معماری اتم: هوش مصنوعی در ساخت نیمه‌هادی‌ها

هوش مصنوعی به تنهایی «فراتر از قانون مور» نمی‌رود و خودکارسازی چیدمان تراشه با کنترل ساخت یک مسئله نیست. تولید نیمه‌هادی ترکیبی از علم مواد، مهندسی تجهیز، اندازه‌شناسی، کنترل آماری، آلودگی، زمان‌بندی، سامانه کیفیت و تخصص انسانی است. یادگیری ماشین می‌تواند تصمیم محدود را بهتر کند؛ اندازه‌گیری فیزیکی و حدود فرایند اعتبارسنجی‌شده را اختیاری نمی‌کند.

فرصت معتبر، کوتاه کردن چرخه کشف و یادگیری است: رفتار غیرعادی ابزار را پیدا کند، ویژگی اندازه‌گیری‌نشده را با عدم‌قطعیت برآورد کند، بازرسی را اولویت دهد، تعمیر را پیش‌بینی و مقایسه علت‌ها را برای مهندس آسان کند.

خودکارسازی طراحی را از عملیات کارخانه جدا کنید

خودکارسازی طراحی الکترونیکی با معماری، منطق، جای‌گذاری، مسیریابی، زمان، توان، راستی‌آزمایی و ساخت‌پذیری کار می‌کند. ساخت ویفر، لیتوگرافی، رسوب‌دهی، اچ، کاشت، شست‌وشو، اندازه‌شناسی و جابه‌جایی ماده را اداره می‌کند. مونتاژ، بسته‌بندی و آزمون نیز تصمیم‌های دیگری دارند.

هوش مصنوعی در هر سه کاربرد دارد، اما داده، هدف، هزینه شکست و مالک متفاوت است. مدل طراحی پیشنهادی، ساخت‌پذیری پنجره فرایند را ثابت نمی‌کند. مدل بازده یک کارخانه نیز خودکار به ابزار یا محصول دیگر منتقل نمی‌شود.

تصمیم، مرحله، خانواده محصول، ابزارها، کاربر، زمان و پیامد شکست را روشن کنید و آن را در معماری هوش مصنوعی در تولید هوشمند قرار دهید، نه در تصویر «کارخانه خودمختار».

رهگیری اندازه‌گیری را برقرار کنید

هر هدف تعریف اندازه‌گیری می‌خواهد: بعد بحرانی، هم‌پوشانی، ضخامت، تراکم عیب، پارامتر الکتریکی، گروه بازده، حالت تجهیز یا زمان چرخه. واحد، روش، نمونه‌گیری، مرجع، عدم‌قطعیت، کالیبراسیون و زمان را ثبت کنید.

برنامه اندازه‌شناسی CHIPS در NIST بر اندازه‌گیری دقیق و متناسب برای مواد، ادوات، مدار و سامانه میکروالکترونیک تمرکز دارد. این برنامه تحقیق و علم اندازه‌گیری دولت آمریکاست، نه گواهی مدل کارخانه یا استاندارد کامل کنترل تولید.

مدل از مرجع آموزش و راستی‌آزمایی معتبرتر نمی‌شود. رانش سنجه، تغییر دستور، سوگیری نمونه و برچسب اشتباه ویفر می‌تواند شبیه یادگیری فرایند دیده شود.

واژگان مشترک حالت تجهیز بسازید

دسترس‌پذیری و بهره‌وری به تعریف سازگار نیاز دارد. مشخصات SEMI E10 روش استاندارد برای قابلیت اعتماد، دسترس‌پذیری، نگهداشت‌پذیری، بهره‌برداری و حالت‌های انحصاری تجهیز ارائه می‌کند.

SEMI E10 استاندارد اجماعی داوطلبانه صنعت است، نه قانون، تایید ایمنی یا روش اعتبارسنجی هوش مصنوعی. ارزش آن مقایسه‌پذیری میان کاربر و سازنده است. معیار «توقف جلوگیری‌شده» مخصوص مدل نسازید که با حالت مصوب و پرونده تولید تطبیق نمی‌شود.

رویداد و حسگر را به رده حالت نگاشت، انتقال‌ها را حفظ و زیرحالت اختصاصی را مستند کنید. توافق طبقه‌بندی خودکار با اپراتور و شاهد تعمیر را حسابرسی کنید.

داده را با زمان، لات و ابزار هم‌راستا کنید

داده ساخت شامل ویفر، دای، لات، محفظه، دستور، ابزار، مصرفی، اپراتور، اندازه‌گیری، تعمیر و محیط است. یک ویفر از ابزارهای متعدد می‌گذرد و یک محفظه چند محصول را می‌سازد. خروجی تخت این ساختار را از بین می‌برد.

شناسه پایدار و تاریخ رویداد بسازید. زمان رخداد را از زمان ورود جدا و نسخه دستور و نرم‌افزار را نگه دارید. رد حسگر را با فاز فرایند هم‌راستا کنید، نه پنجره دلخواه ساعت. تمیزکاری محفظه، تعویض مصرفی، کالیبراسیون، تعمیر پیشگیرانه و بازکاری را ثبت کنید.

لات مهندسی، نگهداری، آزمایش و تولید را جدا نگه دارید. کیفیت و مشاهده‌پذیری داده باید رد گمشده، رانش ساعت، رویداد تکراری، تغییر واحد، اشباع حسگر، تغییر نرخ نمونه و پیوند شکسته را بیابد.

کنترل آماری فرایند را حفظ کنید

یادگیری ماشین باید برنامه کنترل را تکمیل کند، نه بی‌خبر جایگزین. حد فرایند مصوب، نمودار کنترل، برنامه واکنش، کنترل تغییر و مهندس مسئول را تعریف کنید. هشدار مدل می‌تواند زمینه یا اولویت بدهد، اما امتیاز بی‌توضیح نباید حد ایمنی یا کیفیت را کنار بزند.

تغییر علت مشترک را از علت ویژه جدا کنید. مدلی که برای نویز تصادفی پیوسته تنظیم می‌کند واریانس را زیاد می‌کند. کنترل اجرا به اجرا به اندازه‌گیری پایدار، شناخت تاخیر، قید و حفاظت از اصلاح بیش از حد نیاز دارد.

با مبناهای ساده مانند نمودار کنترل، میانگین وزنی، مدل خطی یا حداقل مربعات جزئی و قواعد مهندسی مقایسه کنید. پیچیدگی باید منفعت عملی نشان دهد.

اندازه‌شناسی مجازی را تخمین بدانید

اندازه‌شناسی مجازی، ویژگی ویفر را از تجهیز، حسگر، دستور و زمینه پیش‌بینی می‌کند، وقتی سنجش فیزیکی نمونه‌ای یا دیررس است. می‌تواند پوشش و کنترل را بهتر کند، اما خروجی برآورد همراه عدم‌قطعیت است.

پژوهش اصلی «اندازه‌شناسی مجازی برای کنترل اجرا به اجرا در ساخت نیمه‌هادی» سامانه پیش‌بینی هم‌پوشانی لیتوگرافی را با روش داده‌کاوی در زمینه‌ای مشخص توسعه داد. این تحقیق داوری‌شده است، نه شاهد اینکه همه فرایندها می‌توانند سنجش فیزیکی را کنار بگذارند.

حاشیه امن، آستانه اطمینان، کشف تازگی و نمونه‌گیری اجباری نگه دارید. ورودی خارج توزیع باید به اندازه‌گیری یا توقف برود، نه پاسخ مطمئن.

نمونه‌گیری را برای کشف رانش طراحی کنید

اجازه ندهید مدل همه ویفرهای آسان را برای همیشه از سنجش حذف کند. نمونه‌گیری تصادفی و ریسک‌محور میان ابزار، محفظه، دستور، لات، شیفت و انتقال محصول حفظ شود.

پس از تعمیر، کالیبراسیون، تغییر دستور، ماده تازه، ناهنجاری حسگر، بیکاری طولانی یا رانش، نمونه‌گیری را زیاد کنید. بیشینه فاصله میان سنجش فیزیکی و آستانه بازگشت را بنویسید.

نتیجه سنجش می‌تواند عدم‌قطعیت و کنترل را به‌روز کند، اما تغییر مدل باید از سامانه کیفیت عبور کند. یادگیری آنلاین بدون تایید، فرایند اعتبارسنجی‌شده را پنهانی تغییر می‌دهد.

نشت ویفر و آینده را حذف کنید

تقسیم تصادفی ردیف حسگر ممکن است رد یک ویفر، لات، چرخه محفظه یا دوره تعمیر را در آموزش و آزمون بگذارد و دقت را بزرگ کند. زمان را جدا و واحدهای مرتبط را گروه کنید؛ ابزار، محفظه، محصول و انتقال را تا حد ممکن کنار بگذارید.

فقط اطلاعات موجود پیش از تصمیم را استفاده کنید. سنجش بعدی، بازکاری، بازده نهایی و تشخیص تعمیر، برچسب یا نتیجه‌اند، نه ویژگی مجاز.

توزیع خطا، پوشش بازه، هشدار غلط، خروج از دست‌رفته، نرخ تازگی و عملکرد بر حسب ابزار، محفظه، دستور، محصول و زمان پس از تعمیر را گزارش کنید. اقدام کنترل پایین‌دست را بسنجید، نه فقط خطای پیش‌بینی.

طبقه‌بندی عیب را به مرور فیزیکی وصل کنید

بینایی ماشین می‌تواند نقشه ویفر، میکروسکوپ، رتیکل، عیب بسته‌بندی و مونتاژ را طبقه‌بندی کند. منشأ تصویر، بزرگنمایی، نور، تنظیم دستگاه، محل نمونه و برچسب بازبین باید حفظ شود.

پرسش معمول تریاژ است: کدام تصویر متخصص می‌خواهد، کدام خانواده عیب بررسی و کدام لات بیشتر نمونه‌گیری شود؟ یک امتیاز تصویر پاسخ «آیا محصول ایمن است» نیست.

کنترل‌های بینایی ماشین در بازرسی کیفیت تولید را اجرا کنید: پذیرش کاذب را برآورد، از تاییدهای مدل نمونه، اصل را حفظ و برای عیب تازه مسیر بسازید.

نگهداری را بدون ریسک پنهان بهینه کنید

نگهداری پیش‌بینانه می‌تواند عمر یا خطر خرابی را از حالت تجهیز، روند حسگر، هشدار و سابقه کار برآورد کند. تاریخ تعمیر از برنامه، قطعه یدکی، رفتار تکنسین و اولویت تولید اثر می‌گیرد.

روشن کنید مدل بازرسی را جلو می‌اندازد، توقف برنامه‌ریزی، سفارش قطعه یا ادامه کار را پیشنهاد می‌کند. اینترلاک ایمنی و بازرسی قانونی بیرون بهینه‌سازی‌اند. ریسک پایین نمی‌تواند کار را فراتر از حد مصوب ادامه دهد.

توقف بدون برنامه، تعمیر اضافی، خرابی از دست‌رفته، موجودی، زمان تعمیر، زیان تولید و اثر کیفیت را بسنجید. «توقف جلوگیری‌شده» بدون خلاف‌واقع معتبر ادعای کافی نیست.

انسان و کنترل تغییر را فرمانده نگه دارید

اپراتور و مهندس باید رد مرتبط، دوره مقایسه، رخداد مشابه، عدم‌قطعیت و اقدام پیشنهادی را ببینند. امکان رد هشدار، توقف و ثبت دلیل بدون فشار شاخص مدل داشته باشند.

برای ویژگی، مدل، آستانه، دستور، اتصال و رابط کنترل تغییر رسمی اجرا کنید. در شبیه‌سازی و حالت خاموش، سپس روی ابزار محدود اعتبارسنجی کنید. بازگشت به پیکربندی شناخته‌شده حفظ شود.

خطای مدل و اقدام زیان‌آور را در فرایند رخداد کیفیت بررسی کنید. وقتی محصول یا تجهیز متاثر است، آن را باگ عادی نرم‌افزار ندانید.

داده و سامانه سایبری-فیزیکی را حفاظت کنید

دستور، پنجره فرایند، رد ابزار، بازده، چیدمان و عیب می‌تواند راز تجاری یا داده تحت کنترل صادرات باشد. دسترسی فروشنده را کم، شبکه را بخش‌بندی، دستگاه را احراز، انتقال را رمز، اقدام را ثبت و به‌روزرسانی امن کنید.

خدمت هوش مصنوعی متصل به ابزار سطح حمله را زیاد می‌کند. اصول امنیت زیرساخت سایبری-فیزیکی را رعایت کنید: شکست امن، جدایی مسیر پیشنهاد و کنترل، آزمون ورودی خراب و کار محلی.

قرارداد باید میزبانی، پیمانکار، آموزش مدل، مکان داده، دسترسی پشتیبانی، رخداد، حذف، خروج و تداوم را تعیین کند. رد حساس تولید را تحت شرایط مصرفی به مدل عمومی نفرستید.

سیاست صنعتی را از شاهد فنی جدا کنید

برنامه رسمی CHIPS for America سرمایه‌گذاری فدرال آمریکا در تولید و تحقیق نیمه‌هادی تحت قانون CHIPS را شرح می‌دهد. این سیاست صنعتی و اطلاعات برنامه آمریکاست، نه تایید فنی روش هوش مصنوعی یا شاهد رسیدن کارخانه به هدف بازده.

دریافت‌کننده بودجه ممکن است تعهد امنیت، محیط‌زیست، نیروی کار، گزارش و قرارداد داشته باشد. آن‌ها را در سامانه انطباق جدا از مدل کنترل فرایند مدیریت کنید.

کشورها یارانه، کنترل صادرات، مجوز محیطی، قانون کار و محدودیت امنیتی متفاوت دارند. آن را به کارخانه، شخصیت، تجهیز، فناوری و جریان داده واقعی نگاشت کنید.

ارزش کارخانه را صادقانه بسنجید

پوشش سنجش، خطا، پوشش بازه، کشف خروج، زمان کشف و علت‌یابی، نمونه فیزیکی، بازده، بازکاری، ضایعات، چرخه، دسترس‌پذیری، نگهداری، انرژی، آب، ماده شیمیایی، ایمنی و بار مهندس را ثبت کنید.

هم‌بستگی را از منفعت منتسب جدا کنید. بازده با ترکیب محصول، مرحله راه‌اندازی، اصلاح فرایند، ابزار و تقاضا عوض می‌شود. اجرای مرحله‌ای، ابزار همتا، سری زمانی منقطع یا طراحی مناسب به کار ببرید.

گستره عدم کار مدل را گزارش کنید. دقت بالا روی دستور پایدار پرتکرار ممکن است در دوره راه‌اندازی و انتقال که ارزش بیشتر است کمکی نکند.

استقرار مرحله‌ای

یک تصمیم با مرجع فیزیکی کافی، مانند اولویت سنجش در یک مرحله، انتخاب کنید. مبنای کنترل و مدل ساده بسازید. زمان و شناسه را اصلاح و آزمون تاریخی را بر حسب زمان، لات و ابزار جدا کنید.

ابتدا خاموش، سپس مشورتی با مرور مهندس اجرا کنید. نمونه‌گیری اجباری و قاعده توقف را حفظ کنید. روی ابزار محدود و در دوره تعمیر و انتقال پایش کنید و فقط پس از تایید کیفیت و منفعت گسترش دهید.

چک‌لیست هوش مصنوعی نیمه‌هادی

1. دامنه طراحی، ساخت، بسته‌بندی یا آزمون روشن است؟
2. هدف اندازه‌گیری رهگیری، عدم‌قطعیت و کالیبراسیون دارد؟
3. معیار تجهیز با تعریف شناخته‌شده تطبیق می‌کند؟
4. ویفر، لات، محفظه، دستور و زمان درست مدل شده‌اند؟
5. کنترل آماری مرجع باقی می‌ماند؟
6. اندازه‌شناسی مجازی برآورد است و نمونه فیزیکی اجباری دارد؟
7. آزمون نشت ویفر، لات، ابزار و آینده را حذف می‌کند؟
8. مهندس می‌تواند امن توقف، لغو، بازگشت و بررسی کند؟
9. داده و مسیر کنترل سایبری-فیزیکی حفاظت شده‌اند؟
10. تعهد سیاستی از ادعای عملکرد فنی جداست؟

یادداشت منابع

منابع در ۲۰۲۶-۰۷-۳۰ مرور و پیوندها بررسی شدند:

• SEMI E10 مشخصات اجماعی داوطلبانه برای حالت تجهیز و اندازه‌گیری قابلیت اعتماد و بهره‌برداری است؛ قانون، تایید ایمنی یا اعتبارسنجی هوش مصنوعی نیست.
• برنامه اندازه‌شناسی NIST تحقیق و علم اندازه‌گیری دولت آمریکاست؛ مدل تولید را گواهی نمی‌کند.
• CHIPS for America سیاست صنعتی و اطلاعات برنامه فدرال آمریکاست؛ اثبات فنی بازده، قابلیت اعتماد یا اثر هوش مصنوعی نیست.
• پژوهش کانگ و همکاران در Expert Systems with Applications سال ۲۰۱۱ با DOI 10.1016/j.eswa.2010.08.040 تحقیق اصلی زمینه‌مند است، نه جایگزین عمومی اندازه‌گیری فیزیکی.