不論經驗多寡都可以迅速決定晶圓曝光的最佳配置方式，並有效證明可以增加晶粒產出、提升工作效率和設備效益，及減少客戶抱怨，平均效益估計每年可達新台幣4.25億元，這項技術已經導入台積電8吋及12吋廠，以服務其下遊客戶。

2003年起，研究者在台積電開始將複雜的實際問題架構成數學模式，建立可以隨時空環境轉換的決策分析模式，並導入數據挖掘降低生產周期時間（cycle time）以提升生產力的方法。

進入消費電子時代之後，半導體晶元產品的價值隨著時間快速折舊，因此上市時間和生產周期時間的縮短極為重要。另外，由於半導體的生產模式相當複雜，所以傳統生產管理理論僅能處理小範圍的工作站。

我們利用半導體製造的巨量數據，分析影響在制品水位和在線等候時間的影響因子，以找出每個工作站在線在制品的理想水位和產出關係，透過宏觀調控機制以維持生產系統的平衡與加工流程的順暢，有效地縮短了生產周期。

台積電曾把晶圓廠自動化的發展，分為擬人化、無人化、超人化三個階段。首先是用計算機和設備學習人的做法，第二是將機械性的工作自動化以取代人，最後則是發展一個集結眾人智能的製造系統。讓系統不僅能自動化，還能「智能」地知道如何判斷和決策，超越一般人的能力。這不僅是未來趨勢，也是一項極大的挑戰。

半導體納米製程的技術難度和變異有增無減，完全自動化的12吋晶圓廠月產能超過十萬片，在線同時用十幾種製程配方參數（recipe）生產各種產品，每片晶圓要經過數百道到上千道反覆循環的製造程序，每個工作站有幾個到幾十個精密的反應室（chamber）可以選擇、生產過程中可以隨著時間讀取幾萬種實時監控數據、近萬個在線抽樣檢測的量測值（metrology），以及幾百種在一片晶圓上不同位置測量的電性測試參數，再加上集成電路複雜的生產模式，使得數據除了具有大數據常見的4V特性，也就是大量（volume）、多樣（variety）、快速變動（velocity）以及真實性（veracity）等之外，還有數據主效應不明顯、數據分布不均衡、前後製程的交互作用複雜等挑戰。

另一方面，隨著半導體製程持續微縮挑戰物理極限，允許誤差也在不斷緊縮，使得即便是資深工程師也很難單憑專業知識和經驗，或傳統的統計分析方法，從大數據中迅速找出製程異常的原因。

儘管商用統計軟體逐漸可以支持大數據分析，但由於缺乏針對半導體產業需求和特性的應用模塊，影響了一般工程師的使用意願。為此，2011年起，台積電推動既有的工程數據分析（Engineering Data Analysis）系統升級，並開始「製造智能以協助先進納米製程提升合格率」的產學合作計劃。

半導體晶元大數據的分析難度在於，半導體製造各階段中所產生的數據具有密切關聯性。因此，必須考慮數據的時間性、群集性、連動性，而不是濫用計算機計算能力地作數據捕撈（data dredging）。

目前台積電與清華大學合作，將數據準備技巧和分析技術結合，透過大數據分析技術將自動累積的大數據轉成有價值的信息，再結合決策者的經驗與能力，成為企業專屬的製造智能，並加入跨領域的生物信息領域人才，加入台積電大數據分析的相關部門。

研究室通過與台積電合作開發單位和領域專家的密切合作，結合理論與領域知識作全面性數據分析，以建立對複雜半導體製造系統的了解與掌握，整合大數據分析、數據挖掘、圖形化技術、和決策分析等方法及信息系統，發展適合半導體數據特性之數據挖掘架構與演算法，終於成功建立了多變數事故分析和診斷等不同分析技術模塊，以縮短用戶的學習曲線，輔助工程師進行後續的數據分析等專業判斷，大幅提升工程師的決策質量，加速合格率提升。

工業互聯網操作系統

產業智能官 AI-CPS

用「人工智慧賽博物理操作系統」（新一代技術+商業工業互聯網操作系統「AI-CPS OS」：雲計算+大數據+物聯網+區塊鏈+人工智慧），在場景中構建狀態感知-實時分析-自主決策-精準執行-學習提升的認知計算和機器智能；實現產業轉型升級、DT驅動業務、價值創新創造的產業互聯生態鏈。

長按上方二維碼關注微信公眾號：AI-CPS

本文系「產業智能官」（公眾號ID：AI-CPS）收集整理，轉載請註明出處！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！