編者按：晶圓廠商們希望簡化半導體設計和制造的流程，但創新的分析工具會提供他們需要的解決方案嗎？由麥肯錫帶來的這篇商業分析，可能會帶給我們答案。在本文中，麥肯錫采訪了高級分析公司Motivo的首席執行官Bharath Rangarajan，為我們帶來了一些深刻的見解。
高級分析、機器學習和人工智能的應用，正在使傳統的制造和運營方法遭受沖擊。雖然半導體制造公司在應用這些技術方面有些限制，但可能很快就會有所改變——并且它們也有很好的理由去改變?，F在，要想將一款新的集成電路推向市場，所需要的時間在每個節點上都在逐漸上升。新的設計和制造技術，是造成這個問題的一個原因。但是，更復雜的檢查、測試和驗證程序，也是產生延誤的原因。
半導體產業鏈的現狀表明，晶圓廠需要多個領域的共同協助。在過去幾年的設計過程中，測試和驗證時間增加了50％。新產品引進和升級，現在通常需要12到18個月的調試和調整。類似地，組裝和測試過程中30％的資本支出，都是不給產品增加任何價值的測試。芯片進入市場后，問題也不會停止：客戶可能會遇到意想不到的性能問題，并要求半導體公司幫助解決這些問題 ——這是一項艱巨的任務，因為廠商們沒有辦法追蹤芯片從生產到使用的所有過程。 此外，許多晶圓廠沒有有效地記錄生產過程中遇到的問題，也沒有采取措施來嘗試解決這些問題。
在許多情況下，出現問題的原因，是因為盡管有一定程度的自動化，重要任務仍然需要頻繁的手動操作干預。為了改進這一流程，許多技術公司正在創建分析工具。這些工具，可以幫助晶圓廠用基于事實的知識、模式識別和結構學習，來代替猜測和人類的直覺。除了減少錯誤、精簡生產和降低成本之外，這些工具甚至可以幫助晶圓廠發現新的業務模型，并獲取額外的價值。
盡管這些分析工具才剛剛開始獲得晶圓廠的關注，但半導體制造商已經有很多選項可供選擇。因為，許多技術人員最近已經開發出專門的解決方案，來簡化芯片制造過程。我們從大量創新者中選出了三家公司，作為新生攪局者的代表性例子。我們訪問了他們的業務部門和技術部門的領導，以進一步了解其能力。我們的目標不是選擇性地認可某一家公司，而是為可能不熟悉新產品的半導體公司，提供不同的新興解決方案。
主動防止錯誤，進而優化產量
高級數據分析，可以在虛擬或數字設計文件中，測試和標記出可能的故障點，為晶圓廠提供了極大的方便。不需要測試成品，半導體公司就可以提前糾正物理設計中的錯誤，提高產量和可靠性。 晶圓廠商還可以使用相同的技術，來生成和運行虛擬芯片進行測試 ，從而允許他們識別和消除邊際效應的同時，進行流程優化。最后，高級數據分析可以讓晶圓廠將來自傳感器的數據大量輸入，與廣泛的流程級信息相結合，創建豐富的多變量數據集。然后，它們可以快速診斷芯片或設備故障的可能來源，從而為潛在的問題提供早期警告。這些工具，可以從先前的設計中進行初步學習，并隨時間增強檢測故障的能力。為了更多地了解這些防范錯誤的新工具，我們與Motivo首席執行官Bharath Rangarajan進行了訪談。Motivo是一家高級分析公司，通過使用專有算法、機器學習和人工智能，來增強預測分析能力，從而提供更多的有洞察力的診斷，防止復雜的芯片故障產生。
麥肯錫：你能談談我們看到的芯片生產中的一些問題，特別是錯誤檢測問題嗎？
Bharath Rangarajan：每個工廠都有數千個工藝步驟，而這些步驟又有數千個參數可以用于不同的組合。因為有這么多的因素，所以才導致了很多芯片故障或缺陷。但是每個誤差的頻率往往非常低，因為在設計和生產過程中，參數很少會是一樣的。這使得，即使是最強的工程團隊，也難以預測發生問題的地點和時間。
由于晶圓廠傳統上幾乎沒有分析工具，所以他們試圖通過制作模型、運行測試晶片和執行基本分析來發現出現較多的問題。換句話說，他們會改變一個設計或過程，看看是否消除了一個常見的錯誤。在僅需要改變幾個參數的情況下，這種方法會降低一些高頻問題，但這并不能幫助晶圓廠識別出更廣泛存在的、更難發現的低頻和中頻誤差。它也不能識別只能通過改變許多參數來解決的高頻誤差，而這些錯誤，很多時候是產量降低的原因。
傳統的糾錯方法，還存在另外一個問題，那就是很難從過去的經驗中進行學習。正如我所說，晶圓廠已經能夠通過調整多個參數來消除缺陷，但這僅僅有助于他們處理當前批次的產品。他們的測試方法，并不能讓他們了解導致問題的內在原因。我的意思是，他們沒有顯示出改進的確切變化，所以可能會在將來重復同樣的錯誤。許多設計團隊和負責流程的工程師之間存在溝通問題，他們在描述問題、甚至共享過去故障信息的方式上并不相同。我可以理解為什么會發生這種情況 —— 很多時候，設計和流程人員甚至都不在同一個地點辦公。他們使用不同的語言，有些甚至可能不知道已經存在一些問題。
麥肯錫：你的工具如何工作？
Bharath Rangarajan：首先，我們分析客戶的物理設計 —— 通常是圖形數據庫系統II（graphic-database system Ⅱ）或開放藝術品交換系統標準文件（Open Artwork System Interchange Standard File） —— 這些文件類型，是當前集成電路分布系統的數據交換的行業標準。我們的工具從簡單的幾何圖案和復雜的結構圖案中，提取出所有的特征和組合。然后我們再確定這些之間是如何相互鏈接的。
處理完這些信息后，我們可以在拓撲網絡映射中，識別出導致故障的單點或節點。例如，我們的圖例中，將顯示故障節點是如何連接到普通節點的，進而找出問題所在。我們的圖例還幫助客戶確定要測量和測試的特征和節點，這有助于優化產量?，F在的測試都是隨機選擇節點來進行分析，而我們在這個基礎上做了優化，有助于提高產品的產量和測試的效力。最終，廠商會得到很好的統計數據。
一些較舊的基于物理的模型，在找到錯誤方面仍然存在一定的作用。但還沒有任何一個老舊的模型，可以預測在先進的制造過程產生的所有可能的結果。而且由于芯片復雜度的增加，它們所能做的還不夠。
麥肯錫：晶圓廠在這個領域可以期待什么樣的結果？
Bharath Rangarajan：通過先進的數據分析，我們有潛力大幅改變現有的范式?，F在，晶圓廠所制造的多批晶圓，經歷了多次昂貴的迭代循環，以消除問題。由于處理硅晶片所需的長周期，該方法也是非常耗時的。如果公司在芯片設計方面更加開放一些，那么它們可以縮短產量上升的爬坡期，并將大幅縮減流程問題所需的迭代次數，將新產品的流程效率提高十倍。這將對產品生產時間表和硅片消耗產生重大影響。在測試中，兩家半導體公司都發現了故障和相關故障的模式，用時從幾個季度縮短到了幾個星期。
加強晶圓檢查
半導體設計和制造的檢測工具越來越專業化，每個工具的使用場景都都只是工藝流程中的一小部分。 晶圓廠可能需要十幾個的大型、昂貴的機器，來完成在晶片生產過程中的的數百個步驟。這使得資本預算和用地條件都十分捉襟見肘。但最值得注意的，是工具本身的技術限制：設備之間的數據傳輸、增加工藝流程、上新設備來檢測問題，可能都很困難。在許多步驟中，人工的檢查員必須經常審查工具中的數據—— 這可能需要將數百或數千個晶圓運送到檢測室和實驗室，但這增加了損壞的風險，并且無法實時進行過程控制和獲取產出數據。Nanotronics公司負責構建包含人工智能的自動顯微鏡。為了了解晶圓檢測的新技術，我們與Nanotronics的兩名官員進行了交談，：首席營收官Justin Stanwix和首席技術官Julie Orlando。
麥肯錫：請告訴我們，貴公司的技術如何在芯片檢測中使用呢？
Julie Orlando：我們的顯微鏡將納米級、微觀和宏觀成像與機器學習、人工智能相結合。他們可以自動發現新的缺陷，并通過網絡共享這些信息。這使得像圖像標記一樣的——通常必須手動完成、容易出錯的流程不再必要。我們的顯微鏡還有一個便利因素，那就是晶圓廠可以將它們用于晶體生長、光刻、蝕刻和其他工藝，而不是像原來一樣，使用很多不同的工具來完成這些檢測。另一個變化是顯微鏡可以檢查透明、半透明和不透明的芯片，以及微處理器單元、MEMS（微機電系統）器件和封裝的晶片。
麥肯錫：你可以在一些細節上描述手工檢查的差異嗎？
Julie Orlando：我們的顯微鏡可以在幾分鐘內分析100,000個芯片，而手動檢查員可能需要30分鐘才能查看50個芯片。如果使用我們的顯微鏡，晶圓廠也可以檢查到更多的芯片層，而不是手動檢查。我們與一家公司合作，之前他們人工可以檢查25層，但用顯微鏡將其增加到了300層。然后，晶圓廠從人工檢測轉向顯微鏡時，處理量和產量也都會增加。
麥肯錫：您的軟件如何讓顯微鏡共享數據？
Justin Stanwix：我們的軟件，可以連接晶圓廠或晶圓廠網絡中的所有顯微鏡。因此，工程師可以開發新的算法，來找出那些問題的識別數據，和工具里過程參數之間的相關性。然后，他們可以通過更新軟件立即將新算法納入顯微鏡網絡。我們的開放式軟件平臺和API接口使這一切成為可能，因為它們允許我們的顯微鏡連接到其他工具，包括晶圓廠可能已經擁有的工具。
連接半導體和電子供應鏈
想要提高質量的產品工程師，通常會遇到一個嚴重的阻礙：難以從產業鏈上的其他廠商那里獲取數據。他們經常收集存在于系統或應用程序芯片中的不完整信息，但找不到解決問題的重要部分。我們與Optimal Plus（一家專門從事大數據分析軟件的公司）討論了分享信息的更好策略。下面是對Optimal Plus的首席技術官Michael Schuldenfrei和業務發展副總裁Yitzhak Ohayon的采訪。
麥肯錫：告訴我們一些貴公司的技術。
Michael Schuldenfrei：我們創建了一個跨行業的平臺，用于將原始設備制造商（OEM）與供應鏈中的半導體公司相連接。它可以跟蹤單個產品的所有數據，包括制造的地點和時間、功能和電氣測試的每條信息、制造設備的數據以及使用條件 、 濕度水平或操作閾值等因素。因此，基本上，工程師可以查看全套有關產品及其組件的信息，從而更容易發現問題。我們的平臺還允許工程師配對和匹配來自特定制造環境的設備。這可以真正提高許多用戶端應用可靠性的方法。
麥肯錫：你能告訴我們你的平臺如何工作嗎？
Yizhak Ohayon：第一步，我們清理和規范化數據。它必須在所有地點和產品中完整、準確和一致。然后，我們將數據輸入平臺，幫助客戶克服最重要的數據斷開之一：芯片制造商和電子OEM之間的信息交流不足。芯片制造商負責晶圓的分類測試，電子OEM中又分為主板用戶和系統用戶，負責最后的測試。在通過我們的平臺比較來自這些測試的數據后，同意交換數據的電子產品銷售商和半導體供應商，可以確定結果是否與特定芯片高度相關 —— 結果可能是該芯片運行良好，或者該芯片存在差異。例如，芯片制造商可以使用其電子產品客戶的數據，來確定哪些測試信號預測了下游存在的故障、哪些信號不影響最終產品。這意味著芯片制造商可以調整其篩選參數，進而優化產量。換句話說，改進篩選條件之后，會減少那些潛在具有問題的設備的數量。
麥肯錫：你們的平臺有什么樣的結果？
Yayhak Ohayon：在2016年，我們分析了超過500億臺芯片。我們已經看到測試所需時間、運營效率、產量和測試結果都有所改善。
有一次，我們與一家電子設備OEM合作，希望將一款主板級設計迅速推向市場。該公司遇到了很多芯片問題，并提供給供應商所有的相關數據，以換取有限的芯片信息。將這些測試數據與原始組件供應商的芯片數據相關聯后，我們找到了出問題的地方。這些發現減少了客戶分析故障所花費的時間。結果是該產品的產量有了顯著的提高，上市時間提前。
一家電子產品OEM報告說，使用這一技術，它們已經將量產所需的時間減少了一半。該廠家也減少了“錯誤”芯片的數量，在重新測試中將錯誤率降低了百分之五十。這些芯片是客戶報告存在問題的批次，通常是與其他芯片組合使用中存在問題。但是當制造商自行重新測試時，這些芯片工作正常。了解產品故障所需的時間，從三個月下降到了一周。新技術也提高了測試效率，因為OEM們少了很多不得不進行大量測試的芯片。
麥肯錫：你看到使用技術或類似技術有任何障礙嗎？
Michael Schuldenfrei：信息交流上有一些障礙。從我們技術的角度出發，我們需要半導體公司及其客戶將比現在更自由地分享信息。說服供應商分享信息可能很難，因為他們可能會懷疑客戶是否會在談判中使用他們的產品數據。希望我們的平臺，可以通過作為供應商和客戶之間的第三方中介，來減少一些擔憂。他們不必直接交換信息，當我們共享數據時，它們都是非常受控制的。當問題出現時，我們只會發布信息 —— 通常是質量問題 —— 并且將數據交換降至最低。我們還看到一些情況，電子產品制造商通過反向整個過程，向其供應商提供測試數據來解決問題。這是另一種可能的解決方案。
向前邁進將需要什么
愿景是明確的：將產品和流程更快地轉換到晶圓廠的生產環境中，縮短新芯片設計的上市時間，降低由更高、更可預測的產量帶來的總體成本，以及通過供應鏈的可追溯性用于預測單個芯片。想要使這些成為現實，將需要在我們的能力范圍之內進行技術創新。但是在我們看來，半導體行業至少要在四個維度上進行實際的工作。
天賦
我們正在經歷半導體行業的人才干旱。只有少數具有數據分析功能的新畢業生，將半導體作為為他們所選擇的領域。而他們之中，只有更少的人仍然相信這是一個難以置信的、會取得重大創新進展的機會。放眼整個北美，只有不到1萬名認證的數據科學家。其中絕大多數人，只針對有限的領域進行研究，其中大部分涉及改善廣告或營銷內容的個性化。這種扭曲的分布，對于希望將機器學習和高級分析應用于其操作的半導體公司而言，是一個問題。為了吸引和保留合適的人才，半導體公司必須創造出令人信服的工作環境。數據科學需要被認可、獎勵和給予與其他技術人員相同的尊重。
組織
功能和組織邊界會帶來更清晰的前景，但這也是掣肘很多公司的原因。例如，許多晶圓廠正在努力優化芯片設計和工藝技術，但是它們缺乏整個流程的制造工藝，難以發現問題并支持更快的產量爬坡。他們需要通過讓設計者和開發者組織在共同領導下更緊密地結合起來，朝著同一個目標努力，進而打破邊界。否則，即使是最有吸引力的高級分析方法，可能也無法提供需要的結果。
投資
工程是晶圓廠和芯片設計組織的核心，而不是數據科學。這就是為什么晶圓廠只能對高級分析進行有限的投資，盡管有數十億美元之多。當半導體公司創建數據分析組時，他們傾向將其歸入信息技術或制造技術的領域，很少將其視為一大功能領域。這需要改變。如果半導體公司，沒有對包括機器學習和人工智能的應用在內的分析領域進行大量投資，那這一產業就將要落后。
合作與伙伴關系
分析和機器學習供應商，往往對進入半導體市場很猶豫。除了擔心客戶群體正在固化，許多人認為半導體公司喜歡內部開發解決方案。這種看法可能會持續存在，因為很少的軟件或分析公司正在與半導體廠商合作，特別是在設計和運營方面。未來，半導體廠商必須與技術研究公司建立積極的伙伴關系，以提出新的想法、應用和思維方式。過去，半導體行業通過合作伙伴關系加強了制造和加工技術，如與國際研究中心SEMATECH和IMEC的合作伙伴關系?，F在是我們為高級分析、機器學習和人工智能做同樣事情的時候了。
半導體行業提供了創新和實驗高級分析的獨特機會，因為沒有其他產業能夠創造出如此多的、可以為整個產業鏈帶來改進的過程數據。許多新公司，包括本文中討論的新公司，已經認識到這一個機會，并將真正的數據科學帶入半導體領域。使用這些工具，加上在領導層面對數據分析的重視增加，可能會使半導體公司成為數據分析行業領導者。
翻譯來自：蟲洞翻翻 譯者ID： Salvabivc 編輯：郝鵬程
編者按：晶圓廠商們希望簡化半導體設計和制造的流程，但創新的分析工具會提供他們需要的解決方案嗎？由麥肯錫帶來的這篇商業分析，可能會帶給我們答案。在本文中，麥肯錫采訪了高級分析公司Motivo的首席執行官Bharath Rangarajan，為我們帶來了一些深刻的見解。
高級分析、機器學習和人工智能的應用，正在使傳統的制造和運營方法遭受沖擊。雖然半導體制造公司在應用這些技術方面有些限制，但可能很快就會有所改變——并且它們也有很好的理由去改變。現在，要想將一款新的集成電路推向市場，所需要的時間在每個節點上都在逐漸上升。新的設計和制造技術，是造成這個問題的一個原因。但是，更復雜的檢查、測試和驗證程序，也是產生延誤的原因。
半導體產業鏈的現狀表明，晶圓廠需要多個領域的共同協助。在過去幾年的設計過程中，測試和驗證時間增加了50％。新產品引進和升級，現在通常需要12到18個月的調試和調整。類似地，組裝和測試過程中30％的資本支出，都是不給產品增加任何價值的測試。芯片進入市場后，問題也不會停止：客戶可能會遇到意想不到的性能問題，并要求半導體公司幫助解決這些問題 ——這是一項艱巨的任務，因為廠商們沒有辦法追蹤芯片從生產到使用的所有過程。 此外，許多晶圓廠沒有有效地記錄生產過程中遇到的問題，也沒有采取措施來嘗試解決這些問題。
在許多情況下，出現問題的原因，是因為盡管有一定程度的自動化，重要任務仍然需要頻繁的手動操作干預。為了改進這一流程，許多技術公司正在創建分析工具。這些工具，可以幫助晶圓廠用基于事實的知識、模式識別和結構學習，來代替猜測和人類的直覺。除了減少錯誤、精簡生產和降低成本之外，這些工具甚至可以幫助晶圓廠發現新的業務模型，并獲取額外的價值。
盡管這些分析工具才剛剛開始獲得晶圓廠的關注，但半導體制造商已經有很多選項可供選擇。因為，許多技術人員最近已經開發出專門的解決方案，來簡化芯片制造過程。我們從大量創新者中選出了三家公司，作為新生攪局者的代表性例子。我們訪問了他們的業務部門和技術部門的領導，以進一步了解其能力。我們的目標不是選擇性地認可某一家公司，而是為可能不熟悉新產品的半導體公司，提供不同的新興解決方案。
主動防止錯誤，進而優化產量
高級數據分析，可以在虛擬或數字設計文件中，測試和標記出可能的故障點，為晶圓廠提供了極大的方便。不需要測試成品，半導體公司就可以提前糾正物理設計中的錯誤，提高產量和可靠性。 晶圓廠商還可以使用相同的技術，來生成和運行虛擬芯片進行測試 ，從而允許他們識別和消除邊際效應的同時，進行流程優化。最后，高級數據分析可以讓晶圓廠將來自傳感器的數據大量輸入，與廣泛的流程級信息相結合，創建豐富的多變量數據集。然后，它們可以快速診斷芯片或設備故障的可能來源，從而為潛在的問題提供早期警告。這些工具，可以從先前的設計中進行初步學習，并隨時間增強檢測故障的能力。為了更多地了解這些防范錯誤的新工具，我們與Motivo首席執行官Bharath Rangarajan進行了訪談。Motivo是一家高級分析公司，通過使用專有算法、機器學習和人工智能，來增強預測分析能力，從而提供更多的有洞察力的診斷，防止復雜的芯片故障產生。
麥肯錫：你能談談我們看到的芯片生產中的一些問題，特別是錯誤檢測問題嗎？
Bharath Rangarajan：每個工廠都有數千個工藝步驟，而這些步驟又有數千個參數可以用于不同的組合。因為有這么多的因素，所以才導致了很多芯片故障或缺陷。但是每個誤差的頻率往往非常低，因為在設計和生產過程中，參數很少會是一樣的。這使得，即使是最強的工程團隊，也難以預測發生問題的地點和時間。
由于晶圓廠傳統上幾乎沒有分析工具，所以他們試圖通過制作模型、運行測試晶片和執行基本分析來發現出現較多的問題。換句話說，他們會改變一個設計或過程，看看是否消除了一個常見的錯誤。在僅需要改變幾個參數的情況下，這種方法會降低一些高頻問題，但這并不能幫助晶圓廠識別出更廣泛存在的、更難發現的低頻和中頻誤差。它也不能識別只能通過改變許多參數來解決的高頻誤差，而這些錯誤，很多時候是產量降低的原因。
傳統的糾錯方法，還存在另外一個問題，那就是很難從過去的經驗中進行學習。正如我所說，晶圓廠已經能夠通過調整多個參數來消除缺陷，但這僅僅有助于他們處理當前批次的產品。他們的測試方法，并不能讓他們了解導致問題的內在原因。我的意思是，他們沒有顯示出改進的確切變化，所以可能會在將來重復同樣的錯誤。許多設計團隊和負責流程的工程師之間存在溝通問題，他們在描述問題、甚至共享過去故障信息的方式上并不相同。我可以理解為什么會發生這種情況 —— 很多時候，設計和流程人員甚至都不在同一個地點辦公。他們使用不同的語言，有些甚至可能不知道已經存在一些問題。
麥肯錫：你的工具如何工作？
Bharath Rangarajan：首先，我們分析客戶的物理設計 —— 通常是圖形數據庫系統II（graphic-database system Ⅱ）或開放藝術品交換系統標準文件（Open Artwork System Interchange Standard File） —— 這些文件類型，是當前集成電路分布系統的數據交換的行業標準。我們的工具從簡單的幾何圖案和復雜的結構圖案中，提取出所有的特征和組合。然后我們再確定這些之間是如何相互鏈接的。
處理完這些信息后，我們可以在拓撲網絡映射中，識別出導致故障的單點或節點。例如，我們的圖例中，將顯示故障節點是如何連接到普通節點的，進而找出問題所在。我們的圖例還幫助客戶確定要測量和測試的特征和節點，這有助于優化產量?，F在的測試都是隨機選擇節點來進行分析，而我們在這個基礎上做了優化，有助于提高產品的產量和測試的效力。最終，廠商會得到很好的統計數據。
一些較舊的基于物理的模型，在找到錯誤方面仍然存在一定的作用。但還沒有任何一個老舊的模型，可以預測在先進的制造過程產生的所有可能的結果。而且由于芯片復雜度的增加，它們所能做的還不夠。
麥肯錫：晶圓廠在這個領域可以期待什么樣的結果？
Bharath Rangarajan：通過先進的數據分析，我們有潛力大幅改變現有的范式?，F在，晶圓廠所制造的多批晶圓，經歷了多次昂貴的迭代循環，以消除問題。由于處理硅晶片所需的長周期，該方法也是非常耗時的。如果公司在芯片設計方面更加開放一些，那么它們可以縮短產量上升的爬坡期，并將大幅縮減流程問題所需的迭代次數，將新產品的流程效率提高十倍。這將對產品生產時間表和硅片消耗產生重大影響。在測試中，兩家半導體公司都發現了故障和相關故障的模式，用時從幾個季度縮短到了幾個星期。
加強晶圓檢查
半導體設計和制造的檢測工具越來越專業化，每個工具的使用場景都都只是工藝流程中的一小部分。 晶圓廠可能需要十幾個的大型、昂貴的機器，來完成在晶片生產過程中的的數百個步驟。這使得資本預算和用地條件都十分捉襟見肘。但最值得注意的，是工具本身的技術限制：設備之間的數據傳輸、增加工藝流程、上新設備來檢測問題，可能都很困難。在許多步驟中，人工的檢查員必須經常審查工具中的數據—— 這可能需要將數百或數千個晶圓運送到檢測室和實驗室，但這增加了損壞的風險，并且無法實時進行過程控制和獲取產出數據。Nanotronics公司負責構建包含人工智能的自動顯微鏡。為了了解晶圓檢測的新技術，我們與Nanotronics的兩名官員進行了交談，：首席營收官Justin Stanwix和首席技術官Julie Orlando。
麥肯錫：請告訴我們，貴公司的技術如何在芯片檢測中使用呢？
Julie Orlando：我們的顯微鏡將納米級、微觀和宏觀成像與機器學習、人工智能相結合。他們可以自動發現新的缺陷，并通過網絡共享這些信息。這使得像圖像標記一樣的——通常必須手動完成、容易出錯的流程不再必要。我們的顯微鏡還有一個便利因素，那就是晶圓廠可以將它們用于晶體生長、光刻、蝕刻和其他工藝，而不是像原來一樣，使用很多不同的工具來完成這些檢測。另一個變化是顯微鏡可以檢查透明、半透明和不透明的芯片，以及微處理器單元、MEMS（微機電系統）器件和封裝的晶片。
麥肯錫：你可以在一些細節上描述手工檢查的差異嗎？
Julie Orlando：我們的顯微鏡可以在幾分鐘內分析100,000個芯片，而手動檢查員可能需要30分鐘才能查看50個芯片。如果使用我們的顯微鏡，晶圓廠也可以檢查到更多的芯片層，而不是手動檢查。我們與一家公司合作，之前他們人工可以檢查25層，但用顯微鏡將其增加到了300層。然后，晶圓廠從人工檢測轉向顯微鏡時，處理量和產量也都會增加。
麥肯錫：您的軟件如何讓顯微鏡共享數據？
Justin Stanwix：我們的軟件，可以連接晶圓廠或晶圓廠網絡中的所有顯微鏡。因此，工程師可以開發新的算法，來找出那些問題的識別數據，和工具里過程參數之間的相關性。然后，他們可以通過更新軟件立即將新算法納入顯微鏡網絡。我們的開放式軟件平臺和API接口使這一切成為可能，因為它們允許我們的顯微鏡連接到其他工具，包括晶圓廠可能已經擁有的工具。
連接半導體和電子供應鏈
想要提高質量的產品工程師，通常會遇到一個嚴重的阻礙：難以從產業鏈上的其他廠商那里獲取數據。他們經常收集存在于系統或應用程序芯片中的不完整信息，但找不到解決問題的重要部分。我們與Optimal Plus（一家專門從事大數據分析軟件的公司）討論了分享信息的更好策略。下面是對Optimal Plus的首席技術官Michael Schuldenfrei和業務發展副總裁Yitzhak Ohayon的采訪。
麥肯錫：告訴我們一些貴公司的技術。
Michael Schuldenfrei：我們創建了一個跨行業的平臺，用于將原始設備制造商（OEM）與供應鏈中的半導體公司相連接。它可以跟蹤單個產品的所有數據，包括制造的地點和時間、功能和電氣測試的每條信息、制造設備的數據以及使用條件 、 濕度水平或操作閾值等因素。因此，基本上，工程師可以查看全套有關產品及其組件的信息，從而更容易發現問題。我們的平臺還允許工程師配對和匹配來自特定制造環境的設備。這可以真正提高許多用戶端應用可靠性的方法。
麥肯錫：你能告訴我們你的平臺如何工作嗎？
Yizhak Ohayon：第一步，我們清理和規范化數據。它必須在所有地點和產品中完整、準確和一致。然后，我們將數據輸入平臺，幫助客戶克服最重要的數據斷開之一：芯片制造商和電子OEM之間的信息交流不足。芯片制造商負責晶圓的分類測試，電子OEM中又分為主板用戶和系統用戶，負責最后的測試。在通過我們的平臺比較來自這些測試的數據后，同意交換數據的電子產品銷售商和半導體供應商，可以確定結果是否與特定芯片高度相關 —— 結果可能是該芯片運行良好，或者該芯片存在差異。例如，芯片制造商可以使用其電子產品客戶的數據，來確定哪些測試信號預測了下游存在的故障、哪些信號不影響最終產品。這意味著芯片制造商可以調整其篩選參數，進而優化產量。換句話說，改進篩選條件之后，會減少那些潛在具有問題的設備的數量。
麥肯錫：你們的平臺有什么樣的結果？
Yayhak Ohayon：在2016年，我們分析了超過500億臺芯片。我們已經看到測試所需時間、運營效率、產量和測試結果都有所改善。
有一次，我們與一家電子設備OEM合作，希望將一款主板級設計迅速推向市場。該公司遇到了很多芯片問題，并提供給供應商所有的相關數據，以換取有限的芯片信息。將這些測試數據與原始組件供應商的芯片數據相關聯后，我們找到了出問題的地方。這些發現減少了客戶分析故障所花費的時間。結果是該產品的產量有了顯著的提高，上市時間提前。
一家電子產品OEM報告說，使用這一技術，它們已經將量產所需的時間減少了一半。該廠家也減少了“錯誤”芯片的數量，在重新測試中將錯誤率降低了百分之五十。這些芯片是客戶報告存在問題的批次，通常是與其他芯片組合使用中存在問題。但是當制造商自行重新測試時，這些芯片工作正常。了解產品故障所需的時間，從三個月下降到了一周。新技術也提高了測試效率，因為OEM們少了很多不得不進行大量測試的芯片。
麥肯錫：你看到使用技術或類似技術有任何障礙嗎？
Michael Schuldenfrei：信息交流上有一些障礙。從我們技術的角度出發，我們需要半導體公司及其客戶將比現在更自由地分享信息。說服供應商分享信息可能很難，因為他們可能會懷疑客戶是否會在談判中使用他們的產品數據。希望我們的平臺，可以通過作為供應商和客戶之間的第三方中介，來減少一些擔憂。他們不必直接交換信息，當我們共享數據時，它們都是非常受控制的。當問題出現時，我們只會發布信息 —— 通常是質量問題 —— 并且將數據交換降至最低。我們還看到一些情況，電子產品制造商通過反向整個過程，向其供應商提供測試數據來解決問題。這是另一種可能的解決方案。
向前邁進將需要什么
愿景是明確的：將產品和流程更快地轉換到晶圓廠的生產環境中，縮短新芯片設計的上市時間，降低由更高、更可預測的產量帶來的總體成本，以及通過供應鏈的可追溯性用于預測單個芯片。想要使這些成為現實，將需要在我們的能力范圍之內進行技術創新。但是在我們看來，半導體行業至少要在四個維度上進行實際的工作。
天賦
我們正在經歷半導體行業的人才干旱。只有少數具有數據分析功能的新畢業生，將半導體作為為他們所選擇的領域。而他們之中，只有更少的人仍然相信這是一個難以置信的、會取得重大創新進展的機會。放眼整個北美，只有不到1萬名認證的數據科學家。其中絕大多數人，只針對有限的領域進行研究，其中大部分涉及改善廣告或營銷內容的個性化。這種扭曲的分布，對于希望將機器學習和高級分析應用于其操作的半導體公司而言，是一個問題。為了吸引和保留合適的人才，半導體公司必須創造出令人信服的工作環境。數據科學需要被認可、獎勵和給予與其他技術人員相同的尊重。
組織
功能和組織邊界會帶來更清晰的前景，但這也是掣肘很多公司的原因。例如，許多晶圓廠正在努力優化芯片設計和工藝技術，但是它們缺乏整個流程的制造工藝，難以發現問題并支持更快的產量爬坡。他們需要通過讓設計者和開發者組織在共同領導下更緊密地結合起來，朝著同一個目標努力，進而打破邊界。否則，即使是最有吸引力的高級分析方法，可能也無法提供需要的結果。
投資
工程是晶圓廠和芯片設計組織的核心，而不是數據科學。這就是為什么晶圓廠只能對高級分析進行有限的投資，盡管有數十億美元之多。當半導體公司創建數據分析組時，他們傾向將其歸入信息技術或制造技術的領域，很少將其視為一大功能領域。這需要改變。如果半導體公司，沒有對包括機器學習和人工智能的應用在內的分析領域進行大量投資，那這一產業就將要落后。
合作與伙伴關系
分析和機器學習供應商，往往對進入半導體市場很猶豫。除了擔心客戶群體正在固化，許多人認為半導體公司喜歡內部開發解決方案。這種看法可能會持續存在，因為很少的軟件或分析公司正在與半導體廠商合作，特別是在設計和運營方面。未來，半導體廠商必須與技術研究公司建立積極的伙伴關系，以提出新的想法、應用和思維方式。過去，半導體行業通過合作伙伴關系加強了制造和加工技術，如與國際研究中心SEMATECH和IMEC的合作伙伴關系?，F在是我們為高級分析、機器學習和人工智能做同樣事情的時候了。
半導體行業提供了創新和實驗高級分析的獨特機會，因為沒有其他產業能夠創造出如此多的、可以為整個產業鏈帶來改進的過程數據。許多新公司，包括本文中討論的新公司，已經認識到這一個機會，并將真正的數據科學帶入半導體領域。使用這些工具，加上在領導層面對數據分析的重視增加，可能會使半導體公司成為數據分析行業領導者。
翻譯來自：蟲洞翻翻譯者ID： Salvabivc 編輯：郝鵬程
京公網安備 11010502049343號