阅读研究雷达投资体系
登录 / 注册
← 返回阅读
资讯实质变化3 分钟阅读DisconfirmAI 编辑部

半导体制造中AI为何仍不能自主调整工艺参数

AI已能在数月内找到优于工程师一年成果的工艺方案,但跨供应链数据碎片化、模型外推风险和间歇性学习造成的验证空白,使其无法获得自主调整生产参数的权限。

2026-11-19 16:01

在2026年SEMICON West会议上,一个被反复讨论的问题是:AI既然已经能在半导体制造中找到人类工程师看不到的工艺方案,为什么仍然不能自主调整生产参数?

Lam Research首席AI官David Fried描述了一个具体场景:一台刻蚀机的潜在配方空间约为10的23次方种组合,人类工程师受限于历史经验,倾向于回到十年前解决过问题的参数区域。AI则能指出工程师从未考虑过的操作区间。Intel Foundry研发高级总监Vikas Sharma给出了更极端的例子:一个涉及350个参数的工艺层,理论组合数约为10的700次方。工程师与设备供应商花了一年才做出勉强可用的配方,引入AI辅助优化后,几个月内就找到了多个优于原始基线的方案。

能力已经证明,权限却仍未授予。障碍在哪里?

第一个障碍是模型识别的是统计关系而非物理机制。Silvaco的AI制造业务负责人Eric Guichard指出,代理模型在训练数据所代表的区域内插值时是可靠的,但外推到该区域之外时就不那么可靠了。AI找到新操作区间——这恰恰是它最有价值的地方——同时也意味着工程师手中用于验证预测的实验证据最少。压力、温度、电压、气体流量在不同操作区域的相对重要性可能完全不同,一个在某个区域表现良好的模型,不能假设其关系在另一个区域仍然成立。

第二个障碍是数据碎片化。半导体制造的信息往往分散在不同公司和不同系统中。在先进封装中,晶圆代工厂提供裸片,另一家公司生产基板,OSAT(外包半导体组装测试商)完成组装和测试,三方通常无法共享同一份制造历史。更困难的是,基板翘曲、热应力和材料行为等物理特性在制造过程中持续变化,这些变化往往没有被现有测量捕捉,依赖标称材料属性的模型可能完全错过它们。Synopsys产品管理高级总监Kenneth Larsen概括了核心问题:如果训练范围、校准来源和批准用途没有随模型一起传递,它可能足以用于早期探索,但不安全用于设计闭合。缺少的不是更多数据,而是告诉下一个工具或团队该数据应如何使用的上下文。

第三个障碍是模型更新与生产之间的时间差。Sharma明确表示行业距离连续学习还很远,实际做法是每季度或每月更新一次模型。一座工厂在两次更新之间可能处理一万片晶圆,这些晶圆产生的数据没有被快速用于改善模型或智能体的学习。更棘手的是,如果模型在两次更新之间调整了设备设置,工程师需要知道具体改变了什么、更新后的行为是否仍在已验证的限值内。调查数周后出现的故障时,可能需要重建模型在处理特定批次时的状态。

这三个障碍共同指向一个结论:AI在半导体制造中的自主性不是单一技术问题,而是验证基础设施问题。Fried承认,团队花在判断该用全物理仿真、代理模型、机器学习、深度学习还是智能体AI来解决哪个具体问题的时间,多于实际构建和实现这些系统的时间。ASE集团执行副总裁Ingu Yin Chang的封装检验案例说明了现状:AI能识别出X射线图像中一千种灰度差异,但只有人类通过传统制造方法物理确认某种灰度对应真实缺陷后,系统才能据此触发设备响应。识别异常和自主纠正异常之间,隔着一整套尚未建成的验证、治理和追溯机制。

来源

  • semiengineering.com↗
登录 / 注册
阅读研究雷达投资体系
带入研究 →